「興味が移ろいやすい」「思いついたらすぐ試したくなる」
ADHDのこの特性、実は AI／機械学習分野では圧倒的な武器 になります。

なぜならAI/MLは、

• 小さく試せる（仮説→実験→改善が速い）

• 正解が一つではない（探索が価値になる）

• 視覚的フィードバックが多い（グラフ・精度・生成物）

という、衝動的な好奇心×過集中 と相性が極めて良い領域だからです。

この記事では精神論ではなく、「ADHD特性を前提にした、実際の技術選定」 を具体的に提示します。

---

ADHD特性を“前提条件”にするのがAI分野の強み

まず大前提として大切な視点があります。

ADHDを「矯正する」のではなく
ADHD前提で成果が出る技術を選ぶ

これが ADHDエンジニアの道 の核心です。

ADHD × AI が噛み合う理由

「飽きやすい」＝「探索が得意」
これはAI分野では明確なアドバンテージです。

---

技術選定の大原則：重い理論より「すぐ動く」

ADHD傾向がある場合、
最初から以下を狙うと挫折しやすいです。

• 数式ゴリゴリの理論研究

• 実装まで遠い分野

• フィードバックが遅い環境

代わりに選ぶべきは、「触った瞬間に結果が返ってくる技術」。

---

実務でおすすめするAI/機械学習 技術スタック【厳選】

① 言語：Python 一択でOK

理由はシンプルです。

• 記述量が少ない

• エラーが読みやすい

• 実験コードがすぐ書ける

ADHDエンジニアにとって
「脳内メモリを使わない言語」 は正義です。

---

② フレームワーク：PyTorch

結論：最初はPyTorchが最強 です。

理由：

• imperative（逐次実行）で直感的

• デバッガと相性が良い

• 「思いついたら即書き換え」が可能

ADHD × PyTorch
→ 思考スピードとコードがズレない

研究・実務・個人開発、すべてに対応できます。

---

③ 生成AI活用：ChatGPT を“相棒”にする

ADHDエンジニアは
思考を言語化する途中で脱線しがち。

そこで生成AIをこう使います。

• 実装アイデアをそのまま投げる

• コードレビューを即もらう

• バグの仮説出しを任せる

これはズルではなく
環境調整スキルの一部 です。

---

④ タスク管理AI：Todoist × AI

AI分野はタスクが発散しやすいので、

• 実験

• 結果確認

• 改善案

を強制的に分解する必要があります。

Todoistのようなツールを使い、

• 「今日やる実験は1つだけ」

• 「30分で止める」

と制限をかけることで、過集中の暴走を防げます。

---

ADHD向け：おすすめ分野別 技術選定マップ

① 生成AI（最優先）

理由

• 即成果が見える

• モチベーション維持が容易

• 個人開発・副業に直結

具体技術

• OpenAI API

• LangChain

• RAG（検索×生成）

👉 衝動的好奇心がそのまま価値になる分野

---

② 画像認識・音声認識

理由

• 視覚・聴覚フィードバックが強い

• 成果が直感的に分かる

具体技術

• CNN

• 音声→テキスト変換

• マルチモーダルモデル

👉 ADHDの「感覚優位」を活かせる

---

③ AutoML / ノーコードML

理由

• パラメータ探索を自動化

• 試行錯誤をシステムに任せられる

👉 「考えすぎて止まる」を防止

---

逆に避けた方がいい分野（最初は）

• 理論特化の研究職

• 長期検証しか成果が見えない案件

• フィードバックが月単位のプロジェクト

これは能力ではなく 相性の問題 です。

---

ADHDエンジニア向け：衝動的好奇心を活かす行動フロー

弱み → 戦力 変換フロー

1. 思いついたら 即メモ

2. 30分で 最小実装

3. 結果を 数値 or 画像で確認

4. ダメなら即捨てる

5. 良ければ深掘り

👉 「最後までやらない」は失敗ではない
👉 探索完了 です

---

結論：AI/機械学習はADHDに“最高の相性”を持つ

AI/機械学習は、

• 集中力が安定しなくても

• 衝動的でも

• 好奇心が散っても

成果が出るように設計できる分野 です。

ADHDエンジニアの道とは、我慢して合わせる道ではありません。
相性の良い技術を選び、環境で自分を勝たせる道 です。
衝動的な好奇心は欠点ではなく、AI時代のエンジン です。

今日ひとつ、
Pythonで小さな実験を回してみてください。
そこから、あなたの強みは現実になります。