1. 本記事の方針についての注意書き
2. はじめに ― 想定読者と読むメリット
3. 最適輸送とは何か ── 砂山の引っ越し問題
4. 数学的な設計図（その1）── モンジュとカントロヴィチ
- 4-1. モンジュの定式化 ── 「分割せずに運び先を決める」
- 4-2. カントロヴィチの定式化 ── 「分けて運んでもよい」
5. 数学的な設計図（その2）── Wasserstein距離とSinkhorn
6. 知っておきたい発展形と限界
7. 最適輸送は、どのAI・データ解析につながるのか
- 7-1. 生成AI ── 拡散モデルとフローマッチング
- 7-2. ドメイン適応 ── 「分布のズレ」を埋める
- 7-3. 分布を比べる物差しとして
- 7-4. Transformer・LLM ── attentionは“ソフトな最適マッチング”
- 7-5. さらに広がる応用 ── 強化学習と公平性
8. 産業別の応用と実装 ── どの分野の、どんな問題に効くか
9. キャリアの見取り図 ── 最適輸送を武器にする人は、どこへ向かうか
10. 2026年のビジネスニーズと、世界の現場での活用の広がり ── 最適輸送は仕事になるのか
- 10-1. 生成AI・テック ── 大手AI研究所の主要テーマ
- 10-2. バイオ・創薬 ── いちばん“実績”が見えやすい分野
- 10-3. 金融・クオンツ ── 「最悪でも破綻しない価格」を求める
- 10-4. 物流・製造・オペレーション ── 枯れて信頼できる基盤
- 10-5. 採用言語・ライブラリの地図
- 10-6. まとめ ── 2026年に最適輸送が効くキャリア
11. 結び ── 「分布を運ぶ」という、一本の太い発想
用語ミニ辞典（英日かんたん対応）
参考文献・主要論文リスト
- 教科書・サーベイ（まずはここから）
- 基礎となるアルゴリズム・定式化
- 生成AI・深層学習
- 応用（ドメイン適応・NLP・バイオ・金融・経済）
- ライブラリ