コンピュータ科学において、インスタンス（メタ論理やメタ数学ではトークンとも呼ばれる）とは、型定義に基づくソフトウェア要素の特定の発生事例である。このような発生事例が作成されると、それはインスタンス化されたと言われ、作成プロセスと結果として生じる発生事例の両方がインスタンス化と呼ばれる。この概念は、オブジェクト指向プログラミングから人工知能、クラウドインフラストラクチャに至るまで、コンピューティングの多くの領域にわたって基礎的なものである。
この用語は、一般的なクラスやパターンの特定の例としてのインスタンスという、より広範な哲学的・論理的概念に由来する。コンピューティングにおいては、定義（クラス、テンプレート、モデルなど）と、その定義の具体的で使用可能な実現形態とを区別する方法を提供する。各インスタンスは、同じ型の他のインスタンスと構造的特徴を共有していても、通常、独自のアイデンティティ、状態、ライフサイクルを持つ。
プログラミング言語におけるインスタンス
オブジェクト指向プログラミングでは、インスタンスはクラス型から作成されたオブジェクトである。クラスは、そのすべてのインスタンスが共有する構造（属性）と動作（メソッド）を定義するが、各インスタンスは独自のアイデンティティと状態を維持する。例えば、Carクラスは色や速度などのプロパティを定義し、そのクラスから作成された個々の車オブジェクトは、それらのプロパティに対して独自の値を持つ明確なインスタンスである。
この概念は手続き型の文脈にも現れる。オブジェクト指向の多くのアイデアを導入したSimula言語では、各プロシージャ呼び出しは、そのプロシージャのインスタンス、つまり独自のパラメータとローカル変数を持つアクティベーションと見なすことができる。この視点は、プロシージャ定義をテンプレートとして扱い、各呼び出しを具体的な発生事例として扱うものであり、再帰やコールスタックの理解に有用である。
POSIX指向のオペレーティングシステムでは、実行中のプロセスはプログラムのインスタンスである。プログラムは命令を含む静的なファイルであり、プロセスはそれらの命令の動的な実行である。プロセスはfork()やexec()などのシステムコールを介してインスタンス化され、各実行プロセスは、それがインスタンス化されたプログラムのインスタンスである。同じプログラムの複数のインスタンスは、それぞれ独自のメモリ空間と実行状態を持って同時に実行できる。
人工知能と機械学習におけるインスタンス
現代の人工知能と機械学習では、インスタンスの概念はいくつかの形で現れる。多くの場合大規模言語モデルに依存するチャットベースのAIシステムでは、アシスタントは多くの独立した会話セッション（しばしばスレッドと呼ばれる）にわたって呼び出されることができる。各スレッドは独自のメッセージ履歴を持ち、そのセッションにわたるアシスタントの特定の実行は、スレッド上の実行であるランとして表現されることがある。これにより、同じ基盤モデルが多くのユーザーに同時にサービスを提供でき、各会話はアシスタントの動作の明確なインスタンスとなる。
深層学習では、トレーニング例やデータポイントはデータセットのインスタンスと呼ばれることがある。各インスタンスは、モデルが学習するデータ分布の特定の実現形態である。モデル定義とそのトレーニング済みインスタンスの区別も重要である。ニューラルネットワークアーキテクチャは可能なモデルのクラスを定義し、トレーニングは特定の学習済み重みを持つ特定のインスタンスを生成する。
クラウドコンピューティングと仮想化におけるインスタンス
クラウドコンピューティングと仮想化では、インスタンスは通常、コンピュート、メモリ、ネットワーク、ストレージリソースの割り当てられた組み合わせを持つ、プロビジョニングされた仮想マシンまたは仮想サーバーを指す。Amazon Web Services、Microsoft Azure、Google Cloudなどの主要なクラウドプロバイダーは、汎用コンピューティングからAIモデルのGPUアクセラレーションによるトレーニングまで、さまざまなワークロードに最適化されたさまざまなインスタンスタイプを提供している。
例えば、AWS Trainiumインスタンスは機械学習モデルのトレーニングに特化しており、Oracle CloudやAlibaba Cloudも独自のインスタンスファミリーを提供している。クラウドインスタンスのライフサイクルには、通常、マシンイメージやテンプレートからの作成、設定、使用、最終的な終了が含まれる。この抽象化により、ユーザーは物理ハードウェアを管理することなく、リソースを動的にスケーリングできる。
コンピュータグラフィックスにおけるインスタンス
コンピュータグラフィックスでは、インスタンシングは、ポリゴンモデルを異なるトランスフォームとパラメータで複数回描画し、共有ジオメトリデータを再利用してパフォーマンスを向上させる技法である。各オブジェクトの完全なジオメトリを送信する代わりに、システムはジオメトリを一度送信し、その後、異なる位置、回転、スケール、またはその他の属性を持つ複数のインスタンスを指定する。これは、ビデオゲームやシミュレーションで、木、パーティクル、群衆キャラクターなど、多数の類似オブジェクトを効率的にレンダリングするために広く使用されている。
関連概念と区別
インスタンスの概念は、論理学や言語学における型-トークン区別と密接に関連している。型は一般的なカテゴリであり、トークンは特定の発生事例である。プログラミングでは、クラスやテンプレートは型であり、そこから作成された各オブジェクトやプロセスはトークンまたはインスタンスである。この区別は、データ拡張にも関連しており、既存のトレーニングインスタンスに変換を適用して新しいトレーニングインスタンスが生成される。
生成AIでは、モデルによって生成された各出力は、特定の入力やプロンプトに条件付けられた、モデルの動作のインスタンスと見なすことができる。インスタンス化の概念はトランスフォーマーアーキテクチャでも使用され、各入力シーケンスはモデルの入力空間の特定のインスタンスとして処理される。インスタンスを理解することは、複雑なソフトウェアシステムのデバッグ、リソース管理、動作の推論に不可欠である。