大規模言語モデル（LLM）の用語（25語）

大規模言語モデル（英語でLarge Language Model、略してLLM「エルエルエム」）は、インターネット上の本・記事・会話など、とてつもない量の文章で訓練されたAIです。やっていることは意外とシンプルで、文章の続きとしてもっともそれらしい言葉を1つずつ選んでいるだけ。ベテラン社員が「この書き出しなら、次はこう続くな」と自然に文章を埋められるのと同じ感覚を、桁違いの読書量で身につけたイメージです。ChatGPTやClaudeなどの正体がこのLLMです。

GPTは英語のGenerative Pre-trained Transformer（生成的・事前学習済み・トランスフォーマー）の頭文字で、「文章を生成する」「あらかじめ大量に学んでおく」「トランスフォーマーという仕組みを使う」という三つの特徴をそのまま名前にしたものです。GPT-4、GPT-5…と世代が上がるほど賢くなってきました。社名のような「ブランド名」だと考えると分かりやすく、同じLLMでもGoogleの「Gemini」やAnthropicの「Claude」は別ブランドにあたります。

BERT（バート、Bidirectional Encoder Representations from Transformers）は、2018年にGoogleが公開した言語モデルです。GPTが「文章を続けて書く」のが得意なのに対し、BERTは文章全体の意味をつかむのが得意で、検索の精度向上や文章の分類などに使われてきました。穴埋め問題を解くように、前後の文脈から隠れた単語を当てる訓練で言葉を覚えたのが特徴です。今の対話型AIの直接の主役ではありませんが、言語AIの歴史を語るうえで欠かせない一台です。

アテンション機構（注意機構、Attention Mechanism）は、AIが文章を読むときに「すべての単語を平等に扱う」のではなく、関係の深い単語ほど重く見るための仕組みです。たとえば「先週ご依頼いただいた見積もりの件ですが」という一文で、「件」が何を指すかを判断するには「見積もり」に注目する必要があります。これを自動でやってくれるのがアテンションです。会議で大事な発言だけを聞き分けるベテランの集中力に近く、これが現代のLLMが急に賢くなった土台になっています。

自己注意（セルフアテンション、Self-Attention）は、アテンション機構の一種で、一つの文章の中で単語どうしを照らし合わせるやり方を指します。「自己」とは「同じ文章内で完結している」という意味です。たとえば「田中さんが鈴木さんに電話したが、彼は不在だった」という文で、「彼」が田中さんか鈴木さんかを、文中の他の言葉と見比べて判断します。社内の全員がお互いの担当を把握し合っている状態に近く、これによって長い文章でも筋の通った理解ができるようになります。

事前学習（Pre-training）は、LLMを育てる最初の大きな工程で、膨大な文章を読ませて言葉の使い方や世の中の一般常識をまるごと覚えさせます。新入社員がいきなり専門業務に入るのではなく、まず一般教養と社会人の基礎を身につけるのに似ています。この段階でかかる費用と計算量は莫大で、ふつうの企業が自前でやることはまずありません。ここで土台を作った「素のモデル」に、あとから特定業務向けの仕上げ（ファインチューニングなど）を加えていきます。

ファインチューニング（Fine-tuning、微調整）は、事前学習で一般教養を身につけたAIに、自社の文書や対応例を追加で学ばせて、特定の業務に強くする作業です。中途採用したベテランに「うちの会社のやり方・言い回し・お客様の特徴」を研修で覚えてもらうのとそっくりです。たとえば自社の問い合わせ対応の良い回答例を数百件学ばせると、いつもの社風に沿った返信ができるようになります。ただし良質なデータを大量に用意する手間と費用がかかるため、「まずはプロンプトの工夫やRAGで足りないか」を先に検討するのが2026年現在の定石です。社風や口調を丸ごと寄せたいときに効く一方、最新の社内情報を反映する用途には次に紹介するRAGの方が向きます。

指示チューニング（インストラクションチューニング、Instruction Tuning）は、ファインチューニングの一種で、「○○して」「△△を教えて」といった命令に素直に従う習慣をAIに身につけさせる工程です。事前学習しただけのAIは「文章の続きを書く」のは得意でも、「要約して」と頼まれて要約を返すといった指示への応答は苦手でした。新人に業務知識だけでなく「頼まれたことに的確に応える」報連相の作法を教えるイメージです。今のChatGPTなどが頼みごとを理解してくれるのは、この訓練のおかげです。

RLHF（アールエルエイチエフ、Reinforcement Learning from Human Feedback＝人間のフィードバックによる強化学習）は、AIが出した複数の回答に人間が良し悪しの点数をつけ、高評価の答え方が増えるように調整していく手法です。新人の対応に上司が「この言い方は丁寧でいいね」「ここはぶっきらぼう」と毎回フィードバックして、接客態度を磨いていくのにそっくりです。これによってAIは、ただ正しいだけでなく「礼儀正しく・安全で・人に好まれる」答え方を身につけました。ChatGPTの受け答えが自然で感じが良いのは、この工程が大きく効いています。

アライメント（整合性、Alignment）とは、AIの能力が高くても暴走しないよう、その振る舞いを人間の意図や価値観に沿わせる取り組み全体を指します。優秀でも会社の方針を無視して勝手に動く社員では困るので、行動指針や倫理を共有しておくのと同じ発想です。具体的には「差別的な発言をしない」「危険な手助けをしない」「嘘で人を欺かない」といった枠を守らせます。RLHFなどはアライメントを実現する代表的な手段で、AIを安心して仕事に使うための土台になっています。

コンテキストウィンドウ（Context Window）は、AIが一回のやり取りで同時に把握できる文章量の上限です。机の広さにたとえると分かりやすく、机が広いほど多くの資料を一度に広げて参照しながら作業できます。狭いと、新しい資料を置くために古い資料を片づける（＝前半の会話を忘れる）ことになります。2026年時点では、本数冊ぶんに相当する非常に広いウィンドウを持つモデルも登場しており、長い契約書やマニュアルをまるごと読ませやすくなっています。

トークン上限（Token Limit）は、AIが入力と出力で扱えるトークン（言葉の最小単位）の最大数のことです。トークンは単語や文字を細かく区切ったかたまりで、ざっくり日本語の1文字が1トークン前後と思っておけば十分です。この上限を超える文章は途中で切れてしまい、回答が尻切れになったり、貼り付けたのに後半が読まれなかったりします。コピー用紙の枚数制限のようなもので、超えるなら分割して渡す工夫が必要です。料金もこのトークン数で計算されることが多い点も覚えておくと無駄が減ります。

埋め込み（エンベディング、Embedding）は、文章の意味を数字のリストに置きかえたものです。これにより「意味が近い言葉どうしは数字も近くなる」ように整理でき、たとえば「解約」「キャンセル」「退会」が近い場所に配置されます。地図上で似た用途のお店が近くに集まっているイメージに近く、コンピュータが「言葉そのもの」ではなく「意味」で文章を比べられるようになります。後述するベクトル検索やRAGの心臓部です。

ベクトル（Vector）は、ここでは「複数の数字を一列に並べたもの」と考えれば十分です。AIは言葉や文章を、この数字の並びに変換して扱います。住所が「番地」だけでなく「緯度と経度」という数字の組で表せるのと同じで、数字にすることで「どれとどれが近いか」を計算で比べられるようになります。埋め込みで作られるのがこのベクトルで、意味の似たもの同士は数字としても近い位置に来ます。難しい数式は気にせず「意味を数字にした座標」とだけ押さえておけば実務では十分です。

ベクトルデータベース（Vector Database）は、埋め込みで数字に変えた文章を大量にしまっておき、「意味が近い文書」を素早く探し出すための専用の保管庫です。ふつうの検索が「同じ言葉が入っているか」で探すのに対し、こちらは「言い回しが違っても意味が近いか」で探せます。膨大な社内資料を意味でタグ付けして並べた巨大な書庫のようなもので、「解約の流れを知りたい」と尋ねれば、その言葉が一字も入っていない関連手順書まで引き当ててくれます。RAGを支える縁の下の力持ちです。

RAG（ラグ、Retrieval-Augmented Generation＝検索拡張生成）は、AIが知識だけで答えるのではなく、まず関連資料を検索して、それを読んだうえで回答させる方法です。たとえるなら、記憶だけで即答させるのではなく「該当するマニュアルを開き、そこを見ながら答えてもらう」やり方です。これには大きな利点が三つあります。第一に、社内マニュアルや最新の料金表などAIが本来知らない自社情報に基づいて答えられること。第二に、「どの資料を見て答えたか」という出典を示せること。第三に、根拠のない作り話（ハルシネーション）を減らせることです。しかも資料を差し替えるだけで内容を更新でき、ファインチューニングのように学習し直す必要がありません。2026年現在、社内情報を扱うAI活用の本命的なやり方で、当社のような中小企業が自社データをAIに使わせる第一候補になります。仕組み上、「ベクトルデータベースで関連資料を探す→AIに渡す→回答させる」という流れで動きます。

グラウンディング（Grounding、接地）とは、AIの答えを信頼できる事実や資料に紐づけて裏づける考え方です。「地に足のついた回答にする」というニュアンスで、根拠もなく断定する社員に「ちゃんと資料で確認してから答えて」と求めるのに似ています。RAGは、このグラウンディングを実現するための代表的な手段です。回答に出典を添えられるので、利用者が後から正しさをチェックでき、業務でAIを安心して使うための鍵になります。

ハルシネーション（幻覚、Hallucination）とは、AIが事実ではない内容を、いかにも本当らしく答えてしまうことです。LLMは「次に来そうな言葉」を選んでいるだけなので、知らないことでも自信ありげに「それらしい答え」を作ってしまう性質があります。たとえば実在しない条文番号や、存在しない製品の型番、出典のない統計などをスラスラ述べることがあります。記憶があやふやなのに「たぶんこうでしたよ」と断言してしまう人に近く、口調が自信満々なぶん見抜きにくいのが厄介です。これはAIの欠陥というより仕組み上どうしても起きうるもので、完全にゼロにはできません。だからこそ、金額・固有名詞・日付・法令など正確さが命のところは、AIの答えを鵜呑みにせず必ず人が裏取りすることが鉄則です。RAGやグラウンディングは、このハルシネーションを減らすための代表的な対策です。

知識カットオフ（Knowledge Cutoff）は、そのAIが学習に使った情報の最終時点を指します。事前学習はある時期で区切って行われるため、それ以降に起きた出来事や新しい制度・価格は、AI自身は知りません。少し前に発行された分厚い辞書のようなもので、中身は充実していても「出版後の新情報」は載っていない、というイメージです。締め切り後の話を尋ねると、知らないがゆえに前項のハルシネーション（作り話）が起きやすくなります。最新情報が必要なときは、Web検索機能やRAGで新しい資料を一緒に渡してあげるのが正解です。

文脈内学習（インコンテキストラーニング、In-Context Learning）とは、AIを訓練し直さなくても、プロンプトの中に書いた例や指示だけでその場で要領をつかむ性質のことです。たとえば「次の形式で書いてください」と見本を2〜3個示すと、続きも同じ形式で出してくれます。新人に正式な研修をしなくても、お手本を一度見せれば「ああ、こういう感じね」と真似してくれるのに似ています。モデル本体は変わらない（覚え込ませているわけではない）ので、その会話が終わればコツも持ち越されない点に注意が必要です。

創発的能力（Emergent Abilities）とは、モデルを十分に大きくしていくと、ある段階から突然新しい力（複雑な推論や翻訳、計算など）を見せ始める現象です。小規模なうちは苦手だったことが、規模が一定を超えたとたんできるようになる、という不連続な伸び方をします。少人数の頃はできなかったことが、組織が一定規模を超えると急に回り始める会社にも似ています。AIがなぜここまで賢くなったのかを語るうえで重要なキーワードですが、何が・いつ出現するかを事前に予測しきるのは難しいとされています。

スケーリング則（Scaling Laws）は、AIに与えるデータ量・計算資源・モデルの規模を大きくしていくほど、性能が一定の傾向で伸びていくという経験的な法則です。「人手とお金と時間をかけるほど成果が上がる」というビジネスの肌感覚に近いですが、AIの場合この関係がかなりきれいに観測されたため、各社が競って巨大化に投資する根拠になりました。前項の創発的能力も、この「大きくするほど良くなる」流れの延長で現れます。ただし規模拡大にはコストも比例して膨らむため、近年は「賢く効率化する」方向の工夫も重視されています。

推論モデル（リーズニングモデル、Reasoning Model）は、即答せずに頭の中で段階を踏んで考えてから答えを出すように作られたLLMです。難問を前に「まず条件を整理して、順番に検討して…」と下書きしてから結論を書く人と同じで、計算・論理パズル・複雑な計画づくりなどで正確さが上がります。2026年現在の主要AIには、こうした「考える時間を多めに取る」モードが備わっていることが増えました。そのぶん回答に時間と費用が余分にかかるため、簡単な用件には通常モード、込み入った検討には推論モデル、と使い分けるのが賢い使い方です。

SLM（エスエルエム、Small Language Model＝小規模言語モデル）は、LLMの軽量版にあたるAIです。巨大モデルほど何でもこなせるわけではありませんが、用途を絞れば十分実用的で、動作が速く・費用が安く・自社のパソコンや社内サーバーでも動かしやすいのが強みです。何でも屋のベテランより、特定業務に特化した身軽な担当者、というイメージです。社外にデータを出したくない、毎回の処理コストを抑えたい、といった事情のある中小企業にとって、現実的な選択肢として2026年に注目が高まっています。

MoE（エムオーイー、Mixture of Experts＝混合エキスパート）は、一つの大きなAIの中に得意分野の異なる多数の「専門家」を用意し、入ってきた質問ごとに関係する専門家だけを働かせる作り方です。全社員を毎回総動員するのではなく、案件に応じて適切な担当者だけを招集する会社運営に似ています。これにより、モデル全体は巨大で物知りなのに、一回の処理では一部しか動かさないので速くて省コストを両立できます。大規模化のコスト問題を和らげる代表的な工夫として、近年の高性能モデルで広く採用されています。