ニュースや社内の会議で「大規模言語モデル」という言葉を見かけても、何が大規模なのか、なぜ人が書いたような文章が返ってくるのかまでは分かりにくいものです。この記事では、Google Cloud・AWS・NVIDIAの公式解説をもとに、LLMとは何かを順番にほどいていきます。仕組みが分かると、得意なことと苦手なことの理由も同じ線でつながります。専門用語は初めて出てきたところで一言ずつ添えるので、予備知識は必要ありません。
この記事で分かること
- LLM(大規模言語モデル)の公式な定義と、何をもって大規模と呼ぶのか
- Transformer・セルフアテンション・ファインチューニングという仕組みの要点
- 得意なことと苦手なことの線引きと、用途ごとの使い分けの考え方
- 職種別の使い方の例と、そのまま試せるプロンプト例
要点
- AWSはLLMを「膨大な量のデータで事前トレーニングされた、非常に大規模な深層学習モデル」と説明し、Google Cloudは「大量のデータでトレーニングされた統計言語モデル」と説明しています。大量の文章から言葉の関係を学んだモデルという点は共通です。
- 土台はTransformerというアーキテクチャで、NVIDIAによるとGoogleが2017年の論文「Attention Is All You Need」で初めて紹介したものです。
- 学習は、前の入力トークンの並びから次のトークンを正しく予測するまでパラメータ値を繰り返し調整する形で進みます(AWS)。平たく言えば「次に来る言葉を当てる」練習の積み重ねです。
- NVIDIAはテキストでの用途を生成・要約・翻訳・分類・チャットボットの5つに分類しています。一方でAWSは「完璧ではありません」と記し、ゼロショット学習では回答の精度はさまざまだとしています。
- ゼロから自分で作るには数千のGPUと数週間から数か月の専用の学習時間が必要(NVIDIA)。個人としては、すでにあるLLMを使いこなす側に立つのが現実的な入り口です。
LLMとは何かを公式の定義で確かめる
3社の公式ページの説明を並べると、言い回しは違っても指しているものは同じだと分かります。
| 出典 | LLMの説明 |
|---|---|
| Google Cloud | 大量のデータでトレーニングされた統計言語モデルで、テキストやその他のコンテンツの生成と翻訳や、その他の自然言語処理(NLP)タスクの実行に利用できる |
| AWS | 膨大な量のデータで事前トレーニングされた、非常に大規模な深層学習モデル |
| NVIDIA | 非常に大規模なデータセットを使用してコンテンツを認識、要約、翻訳、予測、生成することができるディープラーニング アルゴリズム |
LLMはLarge Language Modelの略で、日本語では大規模言語モデルと呼ばれます。「言語モデル」とは、文章の中で言葉がどう並びやすいかを扱うモデルのことです。そこに「大規模」が付く理由は主に2つあります。
ひとつはデータの量です。AWSによると、こうしたモデルは多くの場合インターネットから大量のデータを取り込むことができ、500億を超えるウェブページで構成されるCommon Crawlや約5,700万ページのWikipediaなどのソースからも大量のデータを取り込めます。Google Cloudも、ニューラルネットワークのトレーニングに使用するデータが多いほど、そのタスクの実行の質と精度が向上すると説明しています。
もうひとつはパラメータの量です。パラメータとは、モデルの中で調整される数値のことで、AWSは重みとバイアス、および埋め込みをモデルパラメータと呼んでいます。Transformerのニューラルネットワークアーキテクチャでは数千億ものパラメータを持つ非常に大きなモデルを使用でき、例としてAWSはOpenAIのGPT-3モデルには1,750億個のパラメータがあると挙げています。NVIDIAも、2021年にNVIDIAとMicrosoftが5,300億のパラメーターを持つMegatron-Turing Natural Language Generation 530Bを開発したと記しています。
基盤モデルという言い方
NVIDIAは、LLMは広範な学習プロセスを経ているため特定のタスク向けに学習される必要がなく、代わりに複数の用途に対応することができ、このようなタイプのモデルは基盤モデルとして知られていると説明しています。AWSも、1つのモデルで質問への回答、ドキュメントの要約、言語の翻訳、文章の完成などまったく異なるタスクを実行できるとしています。Google Cloudも、LLMは柔軟性が非常に高く、テキスト生成、要約、翻訳などのさまざまなタスクを実行するようにトレーニングできると説明しています。1つの道具が複数の役をこなす点が、要約専用・翻訳専用に作り分ける考え方との違いです。
LLMの仕組みをやさしく分解する
言葉を数字のベクトルに置き換える
AWSは、LLMの仕組みを左右する重要な要素は単語の表現方法だと説明しています。以前の形式の機械学習では数値表を使って各単語を表していましたが、その表現形式では意味が似ている単語などの単語間の関係を認識できませんでした。この制限は、一般的に単語埋め込みと呼ばれる多次元ベクトルを使用して単語を表現し、文脈上の意味やその他の関係が類似する単語がベクトル空間内で互いに近くなるようにすることで克服されたとしています。言葉を地図の上の点に置き換える作業に近く、意味の近い言葉が近くに並ぶイメージです。
Transformerと2つの革新
NVIDIAは、大規模言語モデルは主にTransformerネットワークと呼ばれるディープラーニング アーキテクチャのクラスを表し、Transformerモデルは連続したデータ内の関係を追跡することで文脈と意味を学習するニューラル ネットワークだと説明しています。Transformerは層とも呼ばれる複数のTransformerブロックで構成され、Self-Attention層、Feed-Forward層、正規化層があり、これらすべてが連携して推論時に入力を解読し出力ストリームを予測するとされています。
そして2つの重要な革新によってTransformerが大規模言語モデルに適したものになったとし、その2つを位置エンコーディングとセルフアテンションだと挙げています。
- 位置エンコーディングは、与えられたシーケンス内で入力が発生する順序を埋め込むもので、これにより単語を非順次にフィードすることができます。
- セルフアテンションは、入力データを処理する際にその各部分に重みを割り当てます。この重みは文脈におけるその入力の残りの部分に対する重要性を示し、モデルはすべての入力に同じ注意を払う必要がなくなり、実際に重要な入力の部分に集中できるようになります。
AWSはこの構造を別の言い方でまとめていて、基盤となるトランスフォーマーは自己注意機能を備えたエンコーダーとデコーダーで構成されるニューラルネットワークのセットであり、エンコーダーとデコーダーは一連のテキストから意味を抽出し、その中の単語とフレーズの関係を理解するとしています。
並列処理ができるから大きくできる
AWSによると、入力を順次処理する以前のリカレントニューラルネットワーク(RNN)とは異なり、トランスフォーマーはシーケンス全体を並列に処理します。これにより、データサイエンティストはトランスフォーマーベースのLLMのトレーニングにGPUを使用できるようになり、トレーニング時間を大幅に短縮できるとされています。NVIDIAも、データを非連続的に処理できるため複雑な問題を複数の小さな同時計算に分解でき、GPUはこの種の問題を並行して解決するのに適していると述べています。「並列にできる」ことが「大きくできる」理由になっているという流れです。
学習から出力までの流れ
公式解説に書かれている範囲で、学習と出力の流れを並べると次のようになります。
- 大量のテキストデータを集める。AWSはCommon CrawlやWikipediaなどのソースを例に挙げています。
- 単語を単語埋め込み(多次元ベクトル)で表現し、エンコーダーを介してテキストを数値表現として前処理する(AWS)。
- 位置エンコーディングで入力の順序を埋め込み、セルフアテンションで各部分に重みを割り当てる(NVIDIA)。
- トレーニング中、モデルは前の入力トークンのシーケンスから次のトークンを正しく予測するまでパラメータ値を繰り返し調整する(AWS)。NVIDIAによれば、この学習は教師なし学習を使用して行われ、ラベルなしのデータセットからこれまで知られていなかったパターンを見つけます。
- トレーニングが完了したら、比較的少量の教師ありデータを使用してLLMで複数のタスクを実行できるようにする。AWSはこのプロセスをファインチューニングと呼んでいます。
- 出力時は、LLMが言語に関する知識をデコーダーを通じて適用し、独自の出力を生成する(AWS)。
AWSは、トランスフォーマーLLMは教師なしでのトレーニングが可能で、より正確にはトランスフォーマーは自己学習を行うと述べています。ChatGPTやGeminiなどのサービスで使い始めるときの画面上の操作は、各サービスの公式のヘルプの手順に沿って進めてください。
使い方を寄せる3つの段階
AWSは一般的な学習モデルとして次の3つを挙げています。
- ゼロショット学習: ベースLLMはトレーニングを明示的に行わなくてもプロンプトの幅広い要求に応えることができますが、回答の精度はさまざまです。
- フューショット学習: 関連するトレーニング例をいくつか提供することで、その特定の領域におけるベースモデルのパフォーマンスが大幅に向上します。
- ファインチューニング: データサイエンティストがベースモデルをトレーニングして、特定のアプリケーションに関連する追加データを使用してパラメータを調整します。
NVIDIAも、多くの指示や学習を必要とせずにさまざまな目的のテキストを生成する基盤モデルの能力をゼロショット学習と呼び、そのバリエーションにワンショット学習やフューショット学習を挙げ、精度を高めるテクニックとしてプロンプト チューニング、ファインチューニング、アダプターなどを挙げています。個人の使い方で効いてくるのはフューショット学習の考え方で、指示だけを投げるのではなく望ましい答えの例を1〜2個添えて渡すとよいでしょう。これは仕様の説明ではなく、公式に書かれた性質から導いた進め方の目安です。
LLMの得意なことと苦手なこと
得意なこととして挙げられている用途
NVIDIAは、テキストベースのコンテンツに対するLLMの使用例を次のように分類しています。
| 分類 | 公式解説に挙げられている例 |
|---|---|
| 生成 | ストーリーの執筆、マーケティング コンテンツ制作 |
| 要約 | 法的な言い換え、会議メモの要約 |
| 翻訳 | 言語間、テキストからコードの変換 |
| 分類 | 有害性分類、センチメント分析 |
| チャットボット | オープンな質疑応答、仮想アシスタント |
Google Cloudも、テキスト駆動型LLMはテキスト生成、機械翻訳、テキスト要約、質問応答、人間と会話できるchatbotの作成など、さまざまな自然言語処理タスクに使用されるとしています。AWSは実用的な用途としてコピーライティング、ナレッジベースへの回答、テキストの分類、コードの生成、テキスト生成を挙げ、LLMは自然言語プロンプトからのコード生成に長けていると述べています。分類については、クラスタリングを使用すると意味や感情が似ているテキストを分類でき、顧客センチメントの測定やドキュメント検索などの用途があるとしています。
扱えるデータはテキストだけではありません。Google Cloudは、LLMはコード、画像、音声、動画など他の種類のデータでもトレーニングできるとし、Veo、Imagen、Chirpをその例に挙げています。
モデルの型による向き不向き
NVIDIAは、大規模言語モデルには用途に適したいくつかのクラスがあるとして次の3つを挙げています。
| 型 | 適しているとされる用途 | 挙げられている例 |
|---|---|---|
| エンコーダーのみ | 分類やセンチメント分析など、言語を理解できるタスク | BERT |
| デコーダーのみ | 言語とコンテンツの生成。ストーリーの執筆やブログの生成 | GPT-3 |
| エンコーダー/デコーダー | コンテンツの理解と生成の両方。翻訳や要約 | T5 |
「理解に寄った型」と「生成に寄った型」があると知っておくと、用途ごとに向き不向きが出る理由が腹に落ちます。
苦手なこととして書かれていること
AWSは「完璧ではありませんが、LLMは比較的少数のプロンプトやインプットに基づいて予測を行う優れた能力を発揮しています」と書いています。同じページでは将来について、デベロッパーがバイアスを減らし、誤った回答を排除しながらパフォーマンスを向上させる方法を学ぶにつれて、今後のリリースでは精度が向上し能力が強化されるだろうと述べています。バイアスと誤った回答が向き合うべき課題として挙げられているわけです。加えて、ゼロショット学習では回答の精度はさまざまだと明記されています。例も文脈も与えずに投げた質問の答えが安定しないのは、使い方の失敗というより性質として説明されていることだと理解しておくと落ち着いて付き合えます。
作る側の課題も書かれています。NVIDIAは、多くの企業は大規模な言語モデルを学習させるのに十分な大きさのデータセットにアクセスするのに苦労しており、この問題は財務データや健康データなどのプライベートなデータが必要なケースではより深刻になるとしています。
使い分けの考え方(目安)
ここからは出典にある事実をもとにした考え方の整理です。仕様ではなく目安として読んでください。
| やりたいこと | 考え方(目安) |
|---|---|
| 長い資料の内容をつかむ | 要約が用途として挙げられているので向きやすい。原文を手元に置いて照合する前提で使うとよい |
| 事実関係を確かめる | 誤った回答が課題として挙げられているため、答えをそのまま結論にせず一次情報で確かめる使い方が安心 |
| 文章の言い換えやトーン調整 | 生成・コピーライティングが用途に挙げられている領域。叩き台づくりに向く |
| アンケートや問い合わせの仕分け | 分類やセンチメント分析が用途に挙げられている。基準を言葉で示して渡すとよい |
| 社内の独自ルールへの対応 | フューショット学習やファインチューニングの考え方が公式に挙げられている。例を添えるか、公式ページで最新の方法を確認する |
そのまま試せるプロンプト例
公式解説にある用途(要約・分類・生成)に沿った例です。角かっこの中を自分の状況に置き換えて使ってください。出力の形まで指定しておくと、後の作業がつながりやすくなります。
【役割】
あなたは社内資料を読み慣れた編集担当です。
【前提】
これから貼る文章は、[社内向けの業務マニュアル/会議の議事録]です。
読み手は[その業務を初めて担当する新人]です。
【やってほしいこと】
1. 全体の要点を3つの箇条書きにする
2. 読み手が最初に取りかかるべきことを1文で示す
3. 解釈が分かれそうな箇所を、引用つきで最大3つ挙げる
【出力の形】
箇条書きのみ。原文に書かれていないことは「原文に記載なし」と書く。
【対象の文章】
---
[ここに本文を貼る]
---
【やってほしいこと】
次の問い合わせ文を、下の3分類のどれかに仕分けしてください。
【分類の基準】
A: 使い方が分からないという質問
B: 不具合やエラーの報告
C: 要望や改善の提案
【出力の形】
| 番号 | 本文の冒頭20字 | 分類 | 判断の理由(15字以内) |
のMarkdown表。どれにも当てはまらない場合は分類を「保留」とし、理由に迷った点を書く。
【対象】
1. [問い合わせ文]
2. [問い合わせ文]
3. [問い合わせ文]
【前提】
私は[職種]で、[取引先に送るメールの下書き]を作りたいです。
相手は[初回の打ち合わせを終えた見込み顧客]で、用件は[次回日程の確認と資料の送付]です。
【やってほしいこと】
まず、書く前に不足している情報を質問として3つ挙げてください。
私が答えたあとで、本文を2案(丁寧め/簡潔め)作ってください。
【出力の形】
質問は箇条書き3つ。本文は各200字以内。件名も添える。
確認できない数字や日付は入れず、[要確認]と書く。
3つ目のように「書く前に質問させる」形は、前提が足りないまま文章が出てくるのを防ぐ使い方として覚えておくと便利です。いずれも出典に書かれた機能ではなく、進め方の例として捉えてください。
職種別の使い方の例
公式解説にも職種ごとの活用例が挙げられています。NVIDIAは、ファイナンス担当者はLLMを使用して決算報告を要約し重要な会議の記録を作成することができるとし、マーケティング担当者は顧客のフィードバックやリクエストを集めて整理したり、製品の説明に基づいて製品をカテゴリに分類したりするためにLLMを学習させることができるとしています。小売業者はチャットボットを活用して顧客に優れた顧客体験を提供することができ、開発者はLLMを利用してソフトウェアを記述し、ロボットに物理的な作業の実行方法を教えることができるとも述べています。ここから身近な職種に引き寄せた例を考えてみます。いずれも例であり仕様の説明ではありません。
営業
商談メモから要点と次の一手を整理する使い方が考えられます。要約が公式に挙げられている用途なので相性がよい領域です。価格や納期といった数字は自分で確認し、LLMには文章の形を整えてもらう線引きをしておくと安心です。提案書の構成案を3通り出させて選ぶ使い方も、叩き台づくりとして扱えば無理がありません。
事務
議事録の下書きづくりや問い合わせの仕分けが入り口になります。会議メモの要約はNVIDIAの要約の例に挙げられており、分類も用途のひとつとして示されています。分類の基準を自分の言葉で書き出して渡すと、同じ基準で仕分けを続けやすくなります。社内の規程で扱いが決まっている情報は入力せず、ひな形づくりから始めるとよいでしょう。
企画
NVIDIAは、スランプに悩む作家は大規模な言語モデルを使用して創造性をかき立てることができると述べています。企画でも案を10個出させて自分で絞る、反対意見を書かせて穴を探すといった進め方が考えられます。最後の判断は人が持ち、LLMには材料を広げる役を任せる形がなじみます。
よくある失敗と対策
- 答えをそのまま信じてしまう。AWSはLLMは完璧ではないとし、誤った回答が今後の課題として挙げられています。数字・固有名詞・日付を含む答えは原典に当たってから使い、出力の形に「根拠の引用」を入れておくとよいでしょう。
- 前提を書かずに短く頼む。ゼロショット学習では回答の精度はさまざまだと公式に書かれています。読み手・目的・出力の形の3点を添えるだけで、返ってくる文章の方向が定まりやすくなります。
- 例を見せずに「いい感じに」と頼む。フューショット学習は、関連するトレーニング例をいくつか提供することで特定の領域のパフォーマンスが大幅に向上すると説明されています。望ましい答えのサンプルを1つ添える工夫が効きます。
- 1回の指示に目的を詰め込む。NVIDIAの分類(生成・要約・翻訳・分類・チャットボット)を思い出し、1回につき1つの用途に絞って重ねていく進め方が扱いやすいです。
- 社外に出せない情報の扱いを決めないまま使う。NVIDIAは、財務データや健康データなどのプライベートなデータが必要なケースでは課題がより深刻になると述べています。何を入力してよいかは所属先の規程を確認し、迷う場合は社内の担当部署や公式窓口に確認してください。
よくある質問
LLMと生成AIは同じものですか
同じではありませんが重なり合っています。AWSは、LLMは生成AI(人工知能)に使用でき、人間の言葉による入力プロンプトに基づいてコンテンツを作成できると説明しています。生成AIという目的を実現する中核の技術としてLLMがあるという関係です。全体像は生成AIとは|仕組み・できること・リスクを国の資料で基礎からでも整理しています。
何をもって大規模と呼ぶのですか
データ量とパラメータ数の両方です。AWSによればTransformerのアーキテクチャでは数千億ものパラメータを持つ非常に大きなモデルを使用でき、GPT-3モデルには1,750億個のパラメータがあるとされています。データ側では、500億を超えるウェブページで構成されるCommon Crawlなどが取り込み元の例として挙げられています。
LLMは間違えることがありますか
公式解説でも前提として書かれています。AWSは「完璧ではありません」と記し、将来についてはバイアスを減らし誤った回答を排除しながら精度が向上していくだろうと述べています。重要な判断に使うときは、答えを結論ではなく下書きとして扱うのが無難です。
自分でLLMを作ることはできますか
NVIDIAは、LLMの維持と開発には多額の設備投資、技術的専門知識、大規模なコンピューティング インフラが必要で、学習には数千のGPUと数週間から数か月の専用の学習時間が必要だとしています。さらに、1,750億のパラメーターを持ち3,000億のトークンで学習させたGPT-3モデルの1回の学習実行には、計算だけで1,200万ドル以上のコストがかかる可能性があるという試算も示されています。個人が作る対象ではなく、使う対象と考えるのが現実的です。
日本語でも使えますか
機械翻訳や言語間の翻訳は公式解説でも用途に挙げられています。モデルごとの対応については、AWSはCohereのCommandモデルについて100以上の異なる言語で動作すると記しています。各サービスの対応状況や料金は更新されることがあるため、2026年11月時点の公式ページで最新の情報を確かめてください。
会社やチームで使うなら
チームで使うときは、技術そのものより線引きの合意が先に効きます。何を入力してよいか、出力をどこまで信じるか、誰が最終確認するか。この3つを先に文章にしておくと、人によって使い方がぶれにくくなります。NVIDIAが挙げている要約・分類といった用途から1つ選んで小さく始め、うまくいった指示文を共有財産にしていく進め方がなじみます。法人で導入や研修をまとめて考えるなら、法人向けAIリスキリングサービスで導入社数No.1(東京商工リサーチ・2026年3月末時点)の株式会社デジライズに相談できます。
あわせて読みたい
まとめ
LLMとは、膨大な量のデータで事前トレーニングされた非常に大規模な深層学習モデルであり、Transformerという仕組みの上で次のトークンを予測する学習を積み重ねたものだと公式解説は説明しています。だからこそ生成・要約・翻訳・分類・チャットボットが得意で、だからこそ誤った回答という課題も残ります。前提と例を添えて指示を出し、最後は自分で確かめる順番を押さえるだけで使い心地は変わります。仕事の文脈に沿って体系的に学びたい場合は、デジライズAIスクールのコース一覧や料金プランで「営業・企画・提案職のAI活用全体図(職種別|営業・企画・提案職)」のような職種別の講座をのぞいてみてください。
出典
この記事は、各社の公式のヘルプ・ドキュメントや公的機関の資料をもとに AI で下書きし、出典の本文との照合とGoogle 検索による事実確認(ファクトチェック)を通ったものだけを公開しています。料金や機能は変わることがあるため、使う前に公式ページで最新の情報を確かめてください(2026年11月6日時点)。
