
生成AI関連用語:モデル多様化・学習技術からエージェントまで(2026年2月時点)
生成AI(Generative AI)の進化スピードは凄まじく、毎週のように新しいアルファベットの略語が登場します。この記事では、最新のモデル構造(LLM, SLM, MoE等)から、実用化に欠かせない学習・軽量化技術(PEFT, 量子化)、そしてAIに思考と行動させるための推論システム(CoT, RAG, ReAct)まで、今押さえるべき重要キーワードを4つのカテゴリで体系的に解説します。
単なる用語集としてだけでなく、技術の進化と全体像を掴むための「見取り図」としてご活用ください。
1. モデルの多様化と進化
「大きければ良い」という時代から、用途やコストに合わせて最適なサイズや構造、専門性を持ったモデルを選び分けるフェーズへとシフトしています。
1.1 サイズと構造の最適化
■ LLM (Large Language Model / 大規模言語モデル)
概要: 膨大なテキストデータで学習された、数千億パラメータ規模のモデル。
特徴: 幅広い知識と高い汎用性を持ちますが、運用コストが高く、巨大な計算リソース(GPU)を必要とします。
■ SLM (Small Language Model / 小型言語モデル)
概要: LLMに比べてパラメータ数を数億〜数十億程度に抑えた軽量モデル。
特徴: スマホやノートPCなどの「エッジデバイス(オンデバイス)」で動作可能です。クラウドにデータを送る必要がないため、**セキュリティ(プライバシー保護)や低遅延(レスポンスの速さ)**の観点で有利です。
■ sLLM (Smaller Large Language Model)
概要: SLMとほぼ同義ですが、ニュアンスとして「LLMの性能を維持しつつ、企業が自社専用にチューニングしやすいサイズ感(70億〜100億パラメータ周辺)」を指すことが多いです。
特徴: コストパフォーマンスが良く、特定のタスクに特化させたファインチューニング(PEFTなど)に適しています。
■ MoE (Mixture of Experts / 専門家混合モデル)
概要: 1つの巨大な脳ではなく、「数学」「文学」「コーディング」など、特定のタスクに特化した複数の「専門家(Expert)」モデルを束ねたアーキテクチャ。
特徴: 入力された質問に対してゲートネットワークが適切な専門家のみを呼び出すため、推論速度の向上とコスト削減を実現します。ノーフリーランチ定理の解決策としても有効です。
■ SSM (State Space Model / 状態空間モデル)
概要: Transformerアーキテクチャの課題(長文入力時の計算量が二乗で増える点)を克服するために注目される、次世代のモデル構造。
特徴: 非常に長い文脈(ロングコンテキスト)を高速かつ線形計算量で処理でき、メモリ効率が良いです。
1.2 機能特化と拡張
■ LMM (Large Multimodal Model / 大規模マルチモーダルモデル)
概要: テキストだけでなく、画像、音声、動画など「複数の感覚(モダリティ)」をネイティブに理解・生成できるモデル。
特徴: 従来の「画像認識AI」と「言語モデル」をつなぎ合わせるのではなく、最初からマルチモーダルとして学習されているため、相互の理解(画像について会話するなど)がスムーズです。
■ LRM (Large Reasoning Model / 大規模推論モデル)
概要: 即答するのではなく、人間のように時間をかけて論理的な思考(推論)を行うことに特化したモデル。
特徴: System 2 Thinking (システム2思考) を実装しており、直感的な回答ではなく、思考の連鎖(CoT)を内部で回して自己検証しながら回答を生成します。数学やプログラミング、複雑な論理パズルに強いです。
■ LAM (Large Action Model / 大規模行動モデル)
概要: 「言う(Generate)」だけでなく「行う(Act)」ことに特化したモデル。
特徴: アプリケーションのUI構造を理解し、人間の代わりにボタンを押したり、フォームに入力したり、フライトを予約したりといった**「実世界でのアクション」**を実行します。
■ LCM (Large Concept Model / 大規模概念モデル)
概要: 単語(トークン)単位ではなく、より抽象度の高い「概念(Concept)」や「文・段落」レベルでの処理を目指す新しいアプローチ。
特徴: 言語やモダリティに依存しない「概念」として情報を処理するため、多言語間のゼロショット翻訳や要約などで高い性能を発揮します。
■ HLM (Hierarchical Language Model / 階層型言語モデル)
概要: テキストをフラットな単語列としてではなく、単語 < 文 < 段落 < 文書 といった階層構造として処理するモデル。
特徴: 人間の脳のように、詳細な処理を行う下位モジュールと、抽象的な計画を行う上位モジュールを組み合わせることで、長文の一貫性維持や複雑な推論(Hierarchical Reasoning)を効率化します。
2. 学習とチューニング技術
モデルをより賢く、より使いやすくするために。開発者や導入担当者が知っておくべき、モデルの「教育」と「軽量化」に関する重要概念です。
2.1 代表的な学習ステップ
■ Pre-training (事前学習)
概要: 大量のテキストデータを読み込み、言語のパターンや一般知識を学習させる工程。
特徴: モデルの「基礎能力」がここで形成されますが、まだ単に次の単語を予測するだけで、ユーザーの指示に正確に従うことは苦手です。
■ SFT (Supervised Fine-Tuning)
概要: 人間が作成した「質問」と「回答」のペアデータを学習させ、指示に従えるようにする工程。
特徴: ユーザーの意図を汲み取り、要約や翻訳、計算などのタスクをこなす「指示追従能力(Instruction Following)」を身につけます。これによりAIアシスタントとして機能するようになります。
■ RLHF (Reinforcement Learning from Human Feedback)
概要: AIの回答を人間が評価し、そのフィードバックを元に強化学習を行う工程。
特徴: 有害な出力を抑制したり、より自然で役に立つ回答(Helpful, Honest, Harmless)をするように「人間好み」に調整(アライメント)され、安全性が高まります。
2.2 チューニング・軽量化のトレンド技術
■ PEFT / LoRA
概要: モデルの全パラメータではなく、ごく一部(アダプタ)だけを追加・学習させる効率的な手法。
特徴: 計算コストを劇的に下げられるため、家庭用GPUでもLLMの追加学習(ファインチューニング)が可能になります。
■ Distillation (蒸留)
概要: 「巨大なモデル(教師)」の知識を、「小さなモデル(生徒)」に教え込む技術。
特徴: 教師モデルの回答を真似させることで、サイズは小さいのに高性能なモデルを作ることができます。
■ Quantization (量子化)
概要: モデルの重みデータの精度を落として圧縮する技術(例: 16bit → 4bit)。
特徴: 若干の精度低下と引き換えに、メモリ消費量を1/4程度まで圧縮し、動作速度を向上させます。
3.推論・システムの高度化
高性能なモデルのポテンシャルを最大限に引き出すための技術です。「プロンプトによる推論強化」から、「外部連携・自律行動」まで、AI活用の幅を広げるアプローチを紹介します。
3.1 推論プロセスの高度化
■ CoT (Chain of Thought)
概要: 「ステップバイステップで考えて」と指示することで、AIに答えだけでなく「思考過程」を出力させる手法。
特徴: 中間的な推論ステップを明示させることで、複雑な計算や論理問題の正答率を大幅に向上させます。
■ ToT (Tree of Thoughts)
概要: CoTの進化版。一つの思考プロセスだけでなく、複数の可能性(思考のパス)を並行して検討し、探索する手法。
特徴: 将棋の読みのように「この手を選んだらどうなるか」を分岐して考え、行き詰まったら別の分岐に戻る(バックトラッキング)ことで最適解を見つけ出します。
3.2 知識拡張
■ RAG (Retrieval-Augmented Generation)
概要: AIに外部データベースや検索エンジンという「カンニングペーパー」を渡して回答させる技術。
特徴: AIが学習していない最新情報や、社外秘の内部情報に基づいた正確な回答が可能になり、ハルシネーション(嘘)を抑制できます。
3.3 AI Agentの構築
■ Agentic Workflow
概要: AIに一度で答えを出させるのではなく、「計画→実行→評価→修正」という人間のような試行錯誤のプロセス(ワークフロー)を行わせる手法。
特徴: Andrew Ng氏らが提唱。単発のプロンプトよりも、複数のエージェントが協調したり、ツールを使って反復作業を行ったりすることで、成果物の質が劇的に向上します。
■ ReAct (Reasoning + Acting)
概要: 「推論(Reasoning)」と「行動(Acting)」をループさせる手法。
思考「今の情報だけでは足りないな」
行動「Google検索を実行」
観察「検索結果を確認」
思考「これで回答できる」 といった自律的な動きを実現します。
特徴: 外部ツール(検索やAPI)を使いながら思考を進めるため、最新情報の利用やハルシネーション(嘘)の抑制に効果的です。単なる推論(CoT)だけでは解決できないタスクに対し、事実に基づいた(Groundingされた)信頼性の高い回答が可能になります。
4. 基礎概念・構成要素
生成AIを語る上で避けて通れない5つの基本キーワードを参考としてまとめておきます。これらはモデルや技術の解説を理解するための共通言語となります。
■ Transformer
概要: 2017年にGoogleが発表した論文「Attention Is All You Need」で提案された、現在の生成AIの基礎となるネットワーク構造。
特徴: 文中の単語同士の関係性(注目すべき場所)を並列処理で計算する「Attention機構」により、学習効率と精度を飛躍的に高めました。
■ Token (トークン)
概要: AIがテキストを処理する際の最小単位。「単語」よりも細かい「文字の塊」のようなもの。
特徴: 英語なら1単語≒1トークンですが、日本語は複雑なため消費トークン数が多くなる傾向があります(課金体系に直結します)。
■ Context Window (コンテキストウィンドウ)
概要: AIが一度のやり取りで記憶・処理できるトークン量の上限。「短期記憶の容量」にあたります。
特徴: これが広いと、本一冊分を丸ごと読んで要約したり、長いコードを一度に修正したりすることが可能です。
■ Embedding (エンベディング / 埋め込み)
概要: 言葉や画像を、AIが計算できるように「数値のベクトル(配列)」に変換する技術。
特徴: 「王様 - 男性 + 女性 = 女王」のような意味の計算が可能になり、RAG(検索)において文章の意味的類似度を測るために不可欠です。
■ Hallucination (ハルシネーション)
概要: AIが、事実ではないことをさも事実のように自信満々に生成してしまう現象。「幻覚」という意味です。
特徴: 確率的に「もっともらしい次の言葉」を繋げている仕組み上、完全になくすことは難しいとされていますが、RAGなどで抑制可能です。