← PC・IT用語集へ戻る

LLM

Large Language Model
ai beginner
大量の文章データを学習し、人間の言葉を処理・生成するように作られたAIモデルのこと。文章作成、要約、翻訳、コード生成などに使われる。
LLM (Large Language Model)

概要（サマリー）

LLMとは、大量の文章データを学習し、人間の言葉を処理・生成するように作られたAIモデルのことである。

正式には Large Language Model、日本語では「大規模言語モデル」と呼ばれる。ChatGPTのようなAIチャット、文章作成、要約、翻訳、コード生成、質問回答などの土台になっている技術である。初心者向けには、「大量の文章を学習して、次に来る言葉や自然な返答を予測できるようになったAI」と考えるとわかりやすい。

詳細解説

LLMは「言葉を扱うAIモデル」である

LLMは、人間が使う自然な言葉を扱うために作られたAIモデルである。
ここでいうモデルとは、入力された文章をもとに、次にどのような文章を返すかを判断する仕組みのことである。

たとえば、LLMは次のようなことができる。

  • 質問に答える
  • 文章を要約する
  • 文章を書き換える
  • 翻訳する
  • コードを生成する
  • エラーの原因を説明する
  • アイデアを出す
  • 会話の流れに合わせて返答する

つまりLLMは、単に文章を表示するだけの仕組みではなく、言葉の関係性や文脈をもとに、もっともらしい返答を生成するAIである。

なぜ「大規模」と呼ばれるのか

LLMの「大規模」は、主に学習に使うデータ量や、モデル内部の規模が非常に大きいことを指している。

従来の小さな言語処理システムでは、限られたルールや辞書をもとに処理することが多かった。
一方、LLMは非常に多くの文章パターンを学習し、幅広いテーマについて自然な文章を生成できるように作られている。

そのため、LLMは次のような特徴を持つ。

  • さまざまな話題に対応しやすい
  • 文脈を見て返答を変えられる
  • 自然な文章を生成しやすい
  • プログラミングや専門分野にもある程度対応できる
  • 指示の出し方によって出力が変わる

ただし、大規模だからといって何でも正確に理解しているわけではない。
あくまで、学習したパターンや入力された文脈をもとに出力している点は押さえておきたい。

LLMはどうやって返答しているのか

LLMは、入力された文章を読み取り、その流れに続く自然な言葉を予測しながら返答を作る。
初心者向けにかなり単純化すると、「この文脈なら次にどんな言葉が来ると自然か」を高速に判断しているようなイメージである。

たとえば、

今日は天気がいいので、散歩に

と入力されたら、次に「行きたい」「出かける」「行きました」などが自然だと予測できる。
LLMはこのような予測を非常に大規模かつ複雑に行い、長い文章や会話、コードまで生成できるようになっている。

ただし、これは人間のように体験して理解しているというより、言葉の関係性や文脈のパターンをもとに処理していると考えるとよい。

Prompt（プロンプト）との関係

LLMを使うときに重要なのが Prompt（プロンプト） である。
Promptとは、AIに対して出す指示や質問文のことである。

LLMは、入力されたPromptをもとに返答を作る。
そのため、同じLLMでも、Promptの書き方によって結果は大きく変わる。

たとえば、次の2つでは返答の方向性が変わりやすい。

SEOについて教えて

初心者向けに、SEOとは何かを中学生でもわかるように説明してください。
最後に、Webサイト運営者が最初に見るべきポイントを3つ挙げてください。

後者のほうが、対象読者や出力内容が明確なので、意図に近い返答を得やすい。
つまりLLMは、Promptによって能力の引き出され方が変わる道具である。

Token（トークン）との関係

LLMでは、Token（トークン） という考え方も重要である。
Tokenとは、AIが文章を処理しやすいように分割した単位である。単語、単語の一部、記号などがTokenとして扱われる。

LLMは文章をそのまま丸ごと読むのではなく、細かいTokenに分けて処理する。
そのため、長い文章、長いコード、大量の会話履歴を扱うと、多くのTokenを消費する。

LLMには、一度に扱えるToken数の上限がある。
その上限を超えると、古い文脈が入りきらなかったり、出力が短くなったり、エラーになったりすることがある。

つまりTokenは、LLMにとっての「一度に扱える情報量」を理解するための重要な単位である。

Context（コンテキスト）との関係

LLMは、入力された文章だけでなく、会話の流れや周辺情報も含めて返答を作る。
この背景情報や文脈を Context（コンテキスト） と呼ぶことがある。

たとえば、会話の前半で「WordPressの話をしている」と分かっていれば、その後に「この設定はどうする？」と聞いたときも、WordPress前提で答えやすくなる。
逆にContextが不足していると、LLMは前提を推測して答えるため、意図とズレることがある。

LLMをうまく使うには、必要なContextを適切に渡すことが重要である。
ただし、何でも詰め込みすぎるとTokenを消費しすぎるため、必要な情報を整理して渡す感覚も大切になる。

Chatbot との違い

LLMと混同されやすい言葉に Chatbot がある。

  • LLM
    言葉を処理・生成するAIモデルそのもの
  • Chatbot
    ユーザーと会話するためのアプリや仕組み

たとえば、ChatGPTのようなサービスはチャット形式で使えるためChatbotのように見える。
しかし、その裏側ではLLMが文章を生成している。

つまり、Chatbotは「会話する画面やサービス」、LLMは「その返答を作る頭脳部分」と考えるとわかりやすい。

Generative AI（生成AI） との違い

もう1つ近い言葉に Generative AI（生成AI） がある。
Generative AIは、文章、画像、音声、動画、コードなどを生成するAI全般を指す広い言葉である。

  • Generative AI
    何かを生成するAI全般
  • LLM
    その中でも主に言葉やテキストを扱う大規模なAIモデル

つまりLLMは、Generative AIの一種と考えられる。
画像生成AIや音楽生成AIもGenerative AIに含まれるが、それらがすべてLLMというわけではない。

LLMが得意なこと

LLMは、言葉やコードを扱う作業が得意である。

たとえば、次のような作業に向いている。

文章作成

ブログ記事、メール文、説明文、SNS投稿などを作る。

要約

長い文章や議事録、仕様書を短くまとめる。

翻訳

日本語から英語、英語から日本語などの翻訳を行う。

コード生成

HTML、CSS、JavaScript、PHP、Pythonなどのコードを作る。

コード説明

既存コードが何をしているかを説明する。

アイデア出し

企画、改善案、見出し案、設計案などを出す。

このようにLLMは、知識作業や言語作業の補助として非常に強力である。

LLMが苦手なこと・注意点

LLMは便利だが、万能ではない。
特に次の点には注意が必要である。

間違ったことを自然に言うことがある

LLMは、もっともらしい文章を作るのが得意である。
そのため、誤った情報でも自然で説得力のある文章として出してしまうことがある。
これを Hallucination（ハルシネーション） と呼ぶ。

最新情報に弱い場合がある

モデルや環境によっては、最新ニュース、価格、仕様変更、法律、サービス内容などを正確に知らないことがある。
最新情報が必要な場合は、公式情報や信頼できる情報源で確認する必要がある。

文脈が不足すると推測で補う

必要な前提が足りないと、LLMはそれらしい前提を補って答えることがある。
そのため、具体的な条件や背景を伝えることが重要である。

計算や厳密な検証が苦手なことがある

単純な文章生成は得意でも、複雑な計算や厳密な事実確認ではミスすることがある。
重要な判断では検証が必要である。

セキュリティや権限の判断は慎重に行う

AIが提案したコマンドやコードをそのまま実行すると、削除、上書き、情報漏えいなどのリスクがある。
特にサーバー作業や本番環境では、人間側の確認が欠かせない。

AIコーディングでLLMが重要な理由

AIコーディングの中心には、多くの場合LLMがある。
LLMは、自然言語の指示を受け取り、コードを作成したり、エラーを説明したり、修正案を出したりできる。

たとえば、次のような使い方ができる。

つまりLLMは、人間の言葉とコードの間を橋渡しする存在でもある。
ただし、AIが出したコードをそのまま信用するのではなく、動作確認、差分確認、セキュリティ確認を行うことが重要である。

LLMをうまく使うコツ

LLMを実務で使うなら、次のような使い方が有効である。

目的を具体的に伝える

「いい感じにして」より、「スマホでも見やすいカードUIにしてください」のほうが意図が伝わりやすい。

前提条件を整理して渡す

使用言語、フレームワーク、現在の問題、期待する動作などを伝えると、精度が上がりやすい。

一度に詰め込みすぎない

長すぎるコードや大量の条件を一度に渡すと、重要な点が埋もれることがある。
必要に応じて分割して依頼するとよい。

出力を確認する

AIの答えは便利な提案だが、最終判断は人間が行う。
コードなら実行確認、文章なら事実確認、設定なら安全確認が必要である。

役割分担を意識する

LLMは草案作成、要約、改善案、コード生成、説明に強い。
一方で、最終的な責任判断や本番反映は人間側で行うべきである。

初心者向けの理解の仕方

最初は、LLMを「言葉の流れを処理して、返事や文章を作れるAIの頭脳」と考えるとわかりやすい。

そして、次のように整理すると理解しやすい。

  • LLM = 言葉を扱うAIモデル
  • Prompt = AIへの指示
  • Token = AIが処理する情報量の単位
  • Context = 会話や背景情報
  • Hallucination = もっともらしい間違い

この関係が見えると、ChatGPTやAIコーディングツールをより安全に、より効果的に使いやすくなる。

よくある勘違い

LLMは名前だけ覚えれば十分？

名前だけでは不十分である。
実際の開発では、どんな場面で使われ、何と混同しやすいかまで理解しておくと判断しやすい。

LLMはAIに任せれば理解しなくてよい？

そうではない。
AIは説明やコードを出せるが、最終的にその内容が正しいか、今の目的に合っているかを確認するのは人間である。

LLMは単独で覚えればよい？

単独ではなく、関連する用語や実際の作業の流れと一緒に覚えると理解しやすい。
用語同士のつながりを意識すると、AIへの質問やエラー調査もしやすくなる。

まとめ

  • LLMは、大量の文章データを学習し、人間の言葉を処理・生成するように作られたAIモデルのこと。
  • 関連する用語や実際の作業場面と一緒に理解すると、使いどころを判断しやすい。
  • AIコーディングでは、用語の意味を理解しているほど、AIの説明や生成コードを確認しやすくなる。
  • 迷ったときは、エラー内容、目的、前提条件を整理してAIに聞くとよい。

より詳しくAIに聞いてみよう

  • LLMとは何かを、中学生でもわかるように具体例つきで説明してください。
  • LLMとChatbotとGenerative AIの違いを、初心者向けに整理してください。
  • Prompt と Token と Context がLLMでどう関係するのか教えてください。
  • LLMがHallucinationを起こす理由と、対策を具体例つきで説明してください。
  • AIコーディングでLLMを安全に使うための注意点を教えてください。