香月 リサ 先生
今日は生成AIの話をするうえで避けて通れない重要ワード、基盤モデルについて本気で扱うわよ。
英語で Foundation Model と書くの。
深見 つむぎ
Foundation Model。
スタンフォード大学のHAIセンターが2021年頃から使い始めた呼称ですね。
大規模データで事前学習された、様々な用途に転用できる汎用モデルを指すと認識しています。
戸倉 ジャスミン
うーん、あたしちゃんと理解したいんだけど、LLMとどう違うの? ChatGPTの中身も基盤モデルって言っていいのかな?
香月 リサ 先生
いい切り込みね、ジャスミンさん。
LLMは「言語を扱う」という軸で切った呼び名で、基盤モデルは「汎用的な土台になっているか」という軸で切った呼び名なの。
つまりLLMは基盤モデルの一種、という関係ね。
画像を扱うStable Diffusionや、コード補完に強い各種モデルも、大規模事前学習で汎用の土台を作っていれば基盤モデルと呼ばれるわ。
雪村 ましろ
ぽわわ〜…土台って、お家を建てるときの基礎みたいな感じ? 上にいろんなお部屋を乗せられる、っていう…?
深見 つむぎ
補足すると、ましろちゃんの比喩は的確だと思います。
一度しっかりした土台(事前学習)を作れば、その上にファインチューニングやプロンプトエンジニアリングといった「建て増し」をして、翻訳・要約・医療相談など多様な用途に応用できる——それが基盤モデルの本質です。
戸倉 ジャスミン
なるほどね。
じゃあ代表例って何があるの? あたし名前を整理しておきたいんだよね、試験に出そうだし!
香月 リサ 先生
言語系だとGPT・Claude・Gemini・LLaMA。
画像系だとStable DiffusionやDALL-E。
マルチモーダルではGPT-4oやGemini 2.0などね。
いずれも巨大な計算資源で作られる点が共通よ。
雪村 ましろ
数千枚のGPUを何ヶ月も回して作る…って聞いたことあるなぁ。
だから、個人や小さな会社で作るのは現実的じゃないんだよねぇ。
深見 つむぎ
そこが論点ですね。
一部の組織にしか作れないことはAIガバナンス上の課題になります。
スケーリング則に従って性能が伸びる一方、電力消費や寡占の問題も議論されています。
戸倉 ジャスミン
うぅ…作る側になれないのは悔しいけど、使い方を徹底的に学ぶほうが、あたしたちには現実的だね。
バドの試合でも、相手のラケットを作るんじゃなくて戦術を磨く感じかな!
香月 リサ 先生
ジャスミンさんらしい整理ね。
そう、試験でも実務でも、基盤モデルを「どう選び、どう使うか」の観点が問われるわ。
学習済みの土台を賢く活用する力が、これからの必須スキルよ。
雪村 ましろ
そっか…誰かが作ってくれた土台があるから、ましろたちでもいろんなアプリを作れるんだね。
感謝しなきゃだねぇ。
深見 つむぎ
そしてもう一つ重要な論点があります。
基盤モデルは一度誤りや偏りを持つと、下流で派生する全ての応用に影響が波及します。
データバイアスや安全性の問題が一箇所に集中する構造なのです。
香月 リサ 先生
その通り、つむぎさん。
だからこそ基盤モデルの開発にはRLHFや安全性評価など、丁寧な調整が欠かせないのよ。
土台が歪んでいたら、上に建てた家も歪むからね。
戸倉 ジャスミン
うぅ…難しそうだけど、あたしたち使う側も、基盤モデルがどう作られてるかを知っておくのは大事なんだね!
確認クイズ
基盤モデル(Foundation Model)の説明として最も適切なものはどれか。
- ルールベースで動作する古典的AIの基盤部分
- 大規模データで事前学習され、様々なタスクに転用できる汎用モデル
- 特定タスク専用に一から設計された小型モデル
- 個人PCで数時間で学習できる軽量AI
こたえを見る
正解: 2. 大規模データで事前学習され、様々なタスクに転用できる汎用モデル
基盤モデルは大規模データによる事前学習で汎用的な表現を獲得し、ファインチューニングやプロンプトで多様なタスクに適応できる汎用モデルを指します。ルールベースは古典的AI、1タスク専用・軽量モデルは基盤モデルの定義とは逆の性質で、いずれも誤りです。
