LLM (大規模言語モデル) とは？
仕組みや種類、生成AIとの違いを解説

LLMはLarge Language Modelsの略で、大量のデータとディープラーニング (深層学習) 技術で構築された言語モデルを指します。従来の言語モデルに比べて、処理するデータ量や計算量が格段に増えているのが特長です。
また、言葉の予測や生成に使われるパラメータ (計算の基になる数値) の数も飛躍的に増加しています。これらの要因から、人間により近い自然な会話や高精度な処理が実現可能になりました。

LLMは、事前学習 (Pre-Training) と微調整 (Fine-Tuning) という2段階のプロセスを経て構築されています。
その後の基本的な処理の流れは以下のとおりです。

LLMのモデルによって細かな流れは異なりますが、基本的には以上の手順を繰り返して文書生成が実行されます。事前に大量のデータを学習し、得られた知識を基に、次に続くトークンの出現確率を計算し、最も適切な言葉や文章を生成する仕組みです。

ここでは、LLMと生成AI・ChatGPTとの違いについて解説します。

生成AIは、テキスト、画像、音声、動画など、さまざまな種類のコンテンツを自動で生成する技術を指します。一方、LLMは、生成AIの一種であり、特に自然言語の理解と生成に特化したモデルです。
つまり、生成AIは幅広いメディアコンテンツを生成できる包括的な技術であり、LLMはその中でもテキスト処理に焦点を当てたモデルといえます。

ChatGPT (Chat Generative Pre-trained Transformer) は、アメリカのOpenAIが開発・提供する対話型AIです。ビジネスから日常生活まで、幅広い分野で革新的なサービスとして注目を集めています。このChatGPTの基盤となっているのがLLMという技術です。ChatGPTはLLMを活用したサービスの一例であり、製品と技術という関係性に当たります。LLMはAIサービス構築において不可欠な要素です。

LLMの種類は、大きく以下の3つです。それぞれの特徴をみていきましょう。

OpenAI o1 (注1) は、2024年9月にOpenAI社が発表したLLMです。o1には思考プロセスが導入されており、科学的分析やプログラミングなどの複雑な問題解決に強みを持っています。さらに 2024年12月には 、より深い思考と高精度な回答を行うo1 pro modeと呼ばれるモデルも提供が開始されました。 同月には、次世代モデルo3 (注2) がOpenAI社から発表され、2025年4月には本格版とo4-mini (注3) がリリースされました。なお、コンパクトな推論モデルであるo3-miniとo3-mini high (注4) は2025年1月より提供されています。

Llamaシリーズは、Meta社が開発したLLMです。2023年7月に発表されたLlama 2 (注5) では70億、130億、700億パラメータの3種類を用意し、事前学習版とチャット特化版を公開しました。さらに、2024年9月のLlama3.2 (注6) では、モバイル利用向けの軽量テキストモデル (1B、3B) と、画像理解に優れたビジョンモデル (11B、90B) が加わっています。軽量テキストモデルは少ない計算リソースでの多言語対応を実現し、ビジョンモデルはベンチマークで優れた数値を記録しているのが特長です。

Gemini 2.0 Flash Thinking (注7) は、2024年12月に Google がリリースした新しいLLMです。同月発表の Gemini 2.0 Flash の派生モデルであり、回答時に思考過程を生成することで、より高度な推論が可能となっています。ベースとなる Gemini 2.0 Flash は、先代モデルの2倍の処理速度と高い精度を誇っており、特にコーディングや数学的問題解決に強みを持っているのが特長です。最新モデルは Google AI Studio と Gemini API で試験運用版として提供され、テキストと画像入力に対応しています。

LLMの強みは自然な文章理解と生成能力です。すでに以下のような幅広い分野で活用されています。

これらの活用分野のうち、ビジネス現場における具体的な活用例をみていきましょう。

KDDIはアルティウスリンク、ELYZAとの3社で、コンタクトセンター業務特化型LLMアプリケーションを開発しました。2024年9月から「Altius ONE for Support」として提供を開始し、業務効率化とサービス品質向上を実現しています。

また、ELYZAと明治安田生命保険相互会社では、電話対応後の「アフターコールワーク」を自動化しました。日本語特化型LLMによる応対メモの自動作成により、年間約55万件の作業時間を約30%削減できる見込みです。

LLMは古くから研究が進められてきた技術です。ここでは、LLMの歴史を簡単に紹介します。

LLMは強力なツールですが、ビジネスで活用する上では、いくつかの重要な課題とリスクを理解し、対策を講じる必要があります。

ハルシネーションとは、AIが事実に基づかない情報や文脈にそぐわない内容を、あたかも正しい情報のように生成してしまう現象です。これをそのまま使用すると、誤った意思決定やお客さまへの誤情報提供につながるおそれがあります。

そのため、LLMの出力だけを最終成果物とせず、人によるファクトチェック (事実確認) を業務フローに組み込むことが不可欠です。複数の信頼できる情報源との照合や専門家のレビューなど、確認プロセスを明確に設計しましょう。

LLMが学習データに含まれる著作物と酷似したコンテンツを生成してしまった場合、意図せず著作権を侵害する可能性があります。また、ユーザーが入力した個人情報や、企業の機密情報が、モデルの学習に利用され、外部に漏えいするリスクもゼロではありません。

対策として、LLMの利用規約を精査し、入力データが学習に利用されない設定 (オプトアウト) を選択できるサービスを選びましょう。また、社内ガイドラインを策定し、機密情報や個人情報を入力しないよう、全従業員に周知徹底することも重要です。

高性能なLLMをゼロから開発・学習させるには、高性能な計算機資源と膨大な電力が必要となり、莫大なコストがかかります。これにより、開発が一部の巨大IT企業に独占されやすいという経済的な課題も指摘されています。

多くの企業にとっては、既存のAPIサービスを利用する、あるいは用途に合わせてオープンソースモデルをカスタマイズしたりするといった選択肢のほうが、コストとパフォーマンスのバランスが取りやすいと言えるでしょう。

LLMは、カスタマーサポートや文章作成、リアルタイム翻訳、情報検索など、ビジネスのさまざまな場面で活用されています。

LLMを適切に運用すれば、業務効率化やサービスの品質向上につながるでしょう。今後のAI技術の発展により、LLMはさらなる活用範囲の拡大が期待されています。効果的に活用するためには、各企業の業務内容や目的に合わせたLLMを導入することが重要です。