この記事でわかること
- 大規模言語モデル(LLM)の一文の定義
- 「大規模」とは何が大きいのか
- 研究で分かった仕組みと育て方
- 得意なこと・苦手なこと
- 翻訳や研修動画で使うときの注意
まず読む: LLMの翻訳とニューラル機械翻訳の違いは?研究からみた選び方
大規模言語モデル(LLM)とは?
大規模言語モデル(LLM)とは、大量の文章から «次にどんな言葉が来るか» を学び、文章を作ったり、要約したり、訳したりできるようにしたAIのことです。英語の Large Language Model の頭文字を取って LLM と呼ばれます。
総務省の情報通信白書は、大規模言語モデルを「生成AIの基盤」と書いています[1]。会話で質問に答えるAIや、文章を書くAI、翻訳するAIの多くが、この大規模言語モデルの上に作られています。
身近な言い方をすれば、大規模言語モデルは「とてつもない量の文章を読んだ、言葉の続きを当てる名人」です。文の続きを当て続けることで、まとまった答えや文章を作り出します。
「大規模」とは何が大きいの?
「大規模」とは、主に 2 つのものが大きいことを指します。
- 学ぶ文章の量:本やウェブの文章など、とても多くの文章から学びます
- モデルの大きさ(パラメータの数):言葉のつながりを覚えておく «つまみ» の数がとても多くなっています
2020 年に機械学習の国際会議 NeurIPS で発表された研究は、言語モデルを大きくすると、特定の仕事に合わせた学習をしなくても、いくつかの例を見せるだけで多くの仕事をこなす力が大きく上がることを示しました[5]。この研究で作られたモデルは、1,750 億個のパラメータを持っていました[5]。仕事の内容や例は、モデルに文で伝えるだけでした[5]。
同じ年に公開された別の研究は、言語モデルの性能が、モデルの大きさ・データの量・学習に使う計算の量に応じて、決まった法則に沿って良くなっていくことを報告しています[4]。「大きくすれば賢くなる」という見通しが、この時期の研究で示されました。
大規模言語モデルの仕組みは?
土台は «注意の仕組み»
いまの大規模言語モデルの多くは、2017 年に発表された研究が提案した、注意の仕組み(アテンション)だけで組み立てたネットワークの形を土台にしています[3]。文の中のどの言葉とどの言葉が関係しているかを、まとめて見比べられるのが特徴です。
2 段階で育てる
大規模言語モデルは、おおまかに 2 段階で育てられます。
- 大量の文章で «言葉の続き» を学ぶ:言葉の使い方や知識を、広く身に付けます
- 人の指示に沿うよう調整する:人が良い答えの例を示したり、答えの良し悪しを評価したりして、使いやすく整えます
2 段階目が大事な理由を示した研究があります。2022 年に公開された研究は、大きな言語モデルが、事実と違う答えや、有害な答え、役に立たない答えを出すことがあると指摘しました[6]。そのうえで、人の評価をもとにした調整で、モデルを使う人の意図に沿わせる方法を示しています[6]。この研究では、人の評価をもとに調整した 13 億パラメータのモデルの答えのほうが、100 倍以上大きい 1,750 億パラメータのモデルの答えより好まれました[6]。
大きさだけでなく、どう調整したかが使いやすさを左右することが分かります。

大規模言語モデルで何ができる?
大規模言語モデルは、文で頼めば多くの仕事をこなせます。
- 質問に答える・説明する:分からない言葉の意味や、手順の説明を文で返します
- 要約する:長い資料や会議の記録を短くまとめます
- 翻訳する:文の前後を見ながら、別の言語へ訳します
- 文を書き直す:むずかしい文をやさしい言葉に直したり、敬語を整えたりします
翻訳について、2023 年に公開された研究は、大規模言語モデルが話者の多い言語でとても競争力のある品質を出す一方、話者の少ない言語では力が限られると報告しています[7]。翻訳専用のAIとの違いは、LLMの翻訳とニューラル機械翻訳の違いで比べています。機械翻訳全体の移り変わりは、機械翻訳とはにまとめています。
大規模言語モデルの苦手なことは?
いちばん気をつけたいのは、もっともらしい誤りを、自然な文で書いてしまうことです。先に紹介した 2022 年の研究も、事実と違う答えを出すことがあると指摘しています[6]。文が自然なぶん、読む人が誤りに気づきにくい点が厄介です。
ほかにも、次のような点に気をつけます。
| 苦手なこと | 起きること | 気をつけ方 |
|---|---|---|
| 学んだデータに少ない言葉 | 社内の呼び方・新しい製品名・人の名前を取り違える | 用語集で訳を決めておく |
| 話者の少ない言語 | 訳の品質が下がりやすい[7] | その言語が分かる人に確かめてもらう |
| 新しい情報 | 学んだ時点より後のことを知らない | 日付や制度は一次資料で確かめる |
| 数字・否定 | 一語の誤りで意味が正反対になる | 数字と «〜しない» を先に確かめる |
日本語の扱いについて、総務省の情報通信白書は、日本語に強い LLM を使うには、作る過程や使うデータが明らかで、安心して使える国産の LLM が必要だと書いています[1]。国の研究機関である NICT(情報通信研究機構)が 2023 年 7 月に高品質な日本語データをもとに LLM を試作したことや[2]、LLM が作る文を検証・分析して改善点を示す技術の研究に取り組んでいることも紹介しています[2]。
どんな場面で使う?(研修動画の翻訳の例)
研修やマニュアルの動画を多言語にするとき、大規模言語モデルは字幕の翻訳や、原文の日本語をやさしく書き直す作業で役に立ちます。使うときは、次の順番がおすすめです。
- 原文の日本語を整える
一文を短くし、あいまいな言い方を減らします - 社内の言葉を用語集にまとめる
会社名・製品名・安全の言葉の訳を決めておきます - AI で訳す
字幕の全文を、選んだ言語へ訳します - 数字・否定・固有名詞から確かめる
自然な文でも意味が違っていないかを見ます - その言語が分かる人に読んでもらう
安全や手順に関わる場面は、とくに念入りに確かめます
AI の訳を確かめることの大切さは、AIの訳は確かめるべき?で、作り手の考えとしてまとめています。koevo も、AI の翻訳・読み上げは 100 点ではないので、大切な内容はエディターで字幕を確かめてから使うよう案内しています[8]。

似た言葉とはどう違う?
| 言葉 | 意味 | 大規模言語モデルとの関係 |
|---|---|---|
| 生成AI | 文章・画像・音声などを作るAIの全体 | LLM は文章を扱う生成AIの土台[1] |
| 言語モデル | 言葉の続きを予測するモデル | LLM はそれをとても大きくしたもの |
| ニューラル機械翻訳 | 翻訳のために学習したAI | 翻訳専用か、何でもこなすかが違う |
| パラメータ | モデルが覚えている «つまみ» の数 | 大きさを表す目安の一つ |
よくある質問
大規模言語モデルと生成AIは同じものですか?
同じではありません。生成AIは文章・画像・音声などを作るAI全体の呼び方で、大規模言語モデルはそのうち文章を扱う土台のAIです。総務省の情報通信白書も、LLMを生成AIの基盤と書いています。
大規模言語モデルは、なぜ間違えるのですか?
学んだ文章から «もっともらしい言葉のつながり» を作る仕組みのため、事実と違っても自然な文を書いてしまうことがあります。とくに学んだデータに少ない固有名詞や新しい情報で起きやすくなります。
大規模言語モデルで翻訳はできますか?
できます。研究では、話者の多い言語でとても競争力のある品質が出た一方、話者の少ない言語では力が限られると報告されています。安全や手順に関わる訳は、人が確かめてから使います。
モデルは大きいほど良いのですか?
大きくすると性能が上がる傾向は研究で示されていますが、それだけでは決まりません。人の評価をもとに調整した小さなモデルが、ずっと大きなモデルより好まれたという研究もあります。
大規模言語モデル(LLM)とは、大量の文章から言葉のつながりを学び、文章を作ったり訳したりできるAIです。大きさだけでなく、人の評価をもとにした調整が使いやすさを左右します。もっともらしい誤りを書くことがあるため、翻訳でも大事な内容は人が確かめてから使いましょう。
おわりに
大規模言語モデル(LLM)について、いかがでしたか?大量の文章から言葉のつながりを学んだAIで、要約や翻訳など幅広くこなせる一方、もっともらしい誤りを書くことがあるため、大事な内容は人が確かめるのでしたね。
ちなみにスリーでは、「koevo」というサービスを提供しています。日本語の動画から、翻訳・字幕・吹き替えをまとめて作る動画の多言語化の仕組みです。研修やマニュアルの動画を、母国語の声で届けられます。研修やマニュアルの動画をAIで翻訳し、字幕と吹き替えをまとめて作ったうえで、訳をエディターで確かめたいときにお使いいただけます。よろしければ、サービスページものぞいてみてください。
よくある質問
大規模言語モデルと生成AIは同じものですか?
同じではありません。生成AIは文章・画像・音声などを作るAI全体の呼び方で、大規模言語モデルはそのうち文章を扱う土台のAIです。総務省の情報通信白書も、LLMを生成AIの基盤と書いています。
大規模言語モデルは、なぜ間違えるのですか?
学んだ文章から «もっともらしい言葉のつながり» を作る仕組みのため、事実と違っても自然な文を書いてしまうことがあります。とくに学んだデータに少ない固有名詞や新しい情報で起きやすくなります。
大規模言語モデルで翻訳はできますか?
できます。研究では、話者の多い言語でとても競争力のある品質が出た一方、話者の少ない言語では力が限られると報告されています。安全や手順に関わる訳は、人が確かめてから使います。
モデルは大きいほど良いのですか?
大きくすると性能が上がる傾向は研究で示されていますが、それだけでは決まりません。人の評価をもとに調整した小さなモデルが、ずっと大きなモデルより好まれたという研究もあります。
参考文献
論文 2海外の資料 3公的資料 2自社の一次資料 1
この記事は 8 本の出典をもとに書いています。うち 8 本は、引用した文が出典のページにあることを確かめています(2026年11月21日)。
- 総務省「令和6年版 情報通信白書」主要なLLMの概要公的資料
- 総務省「令和8年版 情報通信白書」信頼できるAIの実現に向けた大規模言語モデル(LLM)の開発力強化・評価基盤技術開発公的資料
- Vaswani et al. (2017) Attention is All you Need. Advances in Neural Information Processing Systems 30 (NIPS 2017)論文
- Kaplan et al. (2020) Scaling Laws for Neural Language Models. arXiv:2001.08361. DOI: 10.48550/arXiv.2001.08361海外の資料
- Brown et al. (2020) Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems 33 (NeurIPS 2020)論文
- Ouyang et al. (2022) Training language models to follow instructions with human feedback. arXiv:2203.02155. DOI: 10.48550/arXiv.2203.02155海外の資料
- Hendy et al. (2023) How Good Are GPT Models at Machine Translation? A Comprehensive Evaluation. arXiv:2302.09210. DOI: 10.48550/arXiv.2302.09210海外の資料
- koevo の声について自社の一次資料









