LLMとは｜AIリサーチで使う3層理解と選び方

この記事の結論

LLM（Large Language Model、大規模言語モデル）は、ChatGPT や Claude、Gemini のような「文章を理解して文章を返してくれる巨大な予測モデル」です。仕組みだけを追いかけてもピンと来ないので、この記事では Transformer（土台）、RAG（外部知識と繋げる）、Reasoning（考えさせる）の3つの層に分けて解説していきます。

用語集としての正確さは残しつつ、AIリサーチや調べ物にどう活かすかまで一気につなげたいなと思っています。特許・論文・市場データを日常的に触っている実務家の方であれば、この3層で LLM を理解しておくと、モデルの選び方や使い分けが一気に腹落ちするのではないでしょうか。

• 対象読者: LLMを業務で使いたい初学者〜中級者、リサーチ実務の担当者
• 読了時間: 約8〜10分
• 前提知識: 不要（中学生でも読めるレベルを目指しています）

---

1. LLM（大規模言語モデル）とは何か

LLM とは、大規模言語モデル（Large Language Model）の略で、ざっくり言うと「めちゃくちゃたくさんの文章を読み込んで学習した、超巨大なテキスト予測マシン」です。

もう少しちゃんと言うと、次のような特徴を持っています。

• Transformer という深層学習のアーキテクチャで作られている
• 数百億〜数兆個の「パラメータ」と呼ばれる数値の集まりでできている
• インターネット上の膨大なテキスト（本、Wikipedia、論文、コード、ニュースなど）を読み込んで、「次にどんな単語が来るか」を予測できるように訓練されている

IBM の解説では、LLM のことを「巨大な統計的予測マシン」と表現しています。この一言、案外核心を突いている気がしてきました。LLM は魔法で言葉を理解しているわけではなく、「これまで見た文章のパターンから、次に来る単語を確率的に予測している」だけなんですね。

「大規模」ってどれくらい大きいの？

わかりやすいイメージを持つために、少し数字を並べてみます。

• 2020年の GPT-3 はパラメータ数 1,750億個
• 2026年時点の Claude Opus 4.7 や GPT-5、Gemini 3.1 Pro は非公表ですが数兆パラメータ規模と推定されています
• 訓練に使うデータは数兆トークン（1トークン ≒ 英単語1個 or 日本語1〜2文字）

数字だけ見るとよくわからないので、比喩で置き換えてみましょう。パラメータは「モデルの脳細胞のつながりの強さ」で、これが何十億個もあるイメージです。学習データは「読み込む本の量」で、人間が一生かけても読み切れない量を数週間で読み込む、そんな規模感です。

なぜ今、LLMが騒がれているのか

2017年に Google が発表した Attention Is All You Need という論文で Transformer が登場してから、スケーリング則 と呼ばれる法則が発見されました。ざっくり「モデルを大きくし、データを増やし、計算量を増やせば、性能は予測どおりに上がる」というものです。

さらに、ある規模を超えると「創発的能力（Emergent Abilities）」と呼ばれる新しい能力が突然現れることも わかってきました。in-context learning（プロンプトに例を数個入れるだけで新しいタスクを学習する）や、chain-of-thought（考えを一歩ずつ書き出させると精度が上がる）はその代表例です。

どうやら、LLMの成長は「まだしばらく止まらない」というのが多くの研究者の共通見解のようです。この延長線上に、AIリサーチや業務自動化の未来があるのではないでしょうか。

---

2. 1層目：Transformer で LLM の土台を理解する

まずは LLM の土台である Transformer から見ていきます。ここは仕組みの話なので、細かい数式は全部飛ばして「イメージ」で掴んでください。

Transformer は「注意して読む」のが得意

Transformer の最大の特徴は、Self-Attention（自己注意）と呼ばれる仕組みです。

「今日は雨だから傘を持っていく」という文があったとします。「持っていく」の意味を理解するとき、人間はふつう「傘を」に注意を向けます。Transformer もこれと同じことをやっていて、文の中のどの単語がどの単語に強く関係しているかを、並列に計算する仕組みを持っているんです。

昔よく使われていた RNN や LSTM は、単語を1つずつ順番に処理していく方式でした。それに対して Transformer は全単語を同時に見て、関係性を一気に計算します。GPU で並列計算しやすいので、訓練スピードが桁違いに速くなりました。これが大規模化の扉を開いた、と言われています。

3つの流派：エンコーダー型・デコーダー型・両方型

Transformer には大きく3種類あります。ここは名前だけ覚えておくと便利です。

• デコーダー型（GPT系）は文章を「生成する」のが得意で、ChatGPT・Claude・Gemini はこの流派です
• エンコーダー型（BERT系）は文章を「理解・分類する」のが得意で、検索や感情分析で使われます
• エンコーダー・デコーダー型（T5系）は翻訳や要約のように「入力→変換→出力」型のタスクで使われます

私たちが日常で触っている LLM は、ほぼ全部デコーダー型と考えて差し支えありません。

トークンとコンテキストウィンドウ

もうひとつだけ、必ず出てくる用語を押さえておきます。

• トークンは LLM が扱う最小単位の文字のかたまりで、日本語なら1〜2文字、英語なら単語1個くらいのイメージです
• コンテキストウィンドウは、LLM が一度に読み込める最大のトークン数のことです

2023年時点の GPT-3.5 では 4千〜1万6千トークン が上限でした。しかし2026年になった今、Claude Opus 4.7 は 100万トークン、Gemini 2.5 Pro は 200万トークン まで拡大しています。本1冊まるごと読み込ませて質問する、みたいなことが普通にできるようになった、というわけです。

---

3. 2層目：RAG で外部知識と繋げる

Transformer だけを覚えていた LLM には、大きな弱点があります。「知らないことは答えられない」「うろ覚えのことは自信満々で間違える」という問題です。これを幻覚（Hallucination）と呼びます。

この幻覚問題を軽くするために生まれたのが、外部知識と LLM を繋げる仕組み、RAG（Retrieval-Augmented Generation）です。

RAG は「調べてから答える」LLM

RAG の動きは、意外とシンプルです。

1. ユーザーが質問する
2. 質問に関連する情報を、外部データベース（社内文書、特許DB、論文DB、Web など）から検索してくる
3. 検索してきた情報をプロンプトに入れて、LLM に「これを参考に答えて」と指示する
4. LLM は与えられた情報をもとに、根拠付きで回答する

ポイントは、LLM 本体を再学習させなくてもいい、という点です。データベース側を差し替えれば、その場で「最新情報を知っている LLM」「社内文書に詳しい LLM」に切り替えられます。

LLM の幻覚（Hallucination）を抑える方法として、RAG が最も現実的な選択肢のひとつ と広く言われています。ChatGPT や Perplexity の「引用付き回答」も、内部的には RAG です。

RAG の派生：GraphRAG も知っておきたい

RAG には派生形がいくつかあります。

• ベクトル RAG は、単語や文章を数値ベクトルに変換して、意味が近いものを検索する方式です（最も一般的）
• HyDE は、質問から仮想的な回答文書を作り、それに近い実文書を検索する方式です
• GraphRAG は、情報を「ナレッジグラフ」という構造で持ち、点と点の繋がりまで含めて検索する方式です
• Agentic RAG は、LLM 自身が検索クエリを組み立て、複数回の検索と推論を繰り返す方式です

とくに 2026年時点では、GraphRAG と Agentic RAG の組み合わせが「AIリサーチの本命」として注目されています。詳しくはナレッジグラフとGraphRAGの記事で解説していますので、あわせて読んでみてください。

---

4. 3層目：Reasoning で LLM に考えさせる

3層目は、2025年に一気に本流になった「推論モデル（Reasoning Models）」の話です。ここが実は、いまの LLM 選びで一番差が出るところです。

Reasoning モデルは「答える前に考える」

従来の LLM は、質問を投げたら即答してきました。速いけれど、複雑な数学や難しい調査タスクではボロが出やすい、という弱点があったんです。

OpenAI の o1、o3 や Claude Opus の Extended Thinking、Gemini 2.5 Deep Think といった Reasoning モデルは、答える前に「考える時間（thinking tokens）」を使います。人間が難しい問題を紙に書きながら考えるのと同じで、モデルの中でも段階的に思考を進めて、その結果として回答を返してくるわけです。

これが効くタスクは、はっきりしています。

• 数学・物理・論理パズル
• コーディング（SWE-Bench で 80%超え というスコアが 2026年時点で見えてきている）
• 複雑な調査・分析（複数の情報源を照らし合わせる仕事）
• 長い計画立て

一方で、単純な要約や翻訳では従来モデルとほとんど差が出ません。「考える必要があるタスクにだけ Reasoning を使う」という使い分けが、コストと精度のバランスを取るコツになってきています。

2026年の主要モデルはどこが違うのか

初学者向けにざっくり整理すると、2026年時点ではこんな棲み分けが見えてきています。

• Claude Opus 4.7 (Anthropic) は長文コンテキスト（1M）と Extended Thinking を武器に、リサーチと複雑コーディングで評価が高いです
• GPT-5 (OpenAI) は汎用性が高く、事実性ベンチマークで一貫して高スコアを出しています
• Gemini 3.1 Pro (Google) はマルチモーダル（動画・画像も理解）と長文（2M）が武器です

「どれが一番強いか」は用途で変わります。プロンプトで質問文を書いて即答してほしいだけなら軽量な GPT-4o mini 系や Haiku 系、深く考えさせたいなら Opus や o3、動画から情報を抜きたいなら Gemini、という選び方が現実的です。

---

5. AIリサーチで LLM を使いこなす3つのループ

ここまでで「LLMは何者か」「3層でどう理解するか」を見てきました。最後に、実務で LLM をどう活かすかという話をします。

ループ①：調べる → まとめる

まずは基本の使い方から。

• 論文・特許・Web を LLM + RAG で一気に集めさせる
• 集めた情報を LLM に要約させる
• 引用リンクを必ず本文に残す（LLM の幻覚を防ぐため）

このループは、SimpleQA（#10901）のような事実性ベンチマークで各モデルの信頼度を比較しておくと、モデル選びの参考になります。

ループ②：考える → 仮説を立てる

集めた情報だけでは「調べ物」で終わってしまいます。ここで Reasoning モデルの出番です。

• 集めた情報を Claude Opus や o3 に投げて、論点を整理させる
• 「この分野の ホワイトスペース（#10376）はどこか？」と問いを立てる
• 仮説を複数出させて、比較する

このループが回り始めると、「AI に調べてもらう」から「AI と一緒に考える」に感覚が変わってきます。

ループ③：記憶する → 育てる

3つ目のループが、実は一番効きます。

LLM 単体には長期記憶がありません。会話を閉じれば全部忘れてしまいます。そこで、調査結果を ナレッジグラフ（#10359）などの外部記憶に貯めていき、次のリサーチで再利用する仕組みが必要になります。

このループを個人でゼロから組むのはかなり大変ですが、既に組まれた選択肢があります。それが Snorbe です。

Snorbe という新しい選択肢

Snorbe は、AIリサーチをまるごと引き受ける新しい選択肢のリサーチエージェントです。他の LLM ラップ型ツールと決定的に違うのは、次の3点です。

• 完全記憶型のナレッジグラフを持っていて、調べた内容がすべてグラフに蓄積され、次回のリサーチで自動的に参照されます。使えば使うほど賢くなるイメージです
• 専門データベースを束ねていて、JPO・EPO・Google Patents・arXiv・PubMed・Semantic Scholar など、リサーチ実務で必須のソースが最初から繋がっています
• 自然な日本語で投げられるので、特殊なクエリ構文を覚える必要がありません。「化粧品業界の直近3年のホワイトスペースを教えて」と話しかけるだけで動きます

私自身、日々の特許・論文リサーチで Snorbe を使いながら「どうやら、リサーチの体験はもう戻れないところまで来ている気がしてきた」と感じています。Chrome の検索窓と Google Scholar と特許庁のサイトを行き来していたあの日々が、たった一つのチャットに置き換わる。この変化は、実際に触ってみないと信じられないかもしれません。

無料枠から始められますので、リサーチ業務を1つでも抱えている方は、lp.deskrex.ai を一度覗いてみるのはいかがでしょうか。

---

6. 今後のトレンドとビジネス展望（短く）

最後に、2026〜2028年に向けての LLM トレンドを、リサーチ実務目線で短くまとめておきます。

• Reasoning の標準化が進み、全モデルが Extended Thinking を持ち、「速い／深い」の切り替えが普通になります
• 超長文コンテキストが普通になり、100万〜1000万トークン対応が当たり前になります。書籍1冊や特許100件を丸ごと投げる使い方が主流化しそうです
• AIエージェントが常態化し、LLM が自分でツール（検索、コード実行、DB問い合わせ）を呼んで、複数ステップの調査を自律実行するようになります
• オンデバイス LLM が台頭し、手元の PC やスマホで動く軽量高性能モデルが増えます。データを外に出さずに使えるようになります
• 市場規模でいうと、Enterprise LLM 市場は 2034年に向けて年率数十%成長 という予測が複数調査で示されています

一言でまとめると、「LLM は今後もどんどん賢くなり、リサーチや業務の中に溶け込んでいく」という方向感です。今のうちに Transformer / RAG / Reasoning の3層で仕組みを掴んでおくと、新しいモデルやサービスが出てきたときに「あ、あの層の話ね」とすぐに位置づけできるのではないでしょうか。

---

7. まとめ

LLM とは、Transformer という土台の上に、RAG（外部知識連携）と Reasoning（推論）を組み合わせて使う「巨大なテキスト予測マシン」です。この3層で理解しておくと、モデルの選び方も、リサーチでの使いこなし方も、頭の中で綺麗に整理できます。

• 1層目 Transformer: 大量のテキストから「次の単語」を予測する仕組み
• 2層目 RAG: 外部知識を検索して LLM に渡す、幻覚を抑える標準手法
• 3層目 Reasoning: 答える前に考える、複雑タスク向けの新しい潮流

そして、この3層をリサーチ実務にどう落とし込むかが、これからの実務家の腕の見せどころです。まずは Snorbe のような AIリサーチエージェントを触ってみて、「調べる → 考える → 記憶する」のループを体験するところから始めてみるのが、いちばんの近道な気がしています。

---

よくある質問（FAQ）

Q1. LLM と生成AI は同じものですか？

厳密には違います。生成AI（Generative AI）は「新しいコンテンツを生成する AI」の総称で、テキスト以外に画像・音声・動画を生成するモデルも含みます。LLM はそのうち「テキストを扱う大規模モデル」を指す言葉です。ChatGPT のようなテキスト生成 AI は LLM で動いており、この意味では LLM は生成AIの主要な一分野と言えます。

Q2. LLM を業務で使うとき、何から始めるのがいいですか？

まず ChatGPT や Claude といった無料枠のあるサービスで文章要約・翻訳・アイデア出しを試すのが第一歩です。次に社内文書や特許・論文といった専門情報を扱いたくなったら、RAG や Snorbe のような AIリサーチエージェントを検討するのが自然な流れです。

Q3. LLM の「幻覚（Hallucination）」はどうやって防げばいいですか？

完全には防げませんが、大きく3つの方法で軽減できます。第一に RAG で外部情報源から引用させる、第二に回答に出典リンクを付けさせる、第三に事実性ベンチマーク（SimpleQA など）で信頼度の高いモデルを選ぶ、という順です。特にリサーチ用途では引用リンクの明示が最優先です。

Q4. GPT-5・Claude Opus 4.7・Gemini 3.1 Pro のどれを使えばいいですか？

用途で分けるのが現実的です。汎用チャットや事実確認は GPT-5、長文リサーチと複雑コーディングは Claude Opus 4.7、動画・画像を含むマルチモーダル分析は Gemini 3.1 Pro が向いています。まずは無料枠で3つ触り比べて、自分のタスクで一番手ごたえのあるモデルに寄せていくのが早いです。

Q5. コンテキストウィンドウが 100万トークン以上あるモデルは何ができますか？

書籍1冊（10万〜30万トークン）や特許100件、Slack の1年分ログといった大量の情報を一度に読み込ませて、質問できます。従来なら要約→検索→要約と分割していた作業が、モデル1回の呼び出しで済むケースが増えました。リサーチ実務では、複数論文の横断分析や、企業の全公開資料からの情報抽出で威力を発揮します。

---

もし特許・論文・市場データを含む本格的なリサーチを AI でまるごと回したいと考えている方は、AIリサーチエージェントの Snorbe を試してみてください。JPO・EPO・Google Patents・arXiv・PubMed・Semantic Scholar を束ねた専門DBに、完全記憶型ナレッジグラフを組み合わせた新しい選択肢のリサーチ環境が、無料枠から使えます。詳しくは lp.deskrex.ai をご覧ください。