ライフスタイル

基盤モデル(Foundation Model)とは

基盤モデルとは、幅広いデータで訓練され、さまざまな下流タスクに適応できるモデルです。単にパラメータが多いことを指すわけではなく、完成されたチャット製品とも異なります。本記事では Stanford CRFM の用法を出発点に、地域のサービス窓口に届く問い合わせの分類・要約・検索を例として、共通モデルが異なるアプリケーションの出発点になる仕組みを説明し、大規模言語モデル、生成 AI、オープンウェイトとの違いを整理します。モデルの能力、用途への適応、実際の導入の境界を見分けられるようになります。

読了目安 11 分

LINEで送る
広い共通の土台に形の異なる三つの構造物が並び、同じ基盤能力が異なる用途を支えることを象徴しています。
画像:Mokaair (© Mokaair)
目次
  1. 1. 単一タスクから、適応可能な出発点へ
  2. 2. 同じ基盤から異なるアプリケーションが生まれる
  3. 3. 適応の方法は再訓練だけではない
  4. 4. 基盤を共有すると盲点も共有する
  5. 5. LLM、生成 AI、オープンウェイトとの違い

基盤モデルとは、幅広いデータで訓練され、さまざまな下流タスクに適応できるモデルです。ここでは Stanford CRFM の報告書で提案された用法を採用します。「基盤」と呼ばれるのは、多くのアプリケーションに共通する出発点になれるためであり、初心者でも使いやすいからではありません。また、モデル自体がすでに完成された信頼性の高い製品であることも意味しません。規模もその背景にあることが多いものの、数だけで定義することはできません。

地域のサービスプラットフォームでは、届いた問い合わせの分類、要約の作成、過去の類似する問題の検索を行いたい場合があります。これらの機能には、同じ基盤モデルのファミリーを利用し、異なるデータやワークフローを組み合わせることができます。以下では、この独自の想定例を使って、共通の能力をどう適応させるかを説明します。情報の確認は 2026 年 9 月 14 日時点です。

単一タスクから、適応可能な出発点へ

Stanford CRFM は、基盤モデルを幅広いデータで訓練され、多くの下流タスクに適応できるモデルと説明し、こうした共通基盤がもたらす機会とリスクを論じています。従来は、あるモデルが特定の種類の画像認識に特化し、別のモデルが文章分類に特化していることがありました。基盤モデルの考え方は、まず再利用できる能力を学習し、その後、タスクの要件に応じて異なる調整を行うというものです。

これは、どのモデルでもあらゆる仕事をうまくこなせるという意味でも、すべての下流機能が同じインターフェースを共有するという意味でもありません。言語モデル、画像モデル、モダリティをまたぐモデルでは、入力と出力が異なる場合があります。表現の提供が得意なモデルもあれば、系列の生成が得意なモデルもあります。基盤モデルと呼ぶ際に重視されるのは、訓練の背景と適応可能な基盤としての役割であり、決まった機能一覧ではありません。

Google のモデル公式ドキュメントには、汎用モデルを用途に合わせて適応させられる具体例が示されています。ただし、あるシリーズの例から、すべての基盤モデルのライセンス、導入方法、ハードウェア要件が同じだと推測することはできません。モデルの説明を読む際は、能力、入手方法、アプリケーション側の責任を分けて考える必要があります。モデルのダウンロードや API の呼び出しで得られるのは、システムの一部にすぎません。

同じ基盤から異なるアプリケーションが生まれる

地域の問い合わせ窓口の例では、最初のタスクは届いた問い合わせを設備、環境、イベントなどの業務カテゴリに分類することです。入力は住民による状況説明で、出力は指定されたカテゴリと追加で必要な情報です。次のタスクは、長い問い合わせを管理担当者がすぐに読める要点にまとめることです。さらに、過去の類似案件を探し、管理担当者が対応方法を参考にできるようにするタスクもあります。

これらのタスクはいずれも文章を扱いますが、検証の基準は異なります。分類ではカテゴリが実際の業務分担に合っているか、要約では否定表現と時系列が保たれているか、検索では見つかった事例が役立つかを確認します。共通モデルを使えばゼロから訓練する作業を減らせますが、機能ごとにデータ、プロンプト、ツール、テストが必要です。分類の成績が良いからといって、要約もすでに信頼できるとは言えません。

独自に作成した入力例「エレベーターは今日すでに復旧しましたが、昨日の異音については引き続き点検をお願いしたいです」は、点検の要望がまだ残っていると理解する必要があり、要約に「エレベーターは復旧した」だけを残してはいけません。分類が正しくても要約から未解決事項が抜けた場合は、要約タスクの設定を確認すべきです。必ずしも基盤モデル全体を交換する必要はなく、分類機能も同時に失敗したことを意味するわけでもありません。

同じ基盤モデルを分類、要約、検索の各機能に接続します。機能ごとに専用のタスクデータと検証が必要であり、一度の評価ですべてを網羅するわけではありません。
基盤となる能力を共有しても、下流タスクの正しさを互いに代用することはできません。 · 画像:Mokaair (© Mokaair)
詳しい説明を読む

同じ基盤モデルを分類、要約、検索の各機能に接続します。機能ごとに専用のタスクデータと検証が必要であり、一度の評価ですべてを網羅するわけではありません。

適応の方法は再訓練だけではない

適応には、明確なプロンプトと例を提示して、その時のタスクに沿ってモデルを動かす方法があります。検索を加え、適用される規則や過去の案件をコンテキストに入れることもできます。また、ファインチューニングによってモデルのパラメータの一部または全部を変更する方法もあります。これらはコスト、必要なデータ、保守の面で異なるため、常に再訓練の準備から始めるのではなく、問題に応じて選ぶべきです。

地域の問い合わせ窓口で業務カテゴリの名称が不明確なら、ファインチューニングよりも先に、ラベルの定義と例を整理する必要があるかもしれません。モデルが最新の管理手順を知らないことが問題なら、古いパラメータが自ら更新内容を覚えることを期待するより、現行の文書を入手して渡すほうが直接的かもしれません。不足している点を明確に理解して初めて、どの適応方法が原因に対応できるかを判断できます。

適応後のモデルやアプリケーションで、性能が低下することもあります。設備分類の例を追加した結果、イベント用設備の借用依頼の一部が修理に誤分類されるかもしれません。更新のたびに、従来の重要な事例を残し、新たな失敗状況も追加する必要があります。汎用的な基盤は便利ですが、タスク間のトレードオフや回帰テストが不要になるわけではありません。

基盤を共有すると盲点も共有する

複数のアプリケーションが同じモデルに依存していると、データの偏り、能力の不足、特定の失敗パターンを共通して引き継ぐ可能性があります。これは、基盤モデルがシステム全体に影響を及ぼす理由のひとつです。基盤の更新は多くの機能を同時に改善できる一方、複数の製品の動作を同時に変えることもあります。各アプリケーションを、互いに独立した小さなツールとだけ捉えることはできません。

この例では、住民が地域特有の口語や短い語句を使うと、分類、要約、検索のすべてで偏りや誤りが生じる可能性があります。これは必ずしも、より大きなモデルに交換すべきだという意味ではありません。対象言語でのテストの追加、より良いプロンプト、例外処理が必要な場合もあります。診断時には、同じ入力に対してどの機能が同時に失敗するかをまず確認すると、共通の原因を見つけやすくなります。

そのため、出所とバージョンが重要です。プラットフォーム側は、使用する基盤モデルと、組み合わせる適応用データや設定を把握し、更新前の確認結果を保存する必要があります。サービス提供者やローカルモデルのバージョンが変わった場合は、重要な用途について改めて確認しなければなりません。モデル名が同じ、または同じシリーズに属するというだけでは、動作がまったく変わらないことの証明にはなりません。

LLM、生成 AI、オープンウェイトとの違い

大規模言語モデルは主に言語モデリングと規模によって説明されます。一方、基盤モデルは、幅広い訓練の後でさまざまなタスクに適応できることを重視します。多くの LLM は基盤モデルでもありますが、基盤モデルには画像やその他のモダリティを扱うものもあります。はコンテンツを生成する能力に基づく分類です。したがって、これらの用語をまったく同じ意味の名称として扱うことはできません。

オープンウェイトは、モデルの重みを入手できるかどうかと、その利用条件を表す言葉であり、基盤モデルかどうかとは別の問題です。基盤モデルには、サービス経由でしかアクセスできないものも、重みが提供されるものもあります。重みが提供されていても、訓練データ、プログラム、ライセンスがすべて同じだという意味ではありません。こうした境界を理解することで、「オープン」という言葉から未確認の権利や能力を推測するのを避けられます。

一般の利用者が最も確認すべきなのは、この共通基盤をどのタスクに使い、そのタスクのためにどのようなデータと検証を追加し、失敗時に誰が対応できるのかという点です。これらの答えが明確になれば、基盤モデルは抽象的で巨大なブラックボックスを指す言葉ではなく、追跡可能な技術の出発点になります。実際に人へ提供する機能は、なおアプリケーションの設計と証拠によって完成させる必要があります。

異なる観点から関連用語を理解する(2026 年 9 月確認)
用語重視する点そこからは判断できないこと
基盤モデルさまざまな下流タスクに適応できるすべてのアプリケーションが検証済みである
大規模言語モデル大規模な言語モデリングチャットにしか使えない
オープンウェイト重みの入手と利用条件訓練データとすべての権利が開放されている

大規模言語モデル(Large Language Model)とは

オープンウェイト(Open Weights):モデルをダウンロードできても、何を確認すべきか

AI 用語総索引:Loop Engineering から生成 AI まで

この記事が役に立ったら、必要な方にシェアしてください

LINEで送る
  • ライフスタイル

    エージェント型検索拡張生成(Agentic RAG):いつ再検索が必要か

    エージェント型検索拡張生成では、モデルが検索の判断に関与し、質問とすでに得られた根拠に応じて情報源の選択、クエリの書き換え、追加検索を行います。本記事では LangGraph のドキュメントにある具体的なフローを採用し、会場の利用条件の比較を例に固定型 RAG との違いを示すとともに、停止条件、権限、検索履歴、コスト管理を説明します。読後には、タスクに動的な探索が必要か、予測可能な固定フローで十分かを判断できるようになります。

  • ライフスタイル

    グラフ検索拡張生成(GraphRAG):関係から文書群全体を読み解く

    GraphRAG はエンティティとその関係を検索に取り入れ、文書をまたぐ関連性や全体のテーマについての回答を支援します。本記事では Microsoft の原論文と公式ドキュメントを対象に、エンティティ抽出、コミュニティ要約、ローカル検索、グローバル検索を解説し、地域イベントの記録を例に、問いによって異なる経路が必要なことを示します。また、グラフの接続漏れ、名称の誤統合、要約の歪みが回答にどう影響するかを説明し、見栄えのよい関係図を検証済みの事実と取り違えないようにします。

  • ライフスタイル

    ナレッジグラフ(Knowledge Graph):事物と関係を明確にする

    ナレッジグラフはエンティティと関係でデータを整理し、「誰が何に参加し、どこで、いつ起きたか」をリンクに沿って検索できるようにします。本記事ではコミュニティイベントのデータを例に、エンティティの識別、関係の方向、出典、時間を説明します。リソース記述フレームワーク(RDF)とプロパティグラフの表現の違いを紹介し、グラフが可視化や信頼できる事実と同じではないことも解説します。読めば、データがグラフ化に適しているかを判断でき、テーブル、ベクトル検索、グラフ検索拡張生成(GraphRAG)との組み合わせ方も理解できます。

  • ライフスタイル

    ハイブリッド検索(Hybrid Search):語句の正確さと意味を両立

    ハイブリッド検索は、全文検索やベクトル検索などの異なる検索結果を統合し、正確なコードと自然言語による要求の両方に対応します。本記事では機器の取扱説明書の検索を例に、候補の取得、重複排除、順位融合、再ランキングを解説します。逆数順位融合(RRF)が順位を使って異なる検索結果を統合する仕組みを紹介するとともに、組み合わせればあらゆる面で精度が上がるわけではないことも説明します。コードを含む質問、言い換えた質問、答えのない質問で品質を確認し、権限、フィルター、重複コンテンツによる偏りを見分けられるようになります。

出典

上記の参考資料および記載の確認日時点の情報をもとに整理しています。料金・時刻・機能・利用規約は変更される場合があるため、ご旅行や予約・購入の前には該当する公式サイトで最新情報をご確認ください。

ライフスタイル