LLM は「Large Language Model（大規模言語モデル）」の略で、大量の文章を学習し、自然な文章やコードを生成できるモデルです。 チャットAI、要約、検索補助、コード生成など、いま「生成AI」と呼ばれるサービスの多くは中身がLLMです。
仕組みをひとことで
LLM がやっているのは、本質的には「次に来るトークン（単語の断片）の予測」の繰り返しです。 2017年に発表された Transformer というアーキテクチャを土台に、モデルの規模（パラメータ数）と学習データを大きくしていくと、翻訳・要約・推論のような幅広い能力が出てくる——というのがこの数年の流れです。
この「予測マシン」という理解は実務で役立ちます。LLM には「知らないことを知らないと言う」仕組みが本来備わっていないため、もっともらしく間違える（ハルシネーション）のは故障ではなく構造上の性質です。
一度に扱える量には上限がある
LLM が一度に読み書きできる量はコンテキストウィンドウと呼ばれる上限で決まっており、料金も入出力のトークン数で決まるのが一般的です。 「長い資料を全部読ませたら急に精度が落ちた・コストが跳ねた」はこの構造から来ます。
知識を足す2つの方法
- RAG … 外部の文書を検索してその場で読ませる。社内文書など、更新が多い知識向き
- ファインチューニング … モデル自体を追加学習で変える。文体や形式の固定向き
どちらを選ぶかは ファインチューニングとRAGの違い で整理しています。
近い用語との違い
- 生成AI … 画像・音声・動画も含む広い言葉。LLM はそのうち言語を担うモデル
- チャットAI（ChatGPT等） … LLM を使った製品の層。モデルと製品は別物
- AIモデル … さらに広い言葉。LLM はその一種
実務で見るポイント
- 出力は「自然に見えること」と「正しいこと」を分けて扱う。仕様確認・テスト・レビューは人が持つ
- 外部のテキストを読ませる構成ではプロンプトインジェクションを意識する
- API利用ではトークン消費の監視を最初から入れる（LLMアプリの可観測性）