[技術解説]

2026年3月25日(水)IT Leaders編集部、日川 佳三

シェアする

リスト

　「生成AIが急速に普及するにつれ、データの利用は、応用ごとに個別の機械学習モデルを作るやり方から、汎用の基盤モデルを共通部品として使うやり方に変化しつつある」──。

　「AI Ready Dataに舵を切れ」をテーマに掲げたデータマネジメント2026の基調講演に、東京大学 人工物工学研究センター 上席研究員/Preferred Networks（PFN）取締役の丸山宏氏（写真1）が登壇。「生成AI時代のデータマネジメント」と題した講演は、大規模言語モデル（LLM）を部品として活用するシステム設計の方法論の解説から始まった。

写真1：東京大学 人工物工学研究センター 上席研究員/Preferred Networks取締役の丸山宏氏
拡大画像表示

「LLMは本質的に統計モデル」─3つの構造的限界

　生成AI時代のデータマネジメントを考察する前提として、丸山氏は、「機械学習、深層学習、LLMは本質的に統計モデリングである」ことを指摘した。統計モデリングは、変数間に現れるパターンをデータから学習し、パラメータで表現する手法である。「LLMも同じ原理であり、大量の言語データから、『ある文脈が与えられた時に次に来る単語の確率モデル』を学習している」（同氏、図1）。

図1：LLMは統計モデリングであり、大量の言語データから「ある文脈が与えられた時に、次に来る単語の確率モデル」を学習している（出典：Preferred Networks）
拡大画像表示

　統計モデリングには3つの限界がある、と丸山氏は説く。1つは、過去のデータで訓練しているため、過去と未来の連続性を前提としており、この仮定が崩れた瞬間に予測が無力となること。2つ目は、訓練データセットは有限であるため、学習した分布の外側の領域では精度が落ちること。3つ目は、サンプリングにはバイアスがかかるため、100％の正しさを保証できず、ハルシネーション（事実と異なる出力）が生じることである。

　「特に、ハルシネーションはモデルの欠陥ではなく、統計モデリングの構造的な宿命である。これを踏まえ、どのようなユースケースにAIを適用し、どのような品質検証プロセスを設計するかが、生成AI時代のデータガバナンスの核心になる」（丸山氏）

LLMは部品として使う─アルゴリズムとの組み合わせが成功の条件

　上述を踏まえ、LLMの活用方法について丸山氏は、「LLMは部品として使うべきだ」と提案した。

　同氏は米アップルが2025年6月に発表した論文「The Illusion of Thinking（思考の錯覚）」を引き、推論型LLMでさえ、パズルゲーム「ハノイの塔（Tower of Hanoi）」をディスク10枚程度で解けなくなることを示した。「一方、『ハノイの塔を解くプログラムを書いて』と指示すれば、すぐにコーディングしてくれる。つまり、アルゴリズムが得意な問題にLLMを単体で使うべきではない」と結論づけた。

　「LLMの成功事例に共通しているのは、LLMを部品として使い、従来のアルゴリズムや体系化された知識と組み合わせていること。生成AIはそのままでは万能ではない。LLMを部品として捉え、従来のシステムと組み合わせることではじめて実用的な価値を生む」（丸山氏）

　その例として、「AlphaGo（アルファ碁）」はゲーム木探索が骨格であり、深層学習は盤面評価関数の一部品として機能していることを挙げた。また、Google DeepMindの「FunSearch」は、探索プログラムの骨格を人間が定義し、ヒューリスティクス関数の提案のみをLLMに担わせることで数学の未解決問題に新たな解を発見した。米スタンフォード大学の「Biomni」は、150以上の専門ツールと59のデータベースをAPI経由で統合した環境において、LLMが研究計画の立案からコード生成・実行までを自律的に遂行するという。

●Next：データの所有やデータ量の大きさが競争力を決める時代は終わり