学習(Training)とは?

ざっくり言うと

ChatGPT も Claude も Gemini も、私たちが日常で触っているのは「学習済み」のモデル。裏側ではすでに長い学習工程を終えているから、即座に答えを返してくれるわけです。

イメージ

正確には

機械学習における学習(Training)とは、Google の Machine Learning Crash Course によれば、「データからパターンを学び、損失(loss)を最小化するようにモデルのパラメータを調整するプロセス」 と説明されています。損失とは「AIの答えと正解とのズレ」のことで、このズレを小さくする方向に内部の数値を少しずつ動かしていく作業が、学習の正体です。

IBM の解説でも、機械学習は「データから自動的にパターンを学び、明示的にプログラムされなくても改善していく仕組み」と位置づけられており、その「学んで改善する」中心部分が Training にあたります。

そして NVIDIA の解説では、ディープラーニングについて 「Training(学習)と Inference(推論)は別のフェーズ」 であることが明確に整理されています。学習は重い処理で、推論は軽めの処理。役割がまったく違うのです。

大規模言語モデルの学習は、ふつう3段階に分かれる

ChatGPT や Claude のような大規模言語モデル(LLM)では、学習は一回で終わりません。ざっくり3段階を順番にこなしていきます。

段階	何をするか	例えるなら
事前学習(Pre-training)	インターネット規模の大量テキストを読ませて、言語の一般的なパターンを覚えさせる	教養をかなり詰め込む基礎学習期間
ファインチューニング(Fine-tuning)	特定の用途やスタイルに合わせて追加で学習させる	専門学校で「料理」「医療」など分野を絞って訓練
RLHF / アライメント	人間の好み・安全性に沿うよう、フィードバックで微調整する	接客マナーや言葉遣いを先輩から指導される

学習がどれくらい大変なのか

大規模言語モデルの事前学習は、個人や中小企業が気軽にできる規模ではありません。世界中で公開されている各社の解説によれば、最先端モデルの学習では 数百〜数千台規模の GPU(AI 計算用の高性能プロセッサ)を、数週間から数ヶ月にわたって稼働させることが一般的です(具体的な台数・期間・電力量はモデルごとに異なります)。

このため、ほとんどのユーザーや企業は 「ゼロから学習する」のではなく、すでに学習済みのモデルを使う(=推論する)、または小規模なファインチューニングだけ行う、というのが現実的な選択肢になっています。

使う場面での見分け方

たとえば「社内マニュアルを読ませて質問に答えさせたい」なら、いきなり学習ではなく RAG が候補になります。「いつも同じ文体で返してほしい」「特定の分類ルールを覚えさせたい」なら、ファインチューニングが候補になることがあります。

どちらが使えるか、どれくらいの費用や準備が必要かはサービスや時期によって変わります。実際に導入するときは、使うサービスの公式ドキュメントで確認してください。

よくある勘違い

この違いを知っておくと、「データを渡せばAIが永久に覚えるはず」「一度間違いを直したら次から必ず直るはず」という期待を避けられます。継続的に覚えさせたい場合は、メモリ機能・RAG・ファインチューニングなど、別の仕組みを検討します。

実務では、まず「覚えさせたい」の中身を言い換えるのがコツです。知識を参照させたいのか、文体をそろえたいのか、判断ルールを安定させたいのかで、選ぶ方法が変わります。

この切り分けを先にしておくと、必要以上に大きな学習を考えずに済みます。

やってみよう

関連用語として、対になる 推論(Inference)、学習で調整される対象である パラメータ、学習の追加工程である ファインチューニング や RLHF、学習に含まれる知識の期限を表す 知識カットオフ もあわせて読むと、全体像がよりはっきりします。