LLM・RAG・生成AIの違い｜AIの基礎用語をまとめて解説

AI・機械学習・ディープラーニング・生成AIの関係

まず全体像を押さえます。
AI関連の用語でつまずく原因は、この4つを横並びの別物だと思ってしまうことです。

実際には、外側から順に入れ子になっています。

AI・機械学習・ディープラーニングの違い

AI（人工知能）

人間が行っている知的な作業を、機械にも行わせようとする技術の総称です。最も大きな枠であり、あらかじめ人がすべてのルールを書いておくタイプ（ルールベース）も含まれます。

なお、AIには確立した定義がありません。
総務省の情報通信白書でもその旨が示されており、「どこからをAIと呼ぶか」の線引きは文脈によって変わります。

機械学習

AIの一分野で、データからパターンを見つけ出す手法です。人がルールを書くのではなく、大量の事例を与えて機械自身に規則性を学ばせます。

ディープラーニング（深層学習）

機械学習の一分野です。人間の脳の神経回路をヒントにした構造を何層にも重ね、複雑なパターンを扱えるようにしたものです。画像認識や音声認識の精度が飛躍的に上がったのは、この技術によるものです。

生成AI

ディープラーニングを使って、新しいものを作り出すAIです。従来のAIが「これは犬か猫か」を判別していたのに対し、生成AIは文章や画像そのものを作り出します。

LLM（大規模言語モデル）

生成AIのうち、言語を扱うものです。ChatGPTやClaude、Geminiといった対話型のサービスは、いずれもLLMを中核にしています。

判別と生成の分かれ目

上記5つのなかで、性質が大きく変わるのは生成AIのところです。

従来のAI（判別するAI）

与えられたものを分類・判別する（迷惑メールかどうか、不良品かどうか）

生成AI（生成するAI）

文字通り、ないものを作り出す（文章を書く、画像を描く）

「AIが賢くなった」と言われるようになった背景には、この転換があります。同じ「ネコ」を題材にすると、入力と出力が入れ替わることがはっきりします。

LLM（大規模言語モデル）とは

LLMとは、大量の文章を学習し、言葉の並び方の規則性を身につけたAIです。Large Language Model の頭文字を取ってLLMと呼ばれます。日本語では大規模言語モデルと訳されます。

「大規模」とついているのは、学習に使う文章の量と、モデル自体の規模がきわめて大きいためです。

大量の文章を覚えているから、質問に答えられるということですか？

少し違います。LLMは文章を覚えているのではなく、次にどんな言葉が来やすいかを予測しています。ここを理解すると、AIが得意なことと苦手なことが両方説明できるようになります。

LLMは「次に来る言葉」を予測している

LLMの仕組みは、意外なほどシンプルです。与えられた文章の続きとして、次に来る可能性が高い言葉を選ぶ。この予測を積み重ねて文章を作っています。

「今日はいい」と入力されたら、次に来やすいのは「天気」だろう。「天気」の次は「ですね」だろう。この予測を1語ずつ繰り返して、文章ができあがります。

なお、次の図に示す確率の数値は、仕組みを説明するための例です。実際にどのような値になるかはモデルによって異なります。

なぜ自然な文章になるのか

「予測しているだけ」なのに人間らしい文章になるのは、学習した文章の量が桁違いだからです。

膨大な文章を読み込むなかで、単語同士のつながりやすさだけでなく、文脈に応じた言い回し、話題ごとの語彙、文章の構成の型まで、統計的な規則性として身についていきます。その結果として、意味を理解しているように見える出力が生まれます。

LLMが苦手なこと

仕組みがわかると、苦手なことも説明できます。「次に来やすい言葉」を選んでいる以上、正しさを保証する仕組みはどこにも入っていません。

事実と異なることを、自信を持って答える

もっともらしい言葉の並びであれば、内容が間違っていても出力されます。この現象はハルシネーションと呼ばれます。

学習していないことは知らない

社内文書のような非公開の情報や、学習データの締切以降のできごとは知りません。

厳密な計算や数え上げが苦手

言葉の予測をしているため、計算そのものを行っているわけではありません。桁の多い計算や、文字数を正確に数える作業は不得意です。

これらは使い方の工夫や後述するRAGといった仕組みで軽減できますが、構造上ゼロにはなりません。
出力を確認する工程は、必ず残しておく必要があります。

生成AIとLLMは何が違うのか

混同されやすいので整理しておきます。

【表1】生成AIとLLMの違い

生成AIのほうが広い言葉です。画像生成AIも音声生成AIも生成AIですが、LLMではありません。

ただし実務では、この2つがほぼ同じ意味で使われる場面もあります。対話型のサービスが生成AIの代表格になっているためです。厳密に使い分ける必要はありませんが、包含関係は知っておくと話が通じやすくなります。

押さえておきたい基本用語

ここからは、実際の会話やドキュメントで頻出する用語を整理します。すべてを暗記する必要はありません。出てきたときに戻って確認できれば十分です。

【表2】生成AIの基本用語

プロンプト

AIに与える指示や質問のことです。同じAIでも、プロンプトの書き方で出力の質は大きく変わります。

「わかりやすく書いて」より「高校生にもわかるように、専門用語を使わず500字で書いて」のほうが、意図に近い結果が返ってきます。条件を具体的に伝えることが基本です。

コンテキスト

AIが一度に考慮できる情報の範囲を指します。会話の履歴や、読み込ませた資料がここに入ります。

作業机の広さに例えるとわかりやすくなります。机が広ければ多くの資料を同時に広げて考えられますが、狭ければ古い資料から片付けていくことになります。長い会話を続けると最初のほうの話を忘れてしまうのは、これが理由です。

トークン

AIが文章を処理するときの最小単位です。文章を単語やそれより細かい単位に分けたものを指します。分け方はサービスによって異なりますが、日本語では1文字あたり1〜2 トークン程度が目安です。

コンテキストの上限やAPIの料金は、このトークン数を基準に決まります。「文字数」ではなく「トークン数」で数えられていると覚えておけば十分です。

パラメータ

モデルの内部で調整されている数値のことです。数が多いほど複雑な表現を学習できるとされますが、多ければ必ず優秀というわけではありません。学習データの質や設計によって性能は変わります。

ハルシネーション

事実と異なる内容を、もっともらしく生成してしまう現象です。幻覚を意味する英語から来ています。

前述のとおり、LLMが「次に来やすい言葉」を選ぶ仕組みである以上、構造的に起こりうるものです。実在しない書籍名や、存在しない条文を答えることがあります。

マルチモーダル

文章だけでなく、画像・音声・動画なども扱えることを指します。写真を見せて内容を説明させる、音声で指示を出すといった使い方が該当します。

近年の主要なサービスは、LLMを土台にしながら画像や音声も扱えるようにしたものが主流です。本記事で整理した「LLM＝言語を扱うもの」という位置づけは、あくまで言葉の出発点として押さえておくとよいでしょう。

もう一歩進んだ用語

ここからは、業務でAIを活用する話になると出てくる用語です。
基礎用語より一段実務寄りですが、意味を知っておくと会議で話が追えるようになります。

RAG（検索拡張生成）

生成AIが回答を作る前に、外部の資料を検索して読み込ませる仕組みです。

LLMは社内の情報を知りません。そこで、質問のたびに社内文書などの手元の資料を探し出し、それを渡したうえで答えさせます。AI自体を作り替えるのではなく、その都度、資料を手渡しているイメージです。

社内ヘルプデスクや、規程・マニュアルの検索といった用途で使われています。

ファインチューニング（追加学習）

モデル自体に追加の学習をさせて、振る舞いを調整することです。

RAGと混同されやすいのですが、目的が違います。RAGは知識を与えるもの、ファインチューニングは答え方を変えるものです。自社独自の言い回しや、決まった形式での出力を徹底させたい場合に使われます。

情報を持たせたいならRAG、振る舞いを変えたいならファインチューニング。この切り分けを覚えておけば、選択を誤りません。

AIエージェント

指示を受けて、複数の手順を自律的に実行するAIです。

従来の生成AIが「聞かれたら答える」のに対し、AIエージェントは「任せられたら動く」。調べる、まとめる、外部のツールを操作するといった作業を、順番に自分で進めていきます。

用語からたどるAIの進化

用語の関係がわかると、AIがどう発展してきたかも見えてきます。それぞれの用語は、その時々の課題を解くために生まれました。

おおまかな流れとして整理すると、次のようになります。

※厳密な年表ではなく、「どんな課題からその言葉が生まれたか」で並べた整理です。

こうして並べると、新しい用語は前の段階の限界から生まれていることがわかります。

今後も新しい言葉が次々に登場しますが、「それは何の課題を解こうとしているのか」を問えば、位置づけをつかめます。用語を追いかけるより、この視点を持っておくほうが長く役に立ちます。

用語をおさえるコツ

ここまで読んで整理はできましたが、全部覚えられる自信がありません。

覚えられなくても大丈夫ですよ。
大事なのは「どのあたりの話をしているか」がわかることです。細かい意味は都度調べれば済みます。

覚えるべきものと、そうでないもの

右側は数か月で入れ替わります。 追いかけても消耗するだけです。

左側は数年単位で変わりません。ここに理解を集中させるのが、最も効率のよい学び方です。

次に何を学ぶか

用語の全体像がつかめたら、次は目的に応じて分岐します。

業務で使いたい

実際にツールを触りながら、プロンプトの書き方を身につける

社内で推進したい

RAGや導入時のリスクなど、実装に近い知識へ進む

体系的に学びたい

資格試験を目標にすると、範囲が明確になり学習が進めやすくなります

おわりに

AIの用語がわかりにくいのは、内容が難しいからではありません。バラバラに覚えようとすると、いつまでも全体像が見えないからです。

• AI・機械学習・ディープラーニング・生成AI・LLMは、外側から順に入れ子になっている
• LLMは「次に来る言葉」を予測している。それが得意なことも苦手なことも決めている
• ハルシネーションは仕組み上起こりうるため、確認の工程は必ず残す
• 生成AIはLLMを含む上位の言葉 ※厳密な使い分けより包含関係を押さえる
• 新しい用語は「何の課題を解くために生まれたか」で位置づけられる

大切なのは、 用語を追いかけるのではなく「全体像を押さえておくこと」です。これができていれば、新しい言葉が出てきても慌てずに済みます。

インターネット・アカデミーでは、AI・生成AIを体系的に学べる講座をご用意しています。用語の理解にとどまらず、実務での活用まで学べる内容です。まずはお気軽に無料体験レッスン・カウンセリングにお越しください。