基盤モデルとは大規模データで事前学習した汎用AIの考え方と活用
基盤モデルは、大規模なデータで事前学習し、さまざまな用途に応用できる汎用的なAIモデルです。従来の専用モデルとの違い、LLMとの関係、活用方法（プロンプト・RAG・ファインチューニング）、課題を整理します。
公的機関・公式資料などの一次情報と照合して作成しています。このサイトについて
基盤モデルとは
基盤モデル（Foundation Model）は、大規模で多様なデータで事前学習され、さまざまな下流のタスクに適応できる、汎用的なAIモデルです。この用語は、2021年にスタンフォード大学の研究グループが論文で使ったことで広まりました。大規模言語モデル（LLM）は、基盤モデルの代表例です（大規模言語モデル（LLM）とは）。
従来の専用モデルとの違い
| 項目 | 従来の専用モデル | 基盤モデル |
|---|---|---|
| 作り方 | 用途ごとにデータを集め、モデルを作る | 一度大規模に事前学習し、使い回す |
| 用途 | 特定のタスクに限られる | 幅広いタスクに対応できる |
| 必要なデータ | 用途ごとに大量の正解データが必要 | 少ない例や指示で適応できる |
| 開発コスト | 用途ごとにかかる | 事前学習に多額のコストがかかる（利用側は軽い） |
基盤モデルの種類
| 種類 | 例 |
|---|---|
| 言語モデル | 文章の生成・理解 |
| 画像生成モデル | 文章から画像を生成する |
| マルチモーダルモデル | 文章・画像・音声などを統合的に扱う（マルチモーダルAI） |
| 音声モデル | 音声認識、音声合成 |
| コード向けモデル | プログラムの生成・補完 |
基盤モデルの使い方（適応の方法）
基盤モデルを特定の用途に使うには、いくつかの方法があります。
| 方法 | 内容 | 手軽さ |
|---|---|---|
| プロンプトの工夫 | 指示文や例を与えて、振る舞いを引き出す（プロンプトの基本） | 最も手軽 |
| RAG | 外部の資料を検索して、回答の根拠にする（RAG（検索拡張生成）） | 中程度 |
| ファインチューニング | 追加データで、モデルの重みを調整する（ファインチューニングの考え方） | 手間とコストがかかる |
| ツールの併用 | 検索・計算・社内システムなどと連携する（ツール利用（Function Calling）） | 設計が必要 |
多くの用途では、まずプロンプトの工夫から始め、足りない場合にRAGやファインチューニングを検討するのが一般的です。
提供の形態
| 形態 | 内容 |
|---|---|
| クラウドAPI／サービス | 提供元の環境で動かし、APIや画面から使う（生成AI APIの基本） |
| オープンな重みのモデル | 重みが公開され、自分の環境で動かせる（オープンモデルとクローズドモデル、ローカルLLMとは） |
課題とリスク
| 課題 | 内容 |
|---|---|
| 誤情報 | 事実と異なる内容を出す（ハルシネーション） |
| バイアス | 学習データの偏りが反映される（AIのバイアスと公平性） |
| 権利・データ | 学習データの権利や取り扱いが論点になる（AIと著作権（日本）） |
| 開発コスト・集中 | 事前学習に必要な資源が大きく、開発できる主体が限られる |
| 透明性 | 内部の挙動の説明が難しい |
| 悪用 | 偽情報の生成などへの懸念（ディープフェイク） |
基盤モデルのFAQ（よくある質問）
Q. 基盤モデルとLLMは同じですか？
A. LLMは基盤モデルの一種です。基盤モデルには、画像や音声を扱うものも含まれます。
Q. 基盤モデルは、自分で作れますか？
A. 一から作るには、大量のデータと計算資源が必要で、一般には困難です。既存のモデルを利用・調整するのが普通です。
Q. どのモデルを選べばよいですか？
A. 用途・費用・安全性・提供形態で選びます（AIサービスの選び方）。
どの適応方法から試すか
基盤モデルを自分の用途に使うときは、手軽な方法から順に試すのが効率的です。
- プロンプトの工夫（役割・例・形式の指定）で、どこまで目的に近づくかを見る。
- 知識が足りないなら、RAGで社内文書などを参照させる。
- 文体や形式の一貫性が足りない場合に、ファインチューニングを検討する。
用途にもよりますが、1と2で必要な品質に届くことも少なくありません。ファインチューニングは、準備するデータの量と品質、運用の手間を考えると、最後の選択肢と考えるのが現実的です。
事前学習のイメージ
基盤モデルの事前学習は、人間が「広く浅く読書をして、基礎的な教養を身につける」過程に例えられることがあります。大量の文章や画像から、言葉の使われ方や物事の関係性といった一般的なパターンを学びます。
その後、特定の用途に合わせて、少量の追加データや指示で適応させるのが、基盤モデルの使い方です。教養を身につけた人に、専門分野の資料を渡して仕事を頼むイメージです。この「汎用的な土台を共有し、用途ごとに適応する」という構造が、AI開発の効率を大きく高めました。一方で、土台に含まれる偏りや誤りが、あらゆる用途に引き継がれるおそれもあるため、土台の品質と安全性が重要視されています。
筆者の見解（基盤モデル）
基盤モデルという考え方の価値は、「AIを作る人と、AIを使う人の分業」を可能にした点にあると思います。利用者は、モデルをゼロから作らなくても、指示の工夫と外部情報の組み合わせで、多くの課題に取り組めます。まずは既存のモデルをどう使いこなすかに注力するのが、効率的な入り口です。
基盤モデルの関連項目
出典（一次情報）
本記事は一般的な情報の提供を目的としています。AIのサービス・機能・料金・仕様は頻繁に更新されるため、最新の内容は各社の公式ドキュメントでご確認ください。「筆者の見解」は一つの考え方です。