LLMとほかのAI技術の違いについて

LLM（Large Language Model：大規模言語モデル）は、AI技術の一種です。

文章の生成や要約、翻訳、質問応答、プログラムコードの作成など、言語を中心とした幅広い処理を得意としています。

一方で、AIにはLLM以外にも、画像認識AI、音声認識AI、予測AI、強化学習、ルールベースシステムなど、さまざまな技術があります。

それぞれ得意な処理や仕組みが異なるため、LLMだけですべてのAI処理を行うわけではありません。

LLMとほかのAI技術の違いを理解するためには、「どのような情報を扱うのか」「何を目的としているのか」「どのような仕組みで処理するのか」という点を比較すると分かりやすくなります。

LLMとは

LLMとは、「Large Language Model」の略で、日本語では「大規模言語モデル」と呼ばれます。

大量のテキストデータなどを使って学習し、言語のパターンや文脈を捉えながら文章を生成するモデルです。

LLMが得意とする処理

LLMは、さまざまな言語処理に利用できます。

代表的な用途としては、次のようなものがあります。

• 文章生成
• 要約
• 翻訳
• 質問応答
• 文章分類
• 情報整理
• アイデア出し
• プログラムコード生成
• 会話

従来のAIでは、タスクごとに専用のモデルやシステムを構築するケースが多くありました。

一方、LLMは一つのモデルで多くの言語タスクに対応できる点が大きな特徴です。

LLMは次のトークンを予測しながら文章を生成する

多くの生成型LLMでは、入力された文章の文脈をもとに、次に続く可能性の高い「トークン」を予測する仕組みが利用されています。

トークンとは、AIが文章を処理するときの単位です。

単語そのものだけでなく、単語の一部や文字、記号などがトークンとして扱われる場合もあります。

LLMは次のトークンを繰り返し予測することで、自然な文章を生成します。

ただし、学習した文章を単純に検索してコピーしているわけではありません。

学習データから言語のパターンや概念間の関係をモデル内部のパラメータに反映し、それを利用して出力を生成します。

一方で、条件によっては学習データに含まれる表現の一部を再現する可能性もあるため、「学習した内容を一切再現しない」というわけではありません。

LLMとAIの違い

AIは「Artificial Intelligence」の略で、日本語では人工知能と呼ばれます。

AIは非常に広い概念であり、LLMはその中に含まれる技術の一つです。

AIはLLMより広い概念

AIには、さまざまな技術やシステムが含まれます。

たとえば、次のようなものです。

• 機械学習
• ディープラーニング
• 画像認識
• 音声認識
• 自然言語処理
• 強化学習
• ルールベースシステム
• 推薦システム
• 予測モデル

したがって、「AI＝LLM」ではありません。

LLMはAIの中でも、特に言語処理を得意とする大規模なモデルと位置付けることができます。

AI・機械学習・ディープラーニング・LLMの関係

大まかに整理すると、LLMはAIの一種であり、現在主流のLLMは機械学習、特にディープラーニングを利用して構築されています。

ただし、AI技術全体を単純な一つの階層構造だけで表すことはできません。

AIには、人間があらかじめルールを設定するルールベース型のシステムなど、機械学習を使わない仕組みも存在します。

そのため、

「現在一般的なLLMは、機械学習やディープラーニングを利用したAIモデルの一種」

と理解するとよいでしょう。

LLMと機械学習の違い

機械学習とは、データからパターンや規則性を学習し、分類や予測などを行う技術です。

LLMも機械学習を利用して作られていますが、一般的な機械学習モデルとは用途や規模が異なります。

機械学習は特定の予測や分類に使われることが多い

一般的な機械学習では、特定の目的に合わせてモデルを構築するケースが多くあります。

たとえば、

「顧客が解約する可能性を予測する」

「商品の売上を予測する」

「不正利用を検知する」

といった用途です。

この場合、それぞれの目的に適したデータを用意し、専用のモデルを構築します。

LLMは複数の言語タスクに対応しやすい

LLMの場合、一つのモデルに対して、さまざまな指示を与えることができます。

たとえば、

「文章を要約してください」

「英語に翻訳してください」

「商品紹介文を作成してください」

「Pythonのコードを書いてください」

といった異なる処理を、一つのLLMで実行できます。

この汎用性の高さが、従来型の機械学習モデルとの大きな違いです。

LLMとディープラーニングの違い

ディープラーニングは、日本語では「深層学習」と呼ばれます。

多数の層を持つニューラルネットワークを利用し、データから特徴やパターンを学習する技術です。

LLMはディープラーニングを利用して構築される

現在主流のLLMは、ディープラーニングを利用して構築されています。

そのため、LLMとディープラーニングは対立する技術ではありません。

ディープラーニングという広い技術の活用例の一つとして、LLMが存在すると考えると分かりやすいでしょう。

ディープラーニングは言語以外にも使われる

ディープラーニングは、LLMだけに使われる技術ではありません。

画像認識、音声認識、動画解析、自動運転、医療画像解析など、幅広い分野で利用されています。

一方、LLMは主に言語を中心とした処理に特化して発展してきたモデルです。

LLMと生成AIの違い

LLMと混同されやすい言葉の一つが「生成AI」です。

生成AIとは、新しいコンテンツを生成するAIの総称です。

生成AIは幅広いコンテンツを生成する

生成AIが作成できるコンテンツには、次のようなものがあります。

• 文章
• 画像
• 音声
• 動画
• 音楽
• プログラムコード

LLMは文章やコードなどの生成に利用されることが多いため、生成AIを実現する代表的なモデルの一つです。

生成AIとLLMは完全な上下関係ではない

生成AIとLLMは、分類の基準が異なります。

生成AIは「コンテンツを生成するAI」という機能や用途を表す言葉です。

一方、LLMは「大規模な言語モデル」というモデルの種類を表します。

そのため、「生成AIの中に必ずLLMが含まれる」と単純に考えるのではなく、

「LLMは文章生成AIなどで広く使われるモデルの一つ」

と理解するのが適切です。

画像生成AIや音声生成AIなどでは、LLM以外のモデルが使われることもあります。

LLMと画像認識AIの違い

画像認識AIは、画像に写っているものを分析することを得意とするAIです。

画像認識AIは画像の分類や検出を行う

画像認識AIでは、たとえば次のような処理を行います。

• 犬と猫を判別する
• 人物を検出する
• 製品の傷を見つける
• 医療画像から特徴を検出する
• 商品画像を分類する

一方、LLMは文章生成や要約、質問応答といった言語処理を得意とします。

現在は画像を扱えるマルチモーダルモデルもある

近年では、画像とテキストを同時に扱える大規模なマルチモーダルモデルも普及しています。

このようなモデルでは、画像を入力して、

「この写真について説明してください」

「このグラフの内容を分析してください」

といった指示を出すことができます。

そのため、従来は明確に分かれていた画像AIとLLMの機能が、一つのシステムに統合されるケースも増えています。

LLMと画像生成AIの違い

画像生成AIは、文章や画像などを入力し、新しい画像を生成するAIです。

出力するデータが異なる

一般的なLLMの中心的な出力は文章です。

一方、画像生成AIでは画像を生成します。

画像生成AIでは、拡散モデルなど、LLMとは異なる仕組みが広く利用されてきました。

ただし現在では、言語モデルと画像生成モデルを組み合わせ、自然な文章による指示から画像を生成するシステムもあります。

LLMと音声認識AIの違い

音声認識AIは、人間の音声を文字情報へ変換するAIです。

スマートフォンの音声入力、会議の文字起こし、コールセンターの通話解析などで利用されています。

音声認識AIとLLMは役割が異なる

代表的なAI音声システムでは、次のような流れがあります。

音声入力
↓
音声認識AIがテキスト化
↓
LLMが回答を生成
↓
音声合成AIが読み上げ

このように、それぞれ別の役割を担当します。

ただし、現在では音声を直接理解・生成できるマルチモーダルモデルもあるため、必ずしもすべてのシステムがこの構成になっているわけではありません。

LLMと音声合成AIの違い

音声合成AIは、テキストを音声へ変換する技術です。

「Text-to-Speech」の頭文字を取って「TTS」と呼ばれることもあります。

LLMが回答文を生成し、音声合成AIがその文章を読み上げるという形で組み合わせて利用できます。

LLMと自然言語処理の違い

自然言語処理は、「Natural Language Processing」の略で「NLP」と呼ばれます。

人間が使用する言語をコンピューターで処理する技術分野です。

NLPは技術分野、LLMはモデル

自然言語処理には、次のような処理が含まれます。

• 形態素解析
• 文書分類
• 感情分析
• 固有表現抽出
• 機械翻訳
• 文書要約
• 検索
• 質問応答

LLMは、この自然言語処理で利用されるモデルの一つです。

つまり、

「NLP＝言語処理に関する技術分野」

「LLM＝NLPなどで利用されるモデル」

という違いがあります。

LLMとルールベースAIの違い

ルールベースシステムとは、人間があらかじめ設定した条件や規則に従って処理する仕組みです。

ルールベースは処理内容を管理しやすい

たとえば、

「売上が100万円以上ならAランク」

「50万円以上100万円未満ならBランク」

といった条件を事前に設定します。

ルールが固定されているため、決定論的に実装されている場合は、同じ条件に対して同じ結果を返しやすいという特徴があります。

一方、LLMでは確率的な生成処理が行われるため、設定によっては同じ質問でも回答表現が変化する場合があります。

そのため、厳密な業務ルールを守ることが重要な処理では、LLMよりルールベースシステムのほうが適していることもあります。

LLMとエキスパートシステムの違い

エキスパートシステムとは、専門家の知識や判断基準をルールとして登録し、推論を行うAIシステムです。

知識の持ち方が異なる

エキスパートシステムでは、

「条件Aかつ条件Bなら結果C」

といった知識を、人間が明示的なルールとして設定します。

一方、LLMは大量のデータからパターンを学習します。

そのため、エキスパートシステムとLLMでは、知識をシステムへ取り込む方法が大きく異なります。

LLMと強化学習の違い

強化学習とは、AIが環境の中で行動し、その結果として得られる報酬をもとに、より良い行動を学習する手法です。

LLMの調整に強化学習が使われることもある

LLMと強化学習は別の概念ですが、LLMの調整に強化学習の考え方が利用されることがあります。

代表例として、人間からのフィードバックを利用してモデルの振る舞いを改善するRLHFがあります。

ただし、LLMそのものが強化学習モデルというわけではありません。

また、すべてのLLMが同じ調整方法を採用しているわけでもありません。

LLMと検索エンジンの違い

LLMと検索エンジンは、どちらも質問に対して情報を提示できるため、似た技術に見える場合があります。

しかし、基本的な役割は異なります。

検索エンジンは既存情報を探す

検索エンジンは、インターネット上などにある情報を検索し、関連するページや情報を提示する仕組みです。

LLMは回答を生成する

LLMは、入力された文章や与えられた情報をもとに、回答となる文章を生成します。

LLM単体では、必ずしもインターネットを検索して最新情報を取得しているわけではありません。

ただし、現在では検索機能とLLMを組み合わせたサービスも増えています。

そのため、「LLMそのもの」と「検索機能を搭載したLLMサービス」は分けて考えることが重要です。

LLMとRAGの違い

RAGは、「Retrieval-Augmented Generation」の略で、日本語では「検索拡張生成」などと呼ばれます。

RAGは外部情報を取得してLLMに渡す仕組み

RAGでは、検索システムなどを利用して質問に関連する外部情報を取得し、その情報をLLMなどの生成モデルに渡して回答を生成します。

たとえば、社内マニュアルを検索対象として利用すれば、質問に関連する部分を検索し、その内容を参考に回答を生成できます。

RAGはLLMそのものではない

RAGはモデルの種類ではなく、検索と生成を組み合わせた仕組みです。

LLMが内部知識だけで回答するのではなく、外部の文書やデータベースを参照できるため、最新情報や社内情報などを回答に反映しやすくなります。

ただし、RAGを導入すれば必ず正確になるわけではありません。

関連情報を正しく検索できなかった場合や、古い文書を取得した場合には、誤った回答につながる可能性があります。

そのため、RAGは「正確性を保証する技術」ではなく、「外部情報を活用することで、より根拠のある回答を生成しやすくする仕組み」と考えるのが適切です。

LLMとチャットボットの違い

チャットボットとは、ユーザーと会話するためのシステムやサービスです。

チャットボットはアプリケーションの形態

従来のチャットボットでは、あらかじめ登録されたルールに従って回答する仕組みが多く使われていました。

現在では、LLMを利用したチャットボットも増えています。

つまり、

「LLM＝モデル」

「チャットボット＝会話するためのシステム」

という違いがあります。

LLMを使わないチャットボットも存在します。

LLMと予測AIの違い

予測AIは、過去のデータなどを利用して、将来の数値や結果を予測するAIです。

予測AIが使われる代表的な分野

たとえば、次のような用途があります。

• 売上予測
• 需要予測
• 在庫予測
• 解約予測
• 不正利用検知

このような処理では、回帰モデル、勾配ブースティング、時系列モデルなど、目的に特化した機械学習モデルが適している場合があります。

LLMは文章の説明や分析結果の要約、分析用コードの作成などに活用できますが、高精度な数値予測そのものについては専用モデルのほうが適しているケースも少なくありません。

LLMとロボットAIの違い

ロボットAIでは、現実世界の状況を認識し、判断し、実際に動作する必要があります。

ロボットでは複数のAI技術を組み合わせる

ロボットには、たとえば次のような技術が組み合わされます。

• カメラによる画像認識
• センサーによる環境認識
• 行動計画
• 経路計画
• モーター制御
• 音声認識
• 自然言語処理

LLMは、人間からの指示を理解したり、タスクの計画を立てたりする部分で活用できます。

ただし、実際のモーター制御などでは、安全性やリアルタイム性に優れた専用制御システムが利用されることが一般的です。

LLMとマルチモーダルAIの違い

マルチモーダルAIとは、複数の種類の情報を扱えるAIです。

モダリティとは情報の種類を意味する

代表的なモダリティには、次のようなものがあります。

• テキスト
• 画像
• 音声
• 動画

LLMは本来、言語を中心として発展してきたモデルです。

一方、マルチモーダルAIは「複数種類の情報を扱えるかどうか」という観点から分類されます。

そのため、LLMとマルチモーダルAIは排他的な関係ではありません。

LLMを基盤としながら、画像や音声などを扱えるマルチモーダルモデルも存在します。

LLMとAIエージェントの違い

AIエージェントとは、一般的に、ユーザーから与えられた目標に基づき、必要な処理を判断しながら複数の作業を進めるシステムを指します。

AIエージェントではLLMが判断部分に使われることがある

たとえば、

「競合企業を調査してレポートを作成する」

という指示に対して、

情報を検索する
↓
必要な情報を整理する
↓
内容を比較する
↓
レポートを生成する

といった複数の工程を実行する仕組みが考えられます。

AIエージェントでは、LLMだけでなく、検索システム、API、データベース、各種ツールなどを組み合わせる場合があります。

つまり、LLMはモデルであるのに対し、AIエージェントは複数の技術を組み合わせたシステムとして捉えると分かりやすいでしょう。

LLMと関連する主なAI技術・仕組みの比較

LLMと関連技術の違いを整理すると、次のようになります。

技術・仕組み	主な目的	主な入力	主な出力
LLM	言語理解・文章生成	テキストなど	テキストなど
機械学習	分類・予測	数値・カテゴリデータなど	予測値・分類結果
画像認識AI	画像分析	画像	分類・検出結果
画像生成AI	画像作成	テキスト・画像など	画像
音声認識AI	音声の文字化	音声	テキスト
音声合成AI	文章の音声化	テキスト	音声
強化学習	行動方針の学習	状態・報酬など	行動・方策
ルールベースシステム	規則に基づく処理	条件	定義された結果
予測AI	数値・結果の予測	過去データなど	予測値
RAG	外部情報を利用した生成	質問・外部文書	外部情報を踏まえた回答
AIエージェント	複数の作業を実行	目標・指示	行動・成果物

ここで注意したいのは、これらがすべて同じ分類レベルの言葉ではないという点です。

LLMはモデル、機械学習は技術分野、RAGは検索と生成を組み合わせる仕組み、AIエージェントはシステムの概念です。

そのため、用途に応じて複数の技術を組み合わせて利用することが一般的です。

LLMがほかのAI技術と異なる主な特徴

LLMには、従来のAI技術とは異なる特徴があります。

自然言語で指示できる

LLMでは、人間が普段使う文章で指示できます。

たとえば、

「この文章を短くしてください」

「初心者向けに説明してください」

「表に整理してください」

といった自然な言葉で操作できます。

この使いやすさはLLMの大きな特徴です。

一つのモデルで多くの処理に対応できる

LLMは、文章生成だけでなく、要約、翻訳、分類、質問応答、コード生成など、複数のタスクに対応できます。

専用モデルをタスクごとに作成しなくても、プロンプトによって処理内容を変更しやすい点が特徴です。

非構造化データを扱いやすい

企業が保有する情報には、データベースのように整理された構造化データだけでなく、文章やメールなどの非構造化データも多く存在します。

LLMは文章処理を得意としているため、

• メール
• 議事録
• 契約書
• 問い合わせ履歴
• マニュアル
• レポート

などの情報整理や要約にも活用できます。

LLMがすべてのAIより優れているわけではない

LLMは非常に汎用性の高い技術ですが、すべての用途で最適というわけではありません。

数値予測では専用モデルが適している場合がある

売上予測や需要予測などでは、専用の機械学習モデルのほうが高い精度を出せる場合があります。

画像処理では画像専用モデルが適している場合がある

工場の製品検査など、高速かつ高精度な画像判定が必要な場合には、画像認識専用モデルが適している場合があります。

厳密なルール処理ではルールベースが適している場合がある

法令や業務規則に従って必ず同じ処理を行う必要がある場合には、ルールベースシステムのほうが管理しやすいケースもあります。

そのため、LLMだけですべてを処理するのではなく、目的に応じて最適な技術を選択することが重要です。

LLMとほかのAI技術は組み合わせて活用される

実際のAIシステムでは、LLMだけを単独で使用するのではなく、複数のAI技術を組み合わせるケースが増えています。

ECサイトで複数のAIを組み合わせる例

ECサイトでは、たとえば次のような役割分担が考えられます。

推薦AI
ユーザーの行動履歴からおすすめ商品を提案する。

画像認識AI
商品画像の内容を分析する。

LLM
商品説明文や問い合わせ回答を生成する。

RAG
商品データベースやマニュアルから関連情報を取得する。

チャットボット
ユーザーとの会話を行う。

このように、LLMはほかのAI技術をすべて置き換える存在というより、さまざまなシステムと連携しながら活用できる技術と考えると分かりやすいでしょう。

まとめ

LLMは、大量のデータから言語のパターンを学習し、文章生成、要約、翻訳、質問応答などを行う大規模な言語モデルです。

AIという広い分野の中にさまざまな技術が存在し、LLMはその一つに位置付けられます。

機械学習は分類や予測、画像認識AIは画像分析、音声認識AIは音声の文字化、予測AIは将来予測など、それぞれ得意分野が異なります。

また、生成AIとLLMも同じ意味ではありません。

生成AIは新しいコンテンツを生成するAI全般を指すのに対し、LLMは主に言語を扱う大規模なモデルです。

さらに、RAGは外部情報を検索して生成モデルに渡す仕組みであり、AIエージェントはLLMや検索、APIなどを組み合わせて複数の作業を実行するシステムとして利用されます。

LLMの大きな特徴は、自然言語で指示でき、一つのモデルで幅広い言語タスクに対応できることです。

一方で、数値予測や画像認識、厳密なルール処理などでは、専用のAI技術のほうが適している場合もあります。

そのため、AIを導入する際には「LLMか、それ以外のAIか」という二者択一で考えるのではなく、目的に応じてLLM、機械学習、画像認識、RAG、検索システムなどを適切に組み合わせることが重要です。

以上、LLMとほかのAI技術の違いについてでした。

最後までお読みいただき、ありがとうございました。