外国語の文章を日本語に訳してもらったあと、同じAIに「短くまとめてください」と頼むと、今度は要約が返ってきます。翻訳用と要約用で別の道具を使ってきた人には、不思議に感じられるかもしれません。仕事の種類が変わったのに、なぜ同じ相手に依頼できるのでしょうか。この疑問を考える手がかりが、「基盤モデル」という言葉です。

一言で答えると、基盤モデルは、幅広いデータで事前に学習し、複数の用途の土台になるモデルだからです。Googleの公式用語集では、大量で多様なデータを使って事前に学習した大規模なモデルであり、幅広い依頼に対応し、用途に合わせた追加調整の土台にもなると説明されています。翻訳や要約を、それぞれ完全に独立した仕組みとして捉える必要はありません。（出典: Google「Machine Learning Glossary: Generative AI」）



ただし、「幅広く対応できる」と「何を頼んでも正確にできる」は別の話です。翻訳では元の意味を別の言語で保つことが求められ、要約では大切な情報を選んで短くすることが求められます。同じ土台を使っていても、出来栄えを確かめる観点まで同じにはなりません。

この違いを知ると、AIを見るときの問いも変わります。「このAIは何でもできますか」と考えるより、「今回の依頼では何ができれば合格ですか」と考えやすくなるでしょう。ここでは、一つの架空の地域案内文を使い、共通の土台と異なる依頼の関係を見ていきます。実際の製品の操作結果ではなく、仕組みを理解するための例として読み進めてください。

基盤モデルの「基盤」は、共通の土台という意味です。では、「モデル」は何を指すのでしょうか。ここでは、データから学習して作られ、入力に応じた出力を生み出す仕組みと捉えてください。Google Cloudは、機械学習のモデルを、学習用データに対して計算手順を実行した結果として得られるものと説明しています。画面に表示されるアプリの名前と、その内部で使われるモデルという言葉は、分けて考えると整理しやすくなります。（出典: Google Cloud）

身近なたとえなら、一つの調理台と、そこにそろった道具を思い浮かべてみてください。同じ調理台でも、切る、混ぜる、盛り付けるという異なる作業に使えます。作業のたびに台そのものを作り直す必要はありません。基盤モデルも、複数の用途で共通して使える土台という点では似ています。ただし、これは役割を理解するためのたとえであり、AIの内部に調理道具のような部品が並んでいるという意味ではありません。



IBMの解説では、基盤モデルは、異なる種類の生成AIアプリケーションの基礎になるものとされています。生成AIとは、依頼に応じて文章や画像などの内容を作るAIです。その土台を作る学習では、データに含まれるパターンや関係がモデルに反映されると説明されています。（出典: IBM）

ここで押さえたいのは、基盤モデルを「翻訳の答えだけを収めた箱」と考えないことです。幅広いデータから得られた共通の土台があるため、用途を一つに限定せず使えると理解できます。人のような意識や経験を持つと想像する必要もありません。何から作られ、どのような依頼に使われる仕組みなのかに目を向ければ、専門用語に振り回されにくくなるでしょう。

共通の土台と依頼の関係を、具体例で確かめましょう。次の文章は、この記事のために作った架空の地域案内です。「青葉交流館では、土曜日の午前10時から正午まで、地域の古い写真を紹介する展示を開きます。入場は無料です。会場は駅から徒歩8分で、駐車場はありません」。実在する施設や催しの案内ではありません。

翻訳を頼むなら、例えば「この案内を英語に訳してください。開催時間、無料であること、駐車場がないことを省かないでください」と入力する方法が考えられます。こうしたAIへの入力や依頼を、プロンプトと呼びます。この場合の目的は、案内の意味を保ちながら言語を変えることです。短くすることを優先して情報を削ってしまうと、依頼の目的から外れてしまいます。



要約なら、依頼は変わります。「この案内を、参加を検討する人向けに2文でまとめてください。開催日時と駐車場がないことは残してください」という指定が一例です。説明用に人が作った要約例としては、「青葉交流館で、土曜日の午前10時から正午まで、地域の古い写真の無料展示を開きます。会場は駅から徒歩8分で、駐車場はありません」といった形が考えられます。これはAIによる実際の出力や、成功を保証する入力例ではありません。

この二つでは、材料となる案内文は同じでも、目指す結果が異なります。基盤モデルが幅広い依頼に対応するという説明を、利用者の側から見ると、共通の土台に対して作業の目的を指定する関係になります。（出典: Google「Machine Learning Glossary: Generative AI」）「何をしてほしいか」に加え、「何を残してほしいか」まで伝えることは、依頼を具体的にするための提案です。

「英語に訳してください」と入力したあとに「日本語で短くしてください」と頼むと、AIの返答の形が変わります。すると、その場で翻訳用から要約用へ作り替えられたようにも見えるでしょう。しかし、依頼に応じた文章を生成することと、モデルを学習によって調整することは、区別して考える必要があります。返答が変わったという事実だけでは、モデルの学習が行われたとは判断できません。

IBMは、生成AIの仕組みを説明する中で、基盤モデルを作る学習、特定の用途に合わせる調整、内容の生成や評価を分けています。また、Googleの用語集では、ファインチューニングを、事前に学習したモデルに対して特定の用途のために行う追加の学習と説明しています。ファインチューニングは「用途に合わせてモデルを追加調整する学習」と言い換えられます。（出典: IBM、Google「Machine Learning Glossary: Generative AI」）



先ほどの地域案内文なら、英訳を求める依頼と要約を求める依頼は、利用時に指定する作業の違いです。それに対して、用途に合った事例を使ってモデル自体を追加調整する話は、別の段階に当たります。利用者としては、この区別を知っておけば、「依頼文を工夫すること」と「専用のモデルを作ること」を混同しにくくなるでしょう。

もう一つ、「この会話を入力したら、その内容が今すぐモデルの学習に使われるのですか」という疑問も、ここから切り離して扱う必要があります。今回の資料にある基盤モデルの定義だけでは、個々のサービスの会話データの扱いまでは判断できません。利用時に依頼を変えられる仕組みを理解することと、利用するサービスのデータ利用条件を確認することは、それぞれ別の確認事項です。

一つの基盤モデルが複数の用途の土台になると聞くと、「一つの作業がうまくできれば、ほかの作業も任せられそうです」と感じるかもしれません。しかし、Googleの用語集が示しているのは、幅広い依頼への対応や追加調整の土台になるという性質です。すべての依頼で同じ品質になる、あるいは確認が不要になるという保証ではありません。（出典: Google「Machine Learning Glossary: Generative AI」）

地域案内の翻訳なら、英語として読みやすくても、午前と午後が入れ替わっていれば案内として困ります。「駐車場はありません」という注意が抜けても、読む人の行動に影響するでしょう。要約の場合は、短さだけで判断できません。開催場所は残っていても、日時が抜けていれば、参加を検討するための情報が足りなくなります。これらは実際のAIの失敗報告ではなく、確認すべき点を示す架空の例です。



確認項目を用途別に分けると、見るべきところが具体的になります。例えば、次のように整理する方法を提案できます。

| 用途 | 確認すること | 架空の案内文での確認例 |
| --- | --- | --- |
| 翻訳 | 元の意味や条件が保たれているか | 時間帯、無料、駐車場なしの記載を照合します |
| 要約 | 必要な情報が残っているか | 開催日時と会場の情報を確認します |
| 両方 | 元の文章にない内容が加わっていないか | 予約方法などが追加されていないか確かめます |

原文を手元に置き、数字、場所、条件を照合するところから始めると、確認の対象を絞りやすくなります。翻訳先の言語が分からない場合は、自分だけでは確かめきれない範囲も残るでしょう。文章の流暢さをそのまま正確さと受け取らず、自分が確認できる点と、ほかの人の確認が必要な点を分ける見方が役立ちます。

基盤モデルを理解するために、難しい設定や専門的な操作を覚える必要はありません。試す題材としては、自分で内容を確認できる短い文章が向いていると考えられます。例えば、自分で作った持ち物の案内や、架空の催しのお知らせです。同じ文章に対して二種類の依頼を出し、何が変わり、何が保たれるべきかを見比べる練習を提案します。

一つ目の依頼では、「この文章を、意味を変えずに英語に訳してください」と指定します。二つ目では、「この文章を日本語で2文にまとめてください。日時と注意事項は残してください」と指定してみます。これは使い方を考えるためのプロンプト例であり、どのモデルでも期待どおりの結果が得られるという意味ではありません。英語が分からなければ、翻訳の良し悪しを無理に判定せず、日本語の要約と原文の比較から始めてもよいでしょう。



見比べるときは、「どちらの文章が上手ですか」だけを問わず、依頼ごとの目的を確認してください。翻訳には情報を保つ役割があり、要約には情報を選ぶ役割があります。同じ内容を扱っていても、望ましい出力は一つではありません。幅広い依頼に対応する共通の土台という基盤モデルの説明は、この違いを捉える手がかりになります。（出典: Google「Machine Learning Glossary: Generative AI」）

手元の短い案内文を一つ選んだら、入力する前に「絶対に変わってほしくない情報」を三つ書き出してみてください。日時、場所、参加条件などで十分です。そのうえで翻訳や要約を頼み、書き出した項目と照合します。AIが多くの作業に対応できることを知るだけでなく、今回の作業で何を確かめればよいかまで決めることが、次の依頼を具体的にする一歩になります。

- Machine Learning Glossary: Generative AI
- What Is Artificial Intelligence (AI)? | IBM
- AI vs. Machine Learning: How Do They Differ? | Google Cloud

資料の取得日時は2026年11月11日です。IBMの記事には、公開日として2024年8月9日、更新日として2026年10月2日が記載されています。取得日は公開日とは異なり、この記事では新機能の発表として扱っていません。