「ChatGPTと医療AIは、なぜ同じ技術なのに別人みたいに動くのか」——事前学習とファインチューニングの話【📚 AI教養100選 第43回】

🦜 ユウの素朴な疑問から始める

 
「アイロ、ちょっと聞いていい？」
 
ユウがベランダの盆栽に水をやりながら、スマホを片手に首をかしげた。
 
「ChatGPTって、何でも答えてくれるじゃないですか。でも病院で使われてる医療AIとか、カスタマーサポートのチャットボットって、話し方も知識の範囲もぜんぜん違う。あれ、中身って同じ技術なんですよね？なのになんで、こんなに振る舞いが違うんだろうって」
 
AIROが肩の上で羽を小さく広げた。
 
「いい疑問。そこ、ちゃんと理解すると、AIニュースの9割が急に読めるようになるよ」
 
---
 
AI関連のニュースを読んでいると、「事前学習」「ファインチューニング」という言葉が頻繁に登場します。でも、この2つが何を指しているのか、どう違うのか——ふんわり聞き流している人が多いのではないでしょうか。
 
今回は、この二段階構造を、図解と具体例を使って腹落ちする形でお伝えします。
 
読み終わったあと、「なんで同じLLMベースなのに振る舞いが全然違うの？」という疑問に、自分の言葉で答えられるようになります。
 
---
 

🍳 まず「料理人の修行」で考えてみよう

 
難しそうな言葉を使う前に、ひとつ比喩を使います。
 
---
 
ある若い料理人がいたとします。
 
第一段階：世界中のレシピを読みまくる
 
彼はまず10年間、図書館にこもって料理の教科書・レシピ本・食のエッセイ・食材辞典・シェフのインタビュー……ありとあらゆるテキストを読み込みました。
 
フランス料理も、和食も、中華も、インド料理も。デザートも、前菜も、発酵食品の科学も。
 
この段階では「特定の料理を極める」ことが目的ではありません。「料理とは何か」「食材の組み合わせとはどういうものか」という、料理全般の"骨格"を体に染み込ませるのが目的です。
 
これが 「事前学習（Pre-training）」 に当たります。
 
---
 
第二段階：特定の店に入って、その店の流儀を学ぶ
 
10年の読書修行を終えた料理人が、今度は「高級フランス料理のレストラン」に就職したとします。
 
シェフから「うちはこの調理手順で、このスタイルで、このお客様の層に向けて出す」と集中的に教えてもらう。
 
数週間〜数ヶ月で、その店の"流儀"に特化した料理人になります。
 
これが 「ファインチューニング（Fine-tuning）」 に当たります。
 
---
 
ChatGPTと医療AIの違いは、ここにあります。
 
どちらも「事前学習で膨大なテキストを吸収した同じ種類の料理人」です。でも一方は「汎用の万能シェフ」として働き、もう一方は「医療文書専門の精密シェフ」として特化した修行を積んでいる。だから振る舞いがまったく違う。
 
---
 

📐 二段階の構造を図で整理する

🔍 もう少し具体的に：それぞれの段階で何が起きているか

事前学習とは何か

 
事前学習は、AIが「言語の骨格」を習得する段階です。
 
対象は膨大です。Webページ、書籍、ニュース記事、学術論文、コード、フォーラムの会話……。インターネット上に存在する膨大なテキストが、まとめてAIに「読み込まれ」ます。
 
このとき、AIは特定の仕事を覚えているわけではありません。覚えているのは、こういうことです：
 
- 「この単語の次には、統計的にこういう単語が来やすい」
- 「この文脈では、こういう答え方が自然だ」
- 「こういう質問には、こういう形の回答が多い」
 
つまり、言語の"重力場"のようなものを学んでいます。
 
---
 
「ちょっと待って、それって暗記じゃないんですか」とユウが口を挟みました。
 
AIROは首を振りました。
 
「暗記じゃなくて、パターンの重みを調整する作業。百科事典を全部コピーしてるわけじゃなくて、"文章の流れの癖"を数値で覚えてるんだよ」
 
「…なんか、盆栽に似てるな」とユウがつぶやく。「枝の伸びやすい方向を、少しずつ覚えていく感じ？」
 
「いい比喩だよ、それ」
 
---
 
この段階は、とてつもなく大規模で、とてつもなくコストがかかります。GPT-4のような大規模モデルの事前学習には、数百億〜数千億円規模のコンピューティングリソースが使われると言われています（2026年時点の報道ベース。正確な数字は各社非公開のため、公式発表でご確認ください）。
 
一般企業が「うちでゼロから作ろう」と思っても、まず無理な規模です。
 
---
 

ファインチューニングとは何か

 
ファインチューニングは、事前学習で育った「汎用の基盤モデル」に、特定の目的・口調・知識を追加調整する段階です。
 
規模はぐっと小さくなります。特定のタスクに関連したデータ（数千〜数十万件程度）を追加で学習させることで、モデルは「その仕事に特化した振る舞い」を身につけます。
 
具体的な例を見てみましょう：
 
---
 
例① 医療AIへの特化
 
汎用LLM（大規模言語モデル）をベースに、医学論文・診療記録・薬剤情報などのデータを使ってファインチューニングすると：
 
- 医療用語を正確に扱える
- 「患者さんへの説明」か「医療従事者向けの専門的な記述」かを文脈で使い分ける
- 不確かな情報を断言しない（医療の世界では特に重要）
 
という特化した振る舞いを獲得します。
 
---
 
例② 接客チャットボットへの特化
 
同じ汎用LLMを使っても、「あるEC会社の接客用FAQ集・応対マニュアル・トーン指針」でファインチューニングすると：
 
- その会社のブランドトーンで話す
- その会社の商品・返品ポリシーを正確に答える
- 「汎用的すぎる回答」ではなく「その会社らしい答え方」になる
 
---
 
例③ コードアシスタントへの特化
 
GitHubのコードリポジトリやStack Overflowの投稿で追加学習させると、プログラミングの補完・デバッグ提案・コードレビューに特化した振る舞いを獲得します。
 
---
 

まとめると、こういう構造です

 
| | 事前学習 | ファインチューニング |
|---|---|---|
| 目的 | 言語の骨格・汎用能力を習得 | 特定タスク・口調・知識に特化 |
| データ規模 | 超大規模（兆単位のトークン） | 小〜中規模（数千〜数十万件） |
| コスト | 極めて高い | 比較的低い |
| 担い手 | 大企業・研究機関が中心 | 企業・研究者・場合によっては個人も |
| 成果 | 汎用LLM（GPT-4等） | 専門特化型AI（医療・法律・接客等） |
 
---
 

🤔 「じゃあ、プロンプトでの指示と何が違うの？」

 
鋭い疑問があります。「ファインチューニングしなくても、プロンプトで『医療の専門家として答えてください』って指示すればいいんじゃないか」——という疑問です。
 
これは半分正解で、半分違います。
 
プロンプト指示（システムプロンプト含む） は、毎回「その会話の中での役割」を一時的に与えるものです。会話が終われば、その設定もリセットされます。また、モデル自体が持つ知識は変わりません。
 
ファインチューニング は、モデルの重み（パラメータ）自体を調整します。「その振る舞いが標準状態になる」ようなイメージです。毎回指示しなくても、特化した応答が出てくる。
 
たとえて言うなら：
 
- プロンプト指示 ＝ 「今日はこの衣装を着てください」（その場限りのコスチューム）
- ファインチューニング ＝ 「その人のキャラクター自体を形成する訓練」（体に染み込んだ流儀）
 
どちらが優れているというわけではなく、目的と規模によって使い分けられています。
 
---
 

💡 「なぜこれを知っておくと得なのか」

 
AIROがユウに言った言葉を、そのまま引用します。
 
「この二段階を知っておくと、AIニュースの読み方が変わる。『○○社が新しい医療AI発表』って記事を見たとき、"ゼロから作ったのか、既存モデルをファインチューニングしたのか"を意識して読めるようになる。それだけで、そのAIがどれだけ信頼できるか、どこに限界があるかが少し見えてくる」
 
これは、AI時代の情報リテラシーの一つです。
 
ツールを「使う」だけでなく、「どういう仕組みで動いているか」の骨格を知っておくこと。それが、振り回されずにAIと付き合う土台になります。
 
---
 

✅ 今日のまとめ（保存版）

 
① 事前学習 = AIが「言語の骨格」を習得する第一段階
膨大なテキストから「言語の流れのパターン」を学ぶ。汎用的な言語能力の土台になる。
 
② ファインチューニング = 特定タスク・口調・知識に"絞り込む"第二段階
基盤モデルに追加データを学習させ、特化した振る舞いを身につける。比較的低コストで実施できる。
 
③ 同じLLMが「別人みたいに動く」のは、ファインチューニングの方向が違うから
ChatGPTも医療AIも、土台の技術は共通している。差を生み出すのは、どのデータで何を特化させたか。
 
---
 
このシリーズ（AI教養100選）では、毎回「これを知っておくと、AI時代が少し落ち着いて見える」視点を届けています。
 
次回も続きます。X（@jpAIlab）またはnoteのフォローで、更新を受け取ってください。

#AI #生成AI #ChatGPT #AIリテラシー #機械学習 #ディープラーニング #仕事術 #AI教養 #テクノロジー #日本AIラボ
 
▶ Makuake先行応援購入：https://www.makuake.com/project/navibookai/
▶ 公式ショップ（著者直営）：https://jpailab.theshop.jp/items/149914138
▶ Amazon：https://amzn.asia/d/0eNMt0a1