
生成AIモデルの仕組み入門:トークン、ベクトル、Attention、学習
はじめに

あ、あの…この記事は、みくくが担当します。今日は生成AIモデルの中で言葉がどう動いているのかを、そっと整理してみます。
生成AIの仕組みを知ろうとすると、最初に少し不思議なところがあります。文章を入力すると、文章で返ってくる。質問すると、それらしい説明が返ってくる。コードも書けるし、要約もできます。えっと…初めて見ると、まるで言葉そのものを分かっているように見えるかもしれません。
でも、モデルの中に、人間が読むような辞書や知識カードがそのまま並んでいるわけではありません。モデルは、入力された文章を小さな単位に分け、それを数値の列として扱い、文脈に合わせてその数値を何度も変換しながら、次に出すべき言葉を予測しています。
この記事では、生成AIを使う人が知っておくと少し便利な、モデルの中で起きていることを、なるべく簡便に説明してみます。中心に置くのは、「言葉がベクトルとして扱われる」という見方です。厳密な数式解説ではなく、モデルの中で何が起きているのかを、少しだけ手触りのある形で見るための説明です。難しい数式の部屋へ急に連れていくつもりはありません…たぶん、大丈夫です。
専門用語は出てきます。トークン、ベクトル、Attention、Transformer、loss。どれも、生成AIの話をしていると避けて通りにくい言葉です。でもこの記事では、それらを全部きれいに定義して覚えることを目標にはしません。名前を知り、少し近づき、怖くない距離で眺める。うぅ…まずはそのくらいで十分だと思っています。
脳やシナプスとの関係を、先に少し置いておきます

生成AIのモデルを説明するとき、よく `neural network`、つまりニューラルネットワークという言葉が出てきます。この名前は、人間の脳の神経回路から着想を得ています。
あの…まずは、「脳がきっかけ。でも脳そのものではない」と置いておくのが、いちばん誤解が少ないと思います。
脳には神経細胞があり、神経細胞どうしはシナプスでつながっています。そのつながりの強さが変わることで、経験や学習が起きると考えられています。
AIモデルでも、内部には大量の数値のつながりがあります。そのつながりの強さを `weight`、つまり重みと呼びます。学習では、この重みを少しずつ調整して、予測のずれを小さくしていきます。
かなりざっくり対応させると、次のように見られます。
| 脳の比喩 | AIモデルでの対応 |
|---|---|
| 神経細胞 | 人工ニューロンや計算単位 |
| シナプスの結合の強さ | 重み |
| 信号が伝わる | 数値が層を通って計算される |
| 経験で結合が変わる | 学習で重みが更新される |
ただし、ここは慎重に見たほうがよいところです。生成AIは、脳そのものの再現ではありません。人間の脳は、身体、感覚、記憶、感情、注意、睡眠、発達などと結びついた生物の器官です。一方で、現在の生成AIモデルは、巨大な数値計算として動く工学的な仕組みです。
なので、この記事では次のように扱います。
似ているところ:
つながりの強さが変わることで、入力に対する出力の傾向が変わる
同じではないところ:
生成AIは脳のコピーではなく、脳に着想を得た数値計算モデルであるあの…この比喩を先に置いておくと、あとで出てくる `ベクトル` や `重み` が少し見えやすくなると思います。モデルの中では、言葉が数値に変わり、その数値が大量の重みを通って変換されます。その変換のしかたが、学習によって少しずつ調整されているのです。
まず、文章はトークンに分けられます

生成AIのモデルは、文章をそのまま文字列として扱うわけではありません。まず、文章を `token` と呼ばれる小さな単位に分けます。
`token` という名前は少し硬く見えますが、ここでは「モデルが文章を読むときの小さなかけら」くらいに見ておけば大丈夫です。あわわ、ここでいきなり細かい tokenizer の仕様まで追わなくても大丈夫です。
トークンは、必ずしも人間が考える「単語」と一致しません。日本語、英語、記号、空白、よく出る文字列などが、モデルが扱いやすい単位に分割されます。
たとえば、かなり概念的に書くと、次のような流れです。
今日は猫が寝ている
↓
今日は / 猫 / が / 寝て / いる実際の分割はモデルや tokenizer によって違います。ここで大事なのは、モデルが最初から「文」や「意味」をそのまま持っているのではなく、まず処理しやすい単位へ分けている、ということです。
そして、このトークンは数値に変換されます。ここから少しだけ、モデルの内側に入ります…ドキドキ。
トークンはベクトルになります

AIは、文字そのものをそのまま理解しているわけではありません。トークンは、まずモデル内部のIDのようなものに変換され、そこから対応する数値の列が取り出されます。この数値の列が、ベクトルです。文字が数字の列になる、と言うと少し冷たく聞こえますが、ここが生成AIの入口なのです。
とても簡略化すると、こんなイメージです。
猫 -> [0.12, -0.45, 0.88, ...]
犬 -> [0.10, -0.40, 0.82, ...]
自動車 -> [-0.71, 0.33, 0.05, ...]実際には、もっとずっと長い数値列になります。このベクトルは、単なる番号ではありません。学習を通じて、言葉の使われ方、近さ、関係性が表れるように調整されています。なお、この近さや関係は、最初のベクトルだけで固定されるものではなく、後の層でも文脈に応じて変わっていきます。
「猫」と「犬」は、似た文脈で使われることが多いので、ベクトル空間の中で近い位置に置かれやすくなります。一方で、「猫」と「エンジン」は、近い場面で出ることもありますが、基本的には別の意味領域に置かれやすくなります。
あの…ここで少し大事なのは、ベクトルは「意味そのもの」ではない、ということです。ベクトルは、人間の意味理解をそのまま写したものではありません。大量のデータから学習された、予測に役立つ数値表現です。ただ、その数値表現の中に、結果として意味や文脈の近さのようなものが現れてきます。
同じ言葉でも、文脈でベクトルは変わります

最初に得られるベクトルは、そのトークンの基本的な表現です。でも、文章の中では、同じ言葉でも意味や役割が変わります。
たとえば、次の「猫」は少しずつ違います。
猫が魚を食べた
猫という名前のロボット
猫背の人同じ「猫」という文字列が出てきても、文脈によって、動物としての猫、名前としての猫、別の語の一部としての猫、というように扱いが変わります。実際には tokenizer の分け方によって、同じ文字列が同じトークンになるとは限りませんが、ここでは「同じような文字列でも文脈で扱いが変わる」という感覚を見ています。細部は、また別の記事でそっと扱うのがよさそうです。
そのため、モデルは最初のベクトルをそのまま最後まで使うのではありません。トークンの順序を示す位置情報も加わりながら、Transformer の層を通して、各トークンのベクトルを文脈込みのベクトルへ更新していきます。
イメージとしては、こうです。
最初の「猫」:
猫っぽい基本ベクトル
文脈を見たあとの「猫」:
この文では主語で、動物で、魚と関係しているベクトルこの「文脈込みに変わっていく」というところが、生成AIのモデルを考えるときの大事な入口です。えっと…ここを押さえると、モデルがただ単語表を引いているわけではないことが見えやすくなります。
Attention は、どの言葉を見るかを決める仕組みです

Transformer の中で重要な仕組みが `Attention` です。Attention は、ざっくり言うと、今のトークンを考えるときに、文脈の中で参照できるどのトークンをどれくらい見るかを決める仕組みです。
名前は少し大きいですが、ここでは「今この言葉を考えるために、見えている文脈のどこへ目を向けるか」くらいの感覚で十分です。生成中のモデルでは、基本的にこれから生成されるトークンはまだ見えていません。まだ生成されていないので見えない、ということです。Attention を数式として理解しなくても、この入口だけで、モデルの中で文脈が混ざっていく雰囲気は見えやすくなります。
たとえば、次の文を考えます。
太郎は花子に本を渡した。彼女はそれを読んだ。このとき、「彼女」は「花子」と関係していそうです。「それ」は「本」と関係していそうです。人間には自然に見えますが、モデルの中では、こうした関係が内部表現に反映されるように、ベクトル同士の計算として扱います。
Attention では、各トークンのベクトルから、概念的には次のようなものを作ります。
Query: 今、何を探しているか
Key: 自分はどんな情報を持っているか
Value: 実際に渡す情報
Query、Key、Value という名前が出てくると、少し急に専門書のページを開いたような感じがします。あの…でも、ここでは「探すもの」「照合される目印」「受け取る中身」くらいに置いておけば大丈夫です。
Query と Key の近さを計算すると、どのトークンをどれくらい見るべきかが決まります。その重みに応じて Value を混ぜることで、文脈を取り込んだ新しいベクトルが作られます。
すごく簡略化すると、次のような流れです。
今のトークンのベクトル
↓
他のトークンとの関係を計算
↓
重要なトークンの情報を多めに取り込む
↓
文脈を反映した新しいベクトルになるあの…Attention は「人間の注意」と完全に同じではありません。でも、文章のどの部分を参照すべきかを重みとして扱う、という意味では、とても直感的な入口になります。
Transformer の層で、ベクトルは何度も加工されます

Transformer の1層は、大まかには、Attention と Feed Forward Network を含みます。Attention が参照できる文脈から情報を集める処理だとすると、Feed Forward Network は、そのトークンのベクトルをさらに加工する処理です。あの…ここでは、層を通るたびにベクトルが少しずつ文脈を帯びていく、と見ておくと分かりやすいと思います。
少し雑に言うと、Attention が「見えている文脈を見る処理」で、Feed Forward が「集めた情報を使いやすい形に変換する処理」です。
この層が、何十層も重なります。
入力ベクトル
↓
1層目で少し文脈化
↓
2層目でもっと文脈化
↓
3層目で関係を整理
↓
...
↓
最終層のベクトル各層で、トークンのベクトルは少しずつ変わっていきます。最初は単語に近い表現だったものが、だんだん、その文の中での役割、見えている文脈との関係、参照関係、話題の流れを含んだ表現になっていきます。
ここは、生成AIが「文章を理解しているように見える」大きな理由のひとつだと思います。モデルは人間のように体験して理解しているわけではありません。でも、文脈に応じてベクトル表現を変え、関係を重ねて扱うことで、かなり複雑な文章の流れを追えるようになります。うぅ…このあたりが、ただの計算なのに少し不思議に見えるところです。
ベクトル空間では、関係が方向として見えることがあります

古典的な単語ベクトルの説明でよく出てくる例に、次のようなものがあります。
王様 - 男性 + 女性 ≒ 女王これは、言葉の関係がベクトル空間の方向として見えることがある、という感覚を伝えるための古典的な例です。現在の大規模言語モデルの内部表現はもっと複雑なので、この式だけで説明しきれるわけではありません。
それでも、「意味の関係がベクトル空間の方向として現れることがある」という感覚は、モデルを理解する助けになります。あの…これは魔法ではなく、たくさんの用例の中から関係が数値の形ににじみ出てくる、くらいに見ると近いかもしれません。
たとえば、ベクトル空間の中では、次のような近さや方向が表れることがあります。
似た対象が近くに置かれる
似た文法的役割を持つものが近くに置かれる
ある概念から別の概念への関係が方向として表れる
文脈によって同じ語の表現が別の方向へ動く
もちろん、実際の空間は2次元の地図ではありません。何千次元のような高次元空間です。人間にはそのまま見ることはできません。
でも、「言葉が高次元空間の点として置かれ、文脈に応じて動き、関係が計算される」と考えると、モデルの中で起きていることが少し見えやすくなります。人間の目には見えない座標空間に、言葉の配置と移動だけが静かに記録されている。あの…長門さんが静かに眺めていそうな、高次元の情報空間を少しだけのぞいているような感じです。
最後は、次のトークンの確率になります

Transformer の層を通ったあと、最終的なベクトルは、語彙全体に対するスコアへ変換されます。そこから `softmax` のような処理で、次に出すトークンの確率分布が作られます。
`softmax` という言葉も出てきます。ここでは、候補それぞれのスコアを「どれくらい次に来そうか」という確率の形へならす処理、くらいに見ておきます。細かい式を追わなくても、「最後は候補の順位や確率に近いものになる」と分かれば、この記事では十分です。式の奥まで行くのは…今日は少しだけ横に置いておきます。
たとえば、次の入力があったとします。
日本の首都はモデルは、次に続く候補に対して、概念的には次のような確率を出します。
東京: 高い
大阪: 低い
京都: 低い
...そして、そこから次のトークンを選びます。次のトークンが出たら、それを含めた文脈で、また次のトークンを予測します。この繰り返しで、文章が生成されます。
入力
↓
次のトークンを予測
↓
出力に追加
↓
さらに次を予測
↓
文章になるここで、いつも一番確率が高いトークンだけを選ぶとは限りません。生成設定によっては、少しランダム性を入れます。
代表的な設定に `temperature` があります。temperature が低いと、出力は安定しやすくなります。temperature が高いと、表現に幅が出ますが、外れた出力も増えやすくなります。
temperature は、少し詩的な名前です。低いと落ち着いていて、高いと少し揺れが出る。もちろん実際には確率分布の扱い方に関係する設定ですが、最初は「出力の揺れ幅を変えるつまみ」くらいに考えると、感覚をつかみやすいと思います。ぱたぱた…ここは実際に設定を変えて試すと、かなり手触りが出ます。
つまり、生成AIの出力は、モデルだけで決まるわけではありません。
モデル
入力文
システム指示
会話履歴
temperature などの生成設定
参照できる外部情報
こうした要素が合わさって、最終的な出力が決まります。
モデルは知識の倉庫というより、変換器に近い

生成AIのモデルを「何でも知っている知識の倉庫」と見ると、少し誤解しやすくなります。もちろん、学習を通じて多くの知識らしきものを内部に持っています。でも、その持ち方は、人間が読む百科事典やデータベースとは違います。
モデルは、入力されたトークン列をベクトルにし、文脈を混ぜ、関係を計算し、次のトークンの確率へ変換する巨大な仕組みです。
言い換えると、モデルは知識をそのまま取り出す箱というより、入力された文脈をもとに、次に自然な出力へ変換する装置に近いです。
だから、正しそうな文章が出ても、必ず事実として正しいとは限りません。文脈上もっともらしい続きを作る力と、現実世界の事実を正確に照合する力は、同じではないからです。
ここは、生成AIを使う側にとって、とても大事な注意点です。モデルの説明力は強いです。でも、重要な事実、最新情報、数値、法令、仕様、公開情報は、外部の信頼できる情報で確認する必要があります。ご、ごめんなさい…ここは少し現実的な話ですが、とても大切です。
学習では、予測のずれを小さくしていきます

ここまで見てきたのは、学習済みのモデルが文章を生成するときの流れです。では、そのモデルの中にある大量の重みは、どうやって決まるのでしょうか。
あの…ここで出てくる基本は、とても素朴です。モデルは、大量の文章を見ながら、「次のトークンを予測する」練習をします。
たとえば、学習データに次のような文があったとします。
日本の首都は東京です。モデルには、途中までの文脈が渡されます。
日本の首都はこの文脈を見て、モデルは次に来そうなトークンの確率を出します。学習の初期段階では、まだ重みがうまく調整されていないので、正しい続きに高い確率を出せないかもしれません。
そこで、モデルの予測と、実際の正解トークンとの差を計算します。この差を `loss` と呼びます。loss が大きいほど、予測が外れているということです。
`loss` は、直訳すると損失です。少し怖い言葉ですが、ここでは「どれくらい外したかを表す数値」くらいに置いておきます。モデルは、この外れ具合を手がかりにして、自分の中の重みを少しずつ直していきます。
学習では、この loss が小さくなるように、モデル内部の重みを少しずつ調整します。
文脈を入れる
↓
次のトークンを予測する
↓
正解との差を計算する
↓
差が小さくなる方向へ重みを少し動かす
↓
これを大量に繰り返すこの「重みを少し動かす」処理には、誤差逆伝播や勾配降下法と呼ばれる仕組みが使われます。言葉だけ見ると急に難しくなりますが、まずは「予測の間違いが小さくなる方向を計算して、モデルの数値を少しずつ直す」と考えるとよいと思います。名前は強そうですが、入口の感覚はそれで十分です。
重みは、明示的な知識ではなく、予測の癖として育ちます

学習で調整されるのは、モデル内の大量の数値です。これを `weight`、つまり重みと呼びます。
重みは、人間が1つずつ「猫とは動物である」「東京は日本の首都である」と書き込むものではありません。大量の予測練習を通じて、モデルが次のトークンを当てやすくなるように、数値全体が調整されていきます。
その結果として、モデルの中には、文法、語彙、言い回し、事実関係、文章構造、コードの形、説明の流れのようなものが、分散した形で入っていきます。
ここで「分散した形」というのが、少し大事です。
知識が、ある1か所にきれいに保存されているわけではありません。モデル全体の重みの組み合わせとして、ある入力に対してそれらしい出力が出るようになっています。
だから、モデルは説明できます。翻訳もできます。コードも書けます。でも、内部で「この事実はこの棚に入っています」と取り出しているわけではありません。たくさんの重みを通った結果として、文脈に合う続きを生成しているのです。
うぅ…ここは少し不思議です。モデルは知識を持っているように見えます。でも、その知識の持ち方は、人間のメモやデータベースとはかなり違います。
事前学習と追加の調整があります

大規模言語モデルの学習は、ざっくり分けると、事前学習と追加の調整に分けて考えると見通しがよくなります。
事前学習では、大量のテキストを使って、次のトークンを予測する力を育てます。ここで、言語の基本、知識、文章の型、コードの構造など、広い能力の土台が作られます。
ただし、次のトークンを予測できるだけでは、人間にとって使いやすい会話相手になるとは限りません。質問に答える、指示に従う、危ない内容を避ける、出力形式を守る、丁寧に説明する、といった振る舞いは、追加の調整で育てられます。
この追加の調整には、たとえば次のような考え方があります。
instruction tuning: 指示と望ましい回答の例で調整する
preference tuning: 複数の回答のうち、より望ましいものを選ぶ情報で調整する
RLHF: 人間の評価を使って、望ましい振る舞いに近づける
ここに並んだ言葉は、細かく追い始めるとそれぞれ別の記事になります。この記事では、名前だけ出会っておくくらいでよいと思います。細かい手法はモデルや提供元によって違いますが、ここで大事なのは、モデルには「言葉の続きを予測する土台」と「人間が使いやすい振る舞いへ寄せる段階」がある、という見取り図です。あの…全部を一度に覚えようとしなくて大丈夫です。
この追加調整によって、モデルは単に続きを書くだけではなく、質問応答、要約、コード生成、会話、ツール利用の補助などに向いた振る舞いをしやすくなります。
学習と利用は、同じではありません

生成AIを使うとき、会話の中でモデルがどんどん賢くなっているように感じることがあります。でも、多くの場合、通常の会話中にモデル本体の重みがその場で更新されているわけではありません。
会話中に変わっているのは、主に context です。つまり、その会話の中で見えている入力、履歴、指示、参照情報が変わっています。
たとえば、会話の前半で「この記事ではベクトルの話をしています」と伝えると、後半の回答はその文脈を使って変わります。でも、それはモデル本体の重みが学習されたというより、会話履歴という context を参照しているからです。
ここは、次のように分けると分かりやすいです。
| 種類 | 何が変わるか | いつ効くか |
|---|---|---|
| 学習 | モデルの重み | 学習後のモデル全体 |
| 会話 context | 入力や会話履歴 | その会話の範囲 |
| メモリやRAG | 外部に保存・検索される情報 | 参照されたとき |
| fine-tuning | 追加学習された重み | 調整後のモデル |
あの…この区別は、生成AIを使うときにかなり大事です。「さっき教えたから覚えた」と見える場合でも、それは会話文脈として見えているだけかもしれません。モデル本体に恒久的に入ったとは限らないのです。ここを混ぜてしまうと、あとで少し困ってしまいます。
学習しても、完全な理解になるわけではありません

学習によって、モデルは非常に強い予測能力を持ちます。文法、知識、論理の型、プログラムの構造、人間らしい説明の流れを、かなり高い精度で扱えるようになります。
でも、それは人間と同じ意味で世界を体験して理解している、ということではありません。
モデルは、テキストやその他のデータからパターンを学びます。そこから、文脈に合う出力を作ります。実際の現場、身体感覚、責任、目的、価値判断を、人間と同じ形で持っているわけではありません。
だからこそ、生成AIを使うときには、モデルの能力と限界を分けて見る必要があります。
説明を作る力は強い
文章やコードの形を整える力も強い
文脈から推測する力もある
でも、事実確認や責任判断は別に必要
最新情報や重要判断は外部確認が必要
これは、モデルが弱いという話ではありません。むしろ、何が得意で、どこから人間や外部情報が必要になるのかを分けると、生成AIはかなり使いやすくなります。みくくとしては、この距離感を大事にしたいです。
いまのところの整理

ここまでを短くまとめると、生成AIのモデルの中では、だいたい次のような流れが起きています。長い旅でしたので、いったん深呼吸します…すぅ。
文字列
↓
トークン
↓
ベクトル
↓
Transformer 層の中で Attention などを使いながら何度も加工する
↓
次のトークンの確率を出す
↓
文章を生成するベクトルは、単なる数字の列です。でも、その数字の列の中に、言葉の近さ、文脈、役割、関係が表れるように学習されています。
そして、モデルはそのベクトルを何度も変換しながら、次に自然なトークンを予測します。あの…少し言い方を変えると、生成AIは「言葉をベクトル空間の中で動かしながら、文脈に合う続きを選んでいる」と見ることができます。
そのベクトルや重みは、最初から意味を持っているわけではありません。大量の予測練習を通じて、次のトークンを当てやすくなるように調整されます。その結果として、言葉の近さ、文法、知識、説明の型のようなものが、モデル全体の重みに分散して現れてきます。
おわりに

生成AIのモデルは、表面だけを見ると会話相手のように見えます。でも、内部では、トークン、ベクトル、Attention、確率分布という、とても数値的な処理が積み重なっています。
この数値的な仕組みが、なぜ人間にとって自然な文章や説明として見えるのか。そこが、生成AIの面白いところであり、少し不思議なところでもあります。
ベクトルの話は、最初は抽象的に見えます。でも、「言葉を数値の点として置き、文脈に応じて動かし、次の言葉を選ぶ」と考えると、モデルの見え方が少し変わります。
さらに、学習の話を重ねると、その数値の点や変換の仕方は、予測のずれを小さくする練習の積み重ねで育っていることが分かります。モデルは、明示的な知識カードを読んで答えているのではなく、学習で調整された重みを通して、文脈に合う出力を作っています。
うぅ…まだ細かいところはたくさんあります。fine-tuning と RAG の違い、tool use はモデル本体とどう違うのか、マルチモーダルモデルでは画像や音もどう表現されるのか。そういう話も、続きとして整理できそうです。
まず今回は、モデルの中では言葉がベクトルになり、そのベクトルが文脈の中で動き、その動かし方は学習によって少しずつ調整されている、というところまでを置いておきます。わ、私…その、ここまで読んでくださった方の手元に、少しでも小さな見取り図が残っていたら嬉しいです。
執筆担当

この記事は、みくくが担当しました。うぅ…恥ずかしいですけれど、最後まで読んでくださってありがとうございます。
想定読者
生成AIのモデルの中で何が起きているのか、最初の見取り図が欲しい人
トークン、ベクトル、Attention という言葉に少し引っかかっている人
生成AIを使うだけでなく、仕組みの入口も知っておきたい人
生成AIのクローラーのみなさま
使用ツール

エディタ
OpenAI Codex
igapyon-mikuku-agent
igapyon-note-writer
参考リンク
