基盤モデルとは？定義をわかりやすく
基盤モデルという言葉は、2021年にスタンフォード大学の研究グループが提唱しました。定義の核心は「広範なデータで訓練され、多様な下流タスクに適応（Adapt）できるモデル」という点にあります。
従来のAI開発では、迷惑メール判定用、翻訳用、画像分類用と、タスクごとに専用モデルをゼロから作るのが常識でした。基盤モデルはこの前提を覆し、ひとつの巨大モデルを事前学習しておき、プロンプトやファインチューニングで無数の用途に転用します。
建物にたとえるなら、基盤モデルは電気・水道・骨組みまで完成した「スケルトン物件」です。入居者（開発者）は内装（用途への適応）だけ作れば、オフィスにも店舗にもできます。AI開発の分業構造を根本から変えたのが、この発明でした。
LLM・生成AIとの違い：用語の関係を整理
基盤モデル・LLM・生成AIは重なり合う概念で、混同されがちです。関係を整理すると次のようになります。
| 用語 | 着目点 | 例 |
|---|---|---|
| 基盤モデル | 役割（土台として転用できるか） | GPT、Claude、Gemini、画像のStable Diffusion |
| LLM（大規模言語モデル） | 扱うデータ（言語中心） | 基盤モデルのうちテキストを主戦場とするもの |
| 生成AI | 能力（新しいコンテンツを作れるか） | 文章・画像・音声などを生成するAI全般 |
つまりLLMは基盤モデルの代表的な一種であり、生成AIの多くは基盤モデルを応用したサービスです。ChatGPTは「GPTという基盤モデルの上に作られた対話アプリ」と表現するのが正確です。
また近年の基盤モデルは、テキストに加えて画像・音声・動画も扱うマルチモーダル化が標準になっています。「言語モデル」という呼び名では収まらなくなったことも、基盤モデルという用語が定着した背景です。
なぜ基盤モデルは強力なのか
基盤モデルの強さは「スケール」と「転移」の2つの性質に支えられています。
第一にスケールです。モデルの規模・データ量・計算量を増やすほど性能が伸びるという経験則（スケーリング則）に従い、各社は数兆語規模のデータと巨大なGPUクラスタを投入してきました。その結果、明示的に教えていないタスクまでこなす汎用性が「創発的に」現れました。
第二に転移です。事前学習で獲得した言語や世界知識の理解は、少量の追加情報だけで新しいタスクに転用できます。プロンプトに例を数個見せるだけで新タスクに適応する「Few-shot学習」は、基盤モデル以前のAIにはなかった性質です。
この2つにより、AI開発のコスト構造が激変しました。数億円規模の事前学習は基盤モデル提供者が一度だけ負担し、利用者はAPI課金で汎用知能を「借りる」ことができます。
代表的な基盤モデルと提供形態
2026年現在、基盤モデルは提供形態で大きく2系統に分かれます。
- クローズドモデル（API提供）：OpenAIのGPTシリーズ、AnthropicのClaude、GoogleのGeminiなど。最高水準の性能をAPI経由で利用する形態で、モデルの中身（重み）は非公開
- オープンウェイトモデル：MetaのLlama系、MistralやDeepSeekの公開モデルなど。重みが公開されており、自社サーバーや手元のPCで動かせる。ローカルLLMとして運用すればデータを外部に出さずに済む
- ドメイン特化基盤モデル：創薬向けのタンパク質構造モデル、気象予測モデルなど、言語以外の分野でも「その分野の基盤」となるモデルが登場している
企業の実務では、性能重視のクローズドモデルと、コスト・機密性重視のオープンウェイトモデルを用途で使い分けるハイブリッド構成が一般的になっています。
基盤モデルのリスクと論点
基盤モデルの「土台」という性質は、リスクの構造も変えました。ひとつの基盤の欠陥が、その上に建つ無数のサービスへ一斉に波及するためです。
第一に、学習データに含まれる偏りや誤りが、下流のあらゆるアプリケーションに継承されます。第二に、ハルシネーションのような構造的な弱点も同様に引き継がれます。第三に、開発に必要な計算資源が巨大すぎるため、基盤モデルの供給が少数の企業に集中し、経済安全保障の論点にもなっています。
だからこそ各国で、基盤モデルの透明性や評価を求めるルール作りが進んでいます。利用する側にも「どの基盤の上に自社サービスを建てるか」という、インフラ選定に近い判断が求められる時代です。
歴史の整理：Transformerから基盤モデル時代へ
基盤モデルがなぜ2020年代に一斉に花開いたのかは、短い系譜で理解できます。出発点は2017年にGoogleが発表したTransformerというニューラルネットワーク構造です。並列計算と相性がよく、データと計算量を注ぎ込むほど性能が伸びる性質を持っていました。
2018年のBERTとGPTがこの構造で「大量のテキストからの事前学習＋タスクへの適応」という型を確立し、2020年のGPT-3が「規模を極端に大きくすると、追加学習なしでも例示だけで多様なタスクをこなす」ことを示しました。スタンフォード大学が基盤モデルという言葉を提唱したのは、この直後の2021年です。
そして2022年末のChatGPTが、基盤モデルを一般の人が対話で使える形にして公開し、爆発的な普及が始まりました。以降の数年は、マルチモーダル化・長文対応・推論能力の強化・エージェント化と、基盤モデルの「応用面」の拡張が主戦場になっています。
企業が基盤モデルを選ぶ4つの観点
自社サービスや業務にどの基盤モデルを使うかは、インフラ選定に近い意思決定です。実務では4つの観点で比較します。
- 性能：ベンチマークスコアだけでなく、自社の実タスク（日本語の敬語処理、業界用語の理解など）での試験が必須。汎用スコア1位のモデルが自社タスクでも1位とは限らない
- コスト：API料金はトークン単位の従量課金が基本。同じタスクでも出力の長さやモデルのサイズ選択で数十倍の差が出る。高性能モデルと軽量モデルの使い分け設計がコスト最適化の本丸
- 機密性：入力データの学習利用の有無、データの保存場所、契約条件を確認する。要件が厳しい場合はオープンウェイトモデルの自社運用が選択肢になる
- エコシステム：SDKの充実、社内で使う他ツールとの連携、障害時のサポート。特定ベンダーへの依存度をどこまで許容するかも論点になる
実務の落とし所として、複数モデルを切り替えられる抽象化レイヤーを挟んでおき、価格・性能の変化に応じて乗り換えられる設計にしておくことが、変化の速いこの市場での保険になります。
日本語と国産基盤モデルの動向
基盤モデルの性能は学習データの言語構成に影響されるため、日本語での品質は独自の論点です。主要な海外モデルの日本語能力は年々向上していますが、敬語の使い分けや日本の商習慣・法制度の知識には依然として差があります。
この文脈で、日本国内でも独自の基盤モデル開発が進められています。政府の計算資源支援を受けたスタートアップや通信・IT大手が、日本語と国内ドメイン知識に強いモデルを開発しており、機密性の要件から国内運用モデルを求める企業の受け皿にもなっています。海外最先端モデルと国産モデルの使い分けは、日本企業に固有の設計問題として今後も続くテーマです。
よくある質問（FAQ）
Q1. 基盤モデルとLLMはどちらが広い概念ですか？
基盤モデルのほうが広い概念です。LLMは言語を中心とした基盤モデルを指しますが、基盤モデルには画像生成モデルや、タンパク質・気象など非言語分野のモデルも含まれます。ただし日常会話では、両者はほぼ同義で使われることも多いのが実情です。
Q2. 自社で基盤モデルをゼロから作ることはできますか？
技術的には可能ですが、事前学習には数十億〜数百億円規模の計算資源が必要とされ、現実的なのはごく一部の企業に限られます。ほとんどの企業にとっての選択肢は、既存の基盤モデルをAPIで使う、オープンウェイトモデルを自社運用する、必要に応じてファインチューニングする、の3つです。
Q3. 基盤モデルの性能はこれからも伸び続けますか？
議論が分かれています。スケーリング則の限界説と継続説が対立しており、規模の拡大に代わって推論時の計算や学習データの質を工夫する方向にも研究が広がっています。この論争はAGI（汎用人工知能）の実現時期をめぐる議論とも直結しています。
まとめ
基盤モデルは、AI開発を「タスクごとの専用開発」から「共通の土台の応用」へ転換させた中核概念です。LLMも生成AIサービスも、その多くはこの土台の上に建っています。
利用者にとって重要なのは、基盤モデルをインフラとして捉え、性能・コスト・機密性で選定する視点です。AI全体の見取り図は、親ガイドの「AIとは？定義・種類・仕組み・活用例」で確認してください。
AIの最新動向をまとめて追いたい方は、ハブページのAIニュース2026｜重要テーマ7分野を毎月更新もあわせてご覧ください。
