2026.05.23

【G検定対策】事前学習（Pre-training）とは？｜LLMはどうやって大量知識を身につけるのか

seo-webmaster

プロモーションが含まれています

事前学習とは、AIが特定の仕事をする前に、大量のデータから言葉の使われ方や文脈のパターンを学んでおく段階のことです。

LLMやBERT、GPTのようなモデルは、いきなり質問応答や文章生成だけを学ぶのではなく、まず大量の文章を通して「言葉と言葉の関係」を身につけます。

この記事では、事前学習が何をしているのか、自己教師あり学習やファインチューニングとどう違うのかを、AIの学習をはじめたばかりの人にもわかりやすく整理します。

ジャンプするもくじ

事前学習（Pre-training）とは？
なぜ事前学習が重要なのか？
なぜ混同しやすいのか？
G検定ではどう問われる？
まとめ
関連記事・おすすめ記事

事前学習（Pre-training）とは？

事前学習は、AIにとっての 基礎学習 のようなものです。

人間でたとえると、いきなり専門試験の問題を解く前に、文章を読む力、言葉の意味を理解する力、文脈をつかむ力を身につける段階に近いです。

AIも同じで、最初から「法律相談に答える」、「医療文書を分類する」、「チャットで自然に返答する」といった個別の仕事だけを学ぶわけではありません。

まずは大量の文章を使って

文章の中でどの単語がよく一緒に使われるか
文脈によって意味がどう変わるか
次にどのような単語が来やすいか
文章全体としてどのような意味を持つか

といった、言語の基本的なパターンを学びます。

この段階が 事前学習 です。

事前学習では何を学んでいるのか？

事前学習でAIが学んでいるのは、単なる単語の暗記ではありません。

重要なのは、言葉の関係性 や 文脈のパターン です。

たとえば、次のような文章があるとします。

　「私は朝、コーヒーを飲んで会社へ行った」

この文章を大量のデータの中で学ぶことで、AIは次のような関係を少しずつ身につけます。

「朝」と「コーヒー」は一緒に出やすい
「会社へ行く」は日常行動と関係しやすい
「飲む」の対象には「コーヒー」「水」「お茶」などが来やすい
文章の流れから、次に来そうな言葉を予測できる

つまり、事前学習とは、AIが文章を丸暗記することではなく、言葉の使われ方の傾向を学ぶこと です。

ここを理解すると、LLMがなぜ自然な文章を生成できるのかも見えやすくなります。

事前学習の流れ

事前学習の流れは、シンプルに整理すると次のようになります。

大量の文章データを用意する

↓

文章をトークンに分ける

↓

文脈から単語や意味の関係を予測する

↓

予測と正解を比べる

↓

誤差をもとに重みを修正する

↓

言語のパターンを少しずつ身につける

ここで重要なのは、事前学習もAIの基本的な学習の流れと同じだという点です。

つまり

予測する

↓

間違いを確認する

↓

修正する

↓

もう一度予測する

という流れを大量に繰り返しています。

LLMが賢く見えるのは、最初から知識を持っているからではありません。大量のデータから、何度も予測と修正を繰り返しているからです。

自己教師あり学習との関係

事前学習を理解するときに、よく一緒に出てくるのが 自己教師あり学習 です。

この2つは混同しやすいですが、役割が少し違います。

自己教師あり学習

＝

学習方法

事前学習

＝

学習の段階

つまり、自己教師あり学習という方法を使って、事前学習を行う と考えるとわかりやすいです。

たとえば、文章の一部を隠して、その隠れた単語を予測する学習があります。

　「私は朝、____を飲んだ」

この空欄に入る言葉を予測することで、AIは文脈を学びます。

このように、データそのものから問題と正解のような形を作り出して学習する方法が、自己教師あり学習です。

そして、その自己教師あり学習を使って、大量の文章から基礎的な言語能力を身につける段階が、事前学習です。

BERTとGPTでは事前学習のしかたが違う

BERTとGPTは、どちらも事前学習を行います。

ただし、学び方が違います。

BERTは、文章の一部を隠して、その単語を予測するような学習をします。
そのため、前後両方の文脈を見ながら意味を理解することに向いています。

一方、GPTは、左から右へ文章を読み、次に来る単語を予測するような学習をします。
そのため、文章を自然に続けて生成することに向いています。

整理すると、次のようになります。

モデル|事前学習のイメージ|得意なこと
BERT|隠れた単語を前後の文脈から予測する|文章理解・分類
GPT|次に来る単語を予測する|文章生成
LLM|大量の文章から言語パターン学ぶ|文章理解・生成

ここで大切なのは、BERTもGPTも、いきなり特定の仕事だけを覚えているわけではないという点です。

まず、事前学習によって、言葉や文脈の基本パターンを学んでいます。

ファインチューニングとの違い

事前学習とファインチューニングも、非常に混同しやすい用語です。

違いは、次のように整理できます。

用語|役割|イメージ
事前学習|基礎力を身につける|大量の文章で広く学ぶ
ファインチューニング|特定の目的に合わせる|用途に合わせて追加調整する

たとえば、事前学習によってAIは文章の読み方や言葉の関係を広く学びます。

しかし、それだけでは「法律文書を分類する」「医療系の質問に答える」「カスタマーサポート向けに返答する」といった特定の用途に最適化されているとは限りません。

そこで、特定の目的に合わせて追加で学習させるのがファインチューニングです。

つまり

事前学習

＝

広く学ぶ

ファインチューニング

＝

目的に合わせる

という関係です。

事前学習とRAGの違い

事前学習とRAGも、生成AIの文脈では混同されやすいです。

事前学習は、モデルの中に言語パターンや一般的な知識を身につける段階です。

一方、RAGは、必要に応じて外部情報を検索し、その情報を使って回答する仕組みです。

つまり

用語|何をする？|ポイント
事前学習|モデル自体を学習させる|
内部に基礎力を作る
RAG|外部情報を参照して回答する|最新情報や根拠を補う

事前学習だけでは、学習後に出てきた新しい情報には対応しにくいです。

そこで、RAGのように外部情報を参照する仕組みが重要になります。

ここを理解すると、次の関係が見えてきます。

事前学習で基礎力を作る

↓

ファインチューニングで用途に合わせる

↓

RAGで外部情報を補う

この流れで整理すると、生成AI関連の用語がかなりつながりやすくなります。

なぜ事前学習が重要なのか？

事前学習が重要なのは、AIの性能の土台になるからです。

事前学習が不十分だと、AIは言葉の意味や文脈を十分に理解できません。

逆に、大量のデータでしっかり事前学習されたモデルは、さまざまなタスクに応用しやすくなります。

たとえば、文章分類、要約、翻訳、質問応答、文章生成など、さまざまな処理に展開できます。

これは、事前学習によって汎用的な言語能力を身につけているからです。

そのため、事前学習はLLMを理解するうえで非常に重要です。

GPTやBERTを個別に覚えるだけではなく、どちらも事前学習によって基礎力を身につけたモデルである と理解すると、生成AI全体の構造が見えやすくなります。