知識 · AI基礎

パラメータ · 媒介変数

Parameters

📂AI基礎⏱読了2分📊応用🔗関連 4

パラメータとは?

一行定義
AIモデルが学習によって調整する内部の値の集まり。「OO億パラメータ」はそのモデルの規模(学習された知識の量)を示す。
このテーマを社内研修で📚 関連研修💬 研修のお問い合わせ
⚡ 3行要約
  • 学習によって調整されるモデルの内部の値
  • 「OO億パラメータ」=規模
  • ハイパーパラメータとの区別

パラメータ数が分かるということは、「このモデルを自社で動かせるか」を数字で計算できるということです。重み1つは通常2バイト(FP16)を使うため、70億(7B)モデルは重みだけで約14GB、700億(70B)なら約140GBのメモリを消費します。GPU1枚(24〜80GB)に載せられるか、複数枚を束ねる必要があるかがここで分かれ、その差がそのままサーバーと見積書、応答速度に表れます。パラメータは宣伝文句ではなく、インフラ設計の出発点です。

実務では3つを区別する必要があります。第一に、総パラメータと活性パラメータです。最近よく見られるMoE構造は、全体が数千億でも、トークンを1つ処理するときに実際に動くのは数十億程度なので、規模のわりにずっと安く動きます。第二に、量子化です。16ビットを4ビットに減らすとメモリは約4分の1になりますが、その代わり精度は少し落ちます。第三に、ハイパーパラメータとの境界です。学習率やバッチサイズは人が学習前に決め、学習が終わっても変わりませんが、パラメータは学習中に変わり続け、デプロイの時点で固定されます。ファインチューニングも全体を再学習することは少なく、LoRAのように全体の1%未満だけ手を加える方式が一般的です。

最も壊れやすいのは、「パラメータが多ければ、うちの会社のことも分かっているはず」という期待です。4,000億パラメータのモデルでも、貴社の就業規則と単価表は学習したことがありません。それを知らずに大きなモデルだけ載せておくと、モデルは知ったかぶりでもっともらしい規定をでっち上げ、担当者はそれをそのままメールに貼り付けてしまいます。また、コンテキストウィンドウの長さとパラメータ数を同じ軸で取り違える例も多いです。さらに、コストを抑えようと量子化を強くかけすぎると、普段の会話は問題なくても、金額計算やコードで静かに間違えます。検証項目に数字の問題を必ず混ぜるべき理由です。

この用語が登場する研修 · AI・DX
おすすめ研修 · おすすめ講師 · 簡易見積もり
🧮 ミニ見積もり・講師料の基準
約120万ウォン(約14万円)特別講義 2時間 · 20名以下 · 韓国語
この条件で正式な見積もりを依頼 →
💡 かんたんに言うと
脳のシナプスの数のようなもの — 多いほど蓄えられる知識は大きくなりますが、コストも大きくなります。
実務でなぜ重要なのか
モデルを選ぶときの「どれだけ大きいか」の基準です。パラメータの概念が分かると、性能とコストのトレードオフが見えてきます。
由来と出典

ニューラルネットワークの重み・バイアスを指す概念で、モデル規模の競争(パラメータ数の増加)が性能向上につながり、大規模言語モデル時代の核心指標となりました。

事例で理解する

仮の事例で見てみましょう。役職員430名規模の自動車部品メーカーA社は、社内規程・技術文書の質疑応答チャットボットを6週間以内に立ち上げることにしました。図面と単価が混在しているため外部APIは使えず、オンプレミスが前提でしたが、「何億パラメータのモデルを使うべきか」をめぐって2か月近く結論が出ませんでした。

  1. 情報戦略チームのキム部長は、役員から「どうせなら一番大きいモデルを入れてくれ」という指示を受け、70Bモデルで見積もりを出しました。VRAM 140GBを満たすにはGPU 4枚が必要で、サーバー代だけで6,200万ウォン(約741万円)になりました。
  2. 外部コンサルタントが現場から実際に上がってきた質問300件を抽出したところ、82%が「年次休暇の繰越規程はどうなっていますか?」のような文書照会で、多段階の推論が必要なものは12件だけでした。
  3. 8Bモデルに社内文書検索(RAG)を組み合わせて同じ300件を解かせたところ、正答率は91%。文書なしで動かした70Bモデルは63%にとどまりました。キム部長は「大きさではなく資料の問題だったんですね」と話しました。
  4. 4ビットの量子化でメモリを16GBから6GBに減らすと速度は上がりましたが、単価を合算する回答で数字の誤りが3件発生したため、会計・見積もりの質問だけ精度を保ったモデルに振り分けました。
  5. 結果として、サーバー投資は6,200万ウォン(約741万円)から1,450万ウォン(約173万円)へ、平均応答は4.1秒から1.3秒に縮まり、月の運営費は310万ウォン(約37万円)から88万ウォン(約11万円)になりました。4か月後、実利用者は90名から310名に増えました。
関連用語
この用語に関連する研修
📚エージェントAI実務入門ナヌム経営コンサルティング 企業研修 · 対面/オンラインコースを見る →
このテーマで社内研修が必要でしょうか?
ご担当者さま向けの研修プログラム・お見積もりを、すぐにご覧いただけます。
研修のお問い合わせ
最終更新 2026-09-13 · 監修 金鍾赫

よくある質問

一般に性能は上がりますが、コストと速度も大きくなります。作業に合った規模が大切です。
データは「学習の材料」、パラメータは学習によって調整される「モデル内部の値」です。
いいえ。コストと速度も大きくなります。作業に合ったサイズと、データの品質が一緒に良くなければなりません。
パラメータはモデルの「内部の学習された値」、データは「学習に使う材料」です。両者は別物です。