NTTが生成AIの再学習コストを削減　「ポータブルチューニング」技術を確立

2025年7月9日、NTTは生成AIの基盤モデル更新に伴う再学習コストを大幅に低減する「ポータブルチューニング」技術を発表した。これにより、企業が各ドメインで構築した特化モデルを低コストで維持可能となる見通しだ。

基盤モデル更新時の再学習負担を抜本的に軽減

NTTが開発した「ポータブルチューニング」は、生成AIの基盤モデル（※）更新に伴う再学習コストを削減する画期的な技術だ。
従来、企業が基盤モデルにドメインごとの知識を追加学習させる場合、モデルの更新ごとに再学習が必要で、そのコストが大きな課題となっていた。

同社は2024年5月、異なる基盤モデル間で学習結果を転移させる「学習転移」を提案。これにより、特化モデルの再構築を最小限に抑える仕組みを構築した。
学習転移は「学習過程転移」と呼ばれる技術を用い、パラメーター空間上で特化学習の過程を変換し、新しい基盤モデルに模倣させる。
処理時間は数十秒から数分と高速で、追加学習もわずかで済むため、大幅なコスト削減を実現した。

ただし、学習過程転移はモデル構造の一致が前提条件であり、完全な精度維持には追加学習が必要だった。
この制約を克服するため、NTTは移転を前提とした新しい学習枠組み「ポータブルチューニング」を開発した。基盤モデルの推論時に出力補正を行う報酬モデルを学習させ、さまざまな基盤モデルへの再利用を可能にした。

※基盤モデル：膨大なデータを用いて事前学習されたAIモデル。言語・画像など幅広いタスクに対応可能で、追加学習により特定の業務に適用される。

AI運用の持続性向上へ　期待の一方で課題感も

NTTが発表した「ポータブルチューニング」は、生成AIの基盤モデル更新に伴う再学習コストを劇的に削減する技術として注目できる。
最大のメリットは、やはり企業がドメイン特化型AIを維持する際のコストや時間の負担を大幅に軽減できる点だろう。モデルの運用効率は格段に向上し、企業のAI活用の持続可能性が高まると期待される。

さらに、学習過程転移と報酬モデルの組み合わせによって、異なる基盤モデル間での柔軟な適応が可能になったことも大きい。処理時間が数十秒から数分という高速性は、実運用において即応性を求められる現場にとって価値が高いといえる。

一方で、デメリットや課題も存在する。
現段階では、報酬モデルの精度や適用範囲が限定されており、すべての基盤モデル更新に対して完全な対応が保証されているわけではないと予想できる。
また、異なるモデル構造間での汎用性確保は技術的ハードルが高く、ポータブルチューニングの有効性が分野やタスクによってばらつく可能性もある。
こうした不確実性は、企業が全面的にこの技術に依存するリスク要因となり得るため、注意が必要となりそうだ。