AIはなぜ「昨日のニュース」を知らないのか——LLMの学習の仕組みと、知識カットオフ問題への対処法

「最新の法改正について教えて」「今週の業界トレンドをまとめて」——こういった質問で、AIが的外れな回答をしてきた経験はないでしょうか。

これはAIが嘘をついているのではありません。LLM（大規模言語モデル）の学習の仕組みに起因する、構造上の制約です。この制約を「知識のカットオフ」と呼びます。

この記事では、LLMがどのように学習するのか、なぜカットオフが生まれるのか、そしてその問題にどう対処するかを整理します。

LLMはいつ、何を学んだのか——3段階の学習プロセス

LLM（大規模言語モデル）は、一度だけ大量のデータを学習して完成するわけではありません。大きく3段階のプロセスを経て作られています。

1. 事前学習——知識を「丸ごと吸収する」段階

Web上のテキスト・書籍・論文・GitHubのコードなど、膨大なデータを読み込み、「次に来る単語を予測する」タスクを繰り返すことで、語彙・文法・世界の基礎知識を習得する段階です。赤ちゃんが大量の言葉を浴びて言語を覚えるプロセスに似ています。

現在の主要なLLMが学習するデータ量は膨大で、GPT-4では書籍換算で約1.3億冊相当（日本の国会図書館の約2.5倍）とのリーク情報があります。それ以降のGPT-4o・Claude・Geminiといったモデルは詳細を公開していないケースが多いですが、規模はさらに大きいとみられています。データ量とモデルの規模が大きいほど性能が向上するという「スケーリング則」があるため、各社とも学習データの拡大を続けています。

2. ファインチューニング——「専門職の追加訓練」

事前学習で広範な知識を身につけたモデルに対し、特定のタスク（対話形式での回答など）に適応させるための追加学習です。

ここで重要なのは、ファインチューニングは「知識を追加する」のには向いていないという点です。出力のスタイルや形式を調整するのには優れていますが、新しい事実を覚え込ませることは苦手です。義務教育後に専門職の訓練を受けるようなイメージで、「職業の習慣や話し方」を身につける段階と考えるとわかりやすいです。

3. アライメント——「価値観の調整」

人間のフィードバック（RLHF：人間からのフィードバックによる強化学習）を用いて、LLMの回答が社会的な価値観に沿うよう調整する段階です。「役立つ（Helpful）・正直（Honest）・無害（Harmless）」の3基準で人間が回答を評価し、有害な回答を出さないよう訓練します。AIが特定の質問を断ったり、慎重な表現をしたりするのはこの段階の成果です。

「知識のカットオフ」とは何か——なぜAIは最新情報を知らないのか

カットオフとは、事前学習のデータに締め切りがあることを指します。

事前学習は特定の時点で終了するため、それ以降に起きた出来事はモデルに入っていません。新しい法律が施行されても、新製品が発売されても、企業が合併しても——カットオフ以降の出来事はAIにとって「存在しない」のと同じです。

では、学習後に知識を追加できないのでしょうか。技術的には不可能ではありませんが、事前学習をやり直すか大規模なファインチューニングを行う必要があり、数億円規模のコストと膨大な計算資源が必要になります。一般企業が「社内用に最新情報を追加する」という用途でできるものではありません。

そのため、各社は数ヶ月〜1年ごとに新しいモデルをリリースすることで、知識の鮮度を保っています。ただし、リリース時点でも学習データのカットオフは数ヶ月前になることが多く、常に「少し過去の情報」を持つ存在であることは変わりません。

カットオフの副作用——なぜ最新情報を聞くとハルシネーションが起きやすいのか

カットオフには、もう一つ注意すべき副作用があります。

LLMは確率的に「最もらしい言葉」をつないで回答を生成します。知らないことに直面しても、「知らない」と正直に言う代わりに、「それっぽい答え」を作り出してしまうことがあります。これがハルシネーション（もっともらしい嘘）です。

カットオフ以降の情報は学習データに存在しないため、最新情報を質問するほど、ハルシネーションが発生しやすくなります。「ここ1ヶ月の〇〇について教えて」と聞いたとき、学習データにない内容を確率的に補完しようとして、実在しない情報を生成するリスクが高まります。

最新情報を扱う場面では、回答をそのまま信じず、必ず一次情報を確認する習慣が重要です。

カットオフ問題への3つの対処法

対処法① Web検索機能を使う——今すぐできる手軽な方法

ChatGPT・Geminiなど主要なAIには、Web検索と連携して最新情報を取得する機能が組み込まれています。「最新の〇〇を教えて」と質問すると、AIが自動で検索してから回答を生成します。

回答には情報源のURLが付記されるため、ファクトチェックもしやすくなります。「公式サイトのリンクも付けて回答して」と指示するとさらに確実です。

リサーチ用途に特化したPerplexityのようなAIツールは、すべての回答に出典を付ける設計になっており、最新情報の収集に向いています。

対処法② 資料やドキュメントを直接渡す

最新の社内規定・法改正の条文・業界レポートなどをPDFやテキストでアップロードし、その内容に基づいて回答させる方法です。AIは「渡された資料の範囲」で回答するため、カットオフの制約を一時的に回避できます。

チャットセッション限りの対処ですが、即効性があります。「添付した資料に基づいて答えてください。資料に記載がない場合はその旨を伝えてください」と指示すると、資料外の情報でハルシネーションが起きるリスクを下げられます。

対処法③ RAGで「参照する知識」を継続的に組み込む

RAG（Retrieval-Augmented Generation：検索拡張生成）は、外部のデータベースやドキュメントをAIに継続的に参照させる仕組みです。質問が来るたびに、関連情報を自動で検索してプロンプトに組み込み、それを踏まえてLLMが回答を生成します。

RAGのデータベースに最新情報を継続的に追加・更新していくことで、モデル自体の学習をやり直さなくてもカットオフ問題に対処できます。 新しい法改正の資料を追加すれば翌日から参照可能になり、社内の最新マニュアルに差し替えれば即座に回答に反映されます。モデルの更新を待たずに「知識の鮮度」を自分たちでコントロールできる点が、RAGの最大の強みです。

ファインチューニング（知識をモデルに焼き付ける）と比べると、RAGには次の利点があります。

• 低コスト：モデルの再学習が不要
• 最新対応：データベースを更新するだけで知識が最新化される
• 出典が明確：どの資料から回答したかを示せるため、ハルシネーションの抑制にもなる

RAGの仕組みについて詳しくはこちらの記事で解説しています。実践ツールとしては、Google NotebookLMやChatGPTのナレッジ機能（マイGPT）、Difyなどがあります。社内マニュアル・FAQ・過去の議事録などをデータベース化し、常時参照させる形で社内展開に使われています。ナレッジファイルの作り方や各ツールへの登録方法はこちらの記事で解説しています。

まとめ

• LLMは「事前学習→ファインチューニング→アライメント」の3段階で作られる
• 知識は事前学習で固まり、その締め切りがカットオフ
• カットオフ以降の情報はモデルに存在せず、聞くほどハルシネーションが起きやすくなる
• 対処法は3つ：①Web検索機能、②ドキュメントを直接渡す、③RAGで継続参照

「AIは万能な検索エンジン」ではありません。学習の仕組みと制約を理解した上で適切な対処法を組み合わせることが、AIを実務で使いこなす第一歩です。