Transformerとは？現代LLMの心臓部をやさしく解説【GPTのTの正体】

ChatGPT、Claude、Gemini——名前の違うAIたちですが、土台はほぼ同じ仕組みでできています。その共通の心臓部がTransformer（トランスフォーマー）です。2017年の論文「Attention Is All You Need」で登場し、いまの生成AIブームのすべてはここから始まりました。

ちなみにGPTの「T」はTransformerの頭文字。GPT＝Generative Pre-trained Transformer です。この記事では、Transformerが何を変えたのかを、前の仕組みと比べながらやさしく整理します。

ルミィ

GPTのTはTransformerのT。いまのAIの“心臓”は、ぜんぶこれなんだよ。

Transformerとは？全体を「一度に」見るネットワーク

Transformerは、ニューラルネットワークの一種ですが、文章を扱うために特別な工夫をしたものです。最大の特徴は、文の全部の言葉を一度に見て、言葉どうしの関係をまとめて捉えること。

以前の方式（RNN）の弱点

Transformer以前、文章はRNNのような仕組みで、1語ずつ順番に処理されていました。これには2つの弱点がありました。

• 遅い：前の語の処理が終わらないと次に進めない。並列に計算できず、大規模化が難しい
• 長い文脈が薄れる：文が長くなると、最初の方の情報が後ろまで届きにくい（伝言ゲームのように薄れる）

「長い文章になると、前の方を忘れてしまう」——これが大きな壁でした。

Transformerの革新：並列＋自己注意

Transformerはこの壁を、自己注意（Attention）という仕組みで突破しました。1語ずつ順番に読むのではなく、全部の語を同時に見渡して、「どの語がどの語と関係が深いか」を直接つかむのです。

• 速い（並列処理）：全部の語をまとめて計算できるので、大量のデータで効率よく学習できる
• 長い文脈に強い：離れた語どうしの関係も、一足飛びに捉えられる

この「全体を一度に見る」性質が、大規模化（＝より多くのデータと計算で賢くする）を現実的にした。LLMの“L（Large）”は、Transformerだからこそ成り立っています。

並列だからこそ必要な「位置情報」

ただ、全部を一度に見ると、ひとつ困ることがあります。語の順番が分からなくなるのです。「猫が犬を追う」と「犬が猫を追う」は語は同じでも意味は逆。順番は大事です。

そこでTransformerは、各語に「何番目の語か」という位置の情報（位置エンコーディング）を一緒に持たせます。これで、全体を並列に見つつ、順番も失わずに済みます。

Transformerの中身をざっくり

細部は複雑ですが、大づかみには次のブロックの積み重ねです。

• 入力：トークンを<a href=”https://mowfile.com/what-is-embeddings/”>埋め込み</a>に変え、位置情報を足す
• 自己注意（Attention）：語どうしの関係を捉える（次回の主役）
• フィードフォワード：各語の情報を整える普通のニューラルネット
• 積み重ね：このブロックを何十層も重ねて、深く賢くする

この中心にある「自己注意」だけを取り出して、次回のAttentionとはで詳しく見ます。

「大きくすると賢くなる」スケーリング則

Transformerがもたらした最大の発見の一つが、「モデルを大きくし、データと計算を増やすほど、性能が伸び続ける」という規則性（スケーリング則）です。

以前のAIは、ある程度大きくすると頭打ちになりがちでした。ところがTransformerは、並列で効率よく学習できるため、桁違いの規模まで“素直に賢くなった”のです。GPTが世代を追うごとに賢くなってきたのも、この性質が背景にあります。LLMの「L（Large＝大きい）」は、ただ大きいのではなく、大きくする価値があるからこその名前なのです。

ただし、大きくするほどお金も電力もかかります。だからこそ、連載最終回で扱う「軽く・速くする技術」が重要になってきます。

言語だけじゃない：画像・音声にも広がった

Transformerは言語のために生まれましたが、その「全体の関係を捉える」性質は、ほかのデータでも有効でした。いまでは画像（Vision Transformer）・音声・動画などにも広く応用されています。

画像を小さなタイル（パッチ）に分けて“言葉のように”並べれば、Transformerで扱える——という発想です。文章も画像も音声も、同じ仕組みで扱えるようになったことが、1つのAIが何でもこなすマルチモーダル化を後押ししました。

生成が得意なGPT、理解が得意なBERT

Transformerをベースにしたモデルにも、使い方で2つの系統があります。やさしく言うと、「続きを書くのが得意」か「全体を読み取るのが得意」かの違いです。

• GPT系（生成）——前から順に「次の単語」を作るのが得意。文章生成・チャットの主役。ChatGPTはこちら
• BERT系（理解）——文全体を見て、分類や検索のように“読み取る”のが得意。裏方として検索などで活躍

どちらもTransformerの応用です。私たちが「生成AI」として触れているのは主にGPT系ですが、Transformerという土台は共通しています。

なぜ「革命」と呼ばれるのか

Transformerは、AIの歴史で「前」と「後」を分ける発明だと言われます。少し大げさに聞こえますが、理由はシンプルです。

登場以前、AIの言語処理は「そこそこ使える」止まりでした。翻訳はぎこちなく、長い文章はすぐ破綻する。それがTransformer以降、翻訳・要約・対話・文章生成が一気に実用レベルへ跳ね上がりました。ChatGPTの登場で世界が驚いたのも、その土台にこのアーキテクチャがあったからです。

ポイントは、Transformerが「1つの良い仕組みを、大きくするほど賢くできる」という道を開いたこと。研究者が手作業で工夫を足し続けるのではなく、データと計算を注ぎ込めば伸びる——この“スケールする土台”を手にしたことが、いまのAIブームの出発点になりました。

だからこの連載でも、Transformerは折り返し地点。ここまでのトークン化・埋め込み・ニューラルネットは、すべてこの心臓部にたどり着くための準備だった、とも言えます。

Transformerも万能ではない

ここまで“革命の主役”として紹介してきましたが、Transformerにも弱点はあります。フェアに知っておきましょう。

• 長い文章ほど重い——全部の語が全部の語を見る仕組みなので、文章が長くなると計算が急に増える（次回のAttentionで詳しく）
• 大量のデータと計算を食う——「大きくすれば賢くなる」の裏返しで、学習も運用もコストが高い
• 仕組みとして「事実」を保証しない——あくまで“それっぽい続き”を作る装置で、もっともらしい誤りは起きる

こうした弱点を補うために、長文を効率よく扱う工夫や、RAGで事実を補う方法、軽量化の技術などが、いまも活発に研究されています。万能ではないからこそ、まわりの技術と組み合わせて使う——そこを押さえると、AIニュースの見え方が立体的になります。

まとめ

Transformerは、文章の全部の語を一度に見て関係を捉える、現代LLMの心臓部です。1語ずつ処理するRNNと違い、並列で速く、長い文脈にも強い。だからこそ大規模化が可能になり、いまの生成AIを生みました。

ここまでの連載で積み上げてきた、トークン化・埋め込み・ニューラルネットワーク・学習。それらが合流して形になったのが、このTransformerです。ChatGPTもGemini もClaudeも、名前は違えど土台は同じこの仕組み。「GPTのTって何だっけ？」と聞かれたら、もう胸を張って“Transformer”と答えられます。次回は、その心臓部のさらに中心にある自己注意（Attention）を、いよいよ開いていきます。

次回は、その心臓部のさらに中心——Attention（自己注意）に進みます。

よくある質問（FAQ）

Transformerとは何ですか？

A. 文章の全部の語を一度に見て、語どうしの関係をまとめて捉えるニューラルネットワークです。2017年の論文「Attention Is All You Need」で登場し、現代のLLM（ChatGPTなど）の共通の土台になっています。

Transformerは何がすごいのですか？

A. 1語ずつ順番に処理する以前の方式（RNN）と違い、全部の語を並列に処理できるため学習が速く、離れた語どうしの関係も捉えやすいことです。この性質が大規模化を可能にし、いまの生成AIを生みました。

GPTとTransformerの関係は？

A. GPTはGenerative Pre-trained Transformerの略で、Transformerをベースにしたモデルです。ChatGPTもGemini、ClaudeもTransformerを土台にしています。

RNNとTransformerの違いは？

A. RNNは文章を1語ずつ順番に処理するため遅く、長い文では前の情報が薄れがちでした。Transformerは全部の語を一度に見るため、速くて長文にも強いのが違いです。

位置エンコーディングとは何ですか？

A. Transformerは全部の語を一度に見るため、そのままでは語の順番が分かりません。そこで各語に「何番目か」という位置情報を加える仕組みが位置エンコーディングです。

なぜTransformerで大規模化が可能になったのですか？

A. 全部の語を並列に処理できるため、大量のデータと計算を効率よく投入できるからです。1語ずつ順番に処理するRNNでは並列化が難しく、これほどの規模まで学習させるのは現実的ではありませんでした。

Transformerは画像にも使えますか？

A. 使えます。画像を小さなタイル（パッチ）に分けて言葉のように並べることで、Transformerで扱えます。これはVision Transformerと呼ばれ、画像認識や画像生成にも応用されています。

RNNやLSTMはもう使われないのですか？

A. 用途によっては今も使われますが、文章を扱う主役の座はTransformerに移りました。Transformerは並列処理で速く長文に強いため、大規模な言語モデルではこちらが標準になっています。

あわせて読みたい

参考・一次ソース

• Vaswani et al.「Attention Is All You Need」（Transformer原論文、arXiv:1706.03762）
• Google「Transformer: A Novel Neural Network Architecture for Language Understanding」（research.google）

※本記事は2026年6月時点の一般的な仕組みを初心者向けに整理したものです。各モデルの仕様や数値は変わることがあるため、最新情報は公式情報でご確認ください。

ルミィ

AIナビゲーター

YouTube

ChatGPT・Gemini・Claudeなどの会話AI、画像生成AI、動画生成AI、資料作成AI、AI検索ツールを初心者向けに解説するAIナビゲーター。実際に使ってみた感想や、仕事・学習・発信に役立つAI活用法をわかりやすく紹介しています。