はじめに
ChatGPTと何度も話していると、「このAIは自分のことを覚えている」と感じることがある。
前に話した仕事の進め方を踏まえてくれる。自分の文体や関心に合わせて返してくれる。過去の会話で出てきたテーマを、次の会話でも自然に持ち出してくる。
では、生成AIは本当に「記憶」しているのだろうか。
ここでいう記憶は、RAMやEPROM、磁気テープ、磁気ディスク、光学ディスクのように、どこかの物理媒体にデータを保存するという意味の記憶ではない。
もちろん、物理的にはモデルのデータもサーバ上の記憶装置に保存されている。しかし、生成AIを使う上で重要なのは、物理媒体としての保存ではなく、次の問いである。
生成AIは、応答を作るときに何を参照しているのか。そして、何が強く作用しているのか。
この問いに立つと、生成AIの「記憶」は、ひとつの箱ではなく、複数の層が重なったものとして見えてくる。
1. 生成AIの記憶は、ひとつではない
生成AIの「記憶」と呼ばれているものは、少なくとも四つに分けられる。
第一に、モデル本体の重みがある。これは、大量のテキストを学習した結果として作られた、言葉や概念の反応傾向である。
第二に、現在の会話文脈がある。いま開いているチャットの履歴や、直近の指示が、応答を作るときの入力として使われる。
第三に、保存メモリがある。ChatGPTのMemory機能のように、ユーザーの好み、作業方針、継続的な関心などを、会話とは別に参照する仕組みである。
第四に、外部ツールや外部ファイルがある。Notion、Google Drive、Gmail、GitHub、Web検索、アップロードファイルなど、モデルの外側にある情報源である。
これらはすべて「覚えている」ように見える原因になる。しかし、それぞれ仕組みが違う。
ここを混同すると、生成AIの挙動を誤解する。
2. モデル本体の記憶は「保存」ではなく「傾向」である
AIの本体には、学習によって身についた言葉の傾向がある。技術的にはこれを「モデル重み」と呼ぶが、ここでは「AIの中にしみこんだ言葉の傾き」と考えればよい。
たとえば、人間が「フランスの首都はパリ」と覚えるとき、私たちはひとつの知識を頭の中に保持しているように感じる。
しかし、LLMの場合、モデルの中に「フランスの首都＝パリ」というカードが一枚保存されているわけではない。
大量のテキストを学習した結果として、「フランス」「首都」「は」という文脈が与えられたときに、「パリ」という語が出やすくなるような数値的構造が形成されている。
つまり、モデル本体の記憶は、データの保存というより、反応可能性の地形に近い。
これは倉庫ではない。むしろ坂道である。
ある言葉を置くと、次に出やすい言葉の方向へ転がっていく。その転がり方の癖が、学習によって作られている。
だから、生成AIは知識を「取り出している」というより、その場の文脈から「それらしい応答を生成している」。
3. 会話文脈は、思い出しているのではなく、読み直している
ChatGPTが直前の発言を踏まえて返してくるとき、私たちは「さっきのことを覚えている」と感じる。
しかし、より正確には、モデルが内面的に会話を保持しているのではない。現在の応答を作るとき、過去の会話履歴や関連情報が、入力として渡されている。
つまり、覚えているというより、読み直している。
これは人間の短期記憶に似て見えるが、同じではない。人間は昨日の会話を自分の記憶から思い出す。生成AIは、必要な文脈をその都度入力として受け取り、その中から次の応答を作る。
この違いは大きい。
会話が長くなるほど、入力される情報は増える。プロジェクト設定、過去の会話、ユーザーの直近指示、アップロードファイル、外部ツールの仕様が同時に入ってくることもある。
すると問題は、「何を覚えているか」だけではなくなる。
どの文脈が、いまの応答に強く作用しているのか。
ここから、記憶の問題は、文脈の力学の問題へ変わっていく。
4. 保存メモリは、モデル本体とは別の参照情報である
ChatGPTには、ユーザーの好みや継続的な情報を保存・参照するMemory機能がある。
これは、モデル本体の重みとは別の仕組みである。モデルそのものが、そのユーザー専用に毎回学習し直されているわけではない。
むしろ、応答を作るときに、保存されたユーザー情報が補助文脈として渡される、と考えた方が分かりやすい。
たとえば、ユーザーが「私は短い箇条書きより、文脈のある説明を好む」と伝えていたとする。その情報が保存メモリやカスタム指示として参照されれば、次の応答はその好みに合わせて生成されやすくなる。
ここでも、記憶は「どこかにしまわれた過去」ではない。
記憶は、現在の応答を作るための条件として再投入される。
5. 外部ツールは、記憶ではなく行為可能性である
Notion、Google Drive、Gmail、GitHub、Slack、Dropbox、Web検索などは、モデル本体の記憶ではない。
それらは、必要に応じて読みに行く場所であり、場合によっては書き込みに行く場所である。
人間にとってのノートや本棚に近いが、生成AIにとっては少し違う。生成AIにとって外部ツールは、単なる保存場所ではなく、世界へ手を伸ばす経路である。
Notionにページを作る。Google Driveの資料を探す。Gmailの内容を確認する。GitHubのIssueを読む。Webを検索する。
こうした行為は、モデルの内部記憶から答えを出しているのではない。外部環境へアクセスし、その結果を現在の文脈に取り込んでいる。
だから外部ツールは、記憶というより、行為可能性である。
ただし、ここにも注意が必要である。
ツールが存在すると、モデルは「使える」と判断する。ツール名が会話に何度も出ると、それが次の行動候補として浮上しやすくなる。ツール仕様が長ければ、それを読むこと自体が文脈を圧迫する。
つまり、外部ツールは中立ではない。
ツールは、生成AIの行動を誘導する経路でもある。
6. 生成AIの応答は「記憶の再生」ではなく「条件の合成」である
ここまでをまとめると、生成AIの応答は、保存された答えを取り出しているのではない。
応答は、その場で合成されている。
そこには、複数の条件が関わっている。
モデル本体の重み。現在の会話文脈。保存メモリ。カスタム指示やプロジェクト設定。外部ファイル。外部ツール。直近のユーザー指示。
これらが同時に働き、その時点での応答が生成される。
だから、生成AIの記憶は、過去をそのまま保存する装置ではない。
生成AIの記憶とは、現在の応答を生成するために再投入される条件群である。
この見方をすると、ChatGPTの挙動がかなり理解しやすくなる。
なぜ、前に話したことを覚えているように見えるのか。なぜ、同じ指示をしても別の動きをするのか。なぜ、設定したはずのルールが、ときどき直近の文脈に負けるのか。なぜ、AIが余計なツールを呼びに行くことがあるのか。
それらは、単なる気まぐれではない。複数の条件が、その場で合成されているからである。
7. 使いこなすとは、記憶を信じることではない
生成AIを使うとき、人間はつい「覚えているか／忘れているか」で考えたくなる。
しかし、実用上はそれだけでは足りない。
重要なのは、次のように考えることである。
何がモデル本体に由来するのか。何が現在の会話文脈に由来するのか。何が保存メモリに由来するのか。何が外部ツールやファイルから来ているのか。何が直近の指示に引っ張られているのか。
生成AIを使いこなすとは、AIの記憶をただ信じることではない。どの条件が応答に作用しているのかを見分け、必要に応じて文脈を設計し直すことである。
その意味で、よいプロンプトとは、単なる命令文ではない。生成AIが参照する条件を整える、作業環境の設計である。
次回は、この問題を「プロンプトは命令なのか、環境なのか」という切り口から考える。
設定プロンプト、会話文脈、ユーザーの直近指示、外部ツールの仕様。それらは、どのような力関係で応答を形づくるのか。
生成AIのしくみを理解するとは、AIの内側だけを見ることではない。AIの外側に広がる文脈と道具の配置まで見ることである。
中心フレーズ
生成AIの記憶とは、保存された過去ではなく、現在に再投入される条件である。