「AIって，ネット上の人類の知識を全部読み込んで，全部覚えているんでしょ？」
生成AIについて，こういうイメージを持つ人は多い．
結論から言うと，これは誤解のようだ．
Claude のような大規模言語モデルは，人類の情報を「可能な限りすべて」飲み込んだ存在ではない．
入手可能で，権利的に使えて，品質の高い公開情報を厳選し，統計的に圧縮して学習したモデル，というのが正確な姿だ．
この記事では，「全部読んでいるの？」という素朴な問いから出発して，モデルの世代差や「結局，人類の情報の何％を覚えているの？」という疑問まで，順番に整理していく．
整理をしたのは，Claude Opus4.8．
1．よくある3つの誤解
まず，ありがちな思い込みと実際を並べてみる．
-
誤解：人類の全データを読んでいる
→ 実際は，ごく一部．公開・入手可能で，かつ学習に使えるものだけ． -
誤解：モデル間で同じデータを学んでいる
→ 実際は，モデルごとに学習データも「知識カットオフ（学習の締め切り時点）」も異なる． -
誤解：読んだものは全部覚えている
→ 実際は，学習は「丸暗記」ではなく統計的な圧縮．細部の多くは失われる．
この3つを押さえるだけで，AIに対する解像度はかなり上がる．
2．なぜ「全部」ではないのか ― 5つの壁
学習データが「人類の全情報」にならないのには，はっきりした理由がある．大きく5つだ．
-
入手可能性の壁
インターネット上でも，非公開・ログイン必須・有料の情報は大半が対象外．紙・口伝・企業内データ・個人のプライベート情報は，そもそも届かない． -
ライセンス／権利の壁
著作権や利用規約で学習に使えないものは除外される．いま各国で訴訟や契約の対象になっている，まさにその領域だ． -
品質フィルタリングの壁
スパム・有害・重複・低品質なデータは意図的に取り除かれる．「量を全部入れる」より「質を選ぶ」方向で設計される． -
カットオフ（新しさ）の壁
ある時点以降のデータは学習に入っていない．その日以降の出来事を，モデルは学習では知らない． -
モダリティ（形式）の壁
テキスト・コード・画像などが中心．匂いや触覚，未デジタル化の資料は当然入らない．
つまり，「全情報」という入口の水を，5枚のフィルタが次々に濾（こ）していく．
学習にたどり着くのは，そのうち通り抜けた分だけだ．
3．新しいモデルは，古いモデルを「完全に含む」のか？
ここでよくある次の疑問．「じゃあ最新の Opus は，一つ前の世代の Sonnet が学んだことを全部カバーしているの？」
答えは，必ずしもそうではない．
新しくて大きいモデルでも，古いモデルの学習内容の厳密な上位集合（スーパーセット）である保証はない．
-
データのスナップショットが違う
学習の時点が違えば，取得できるWebの中身も違う．古いモデルが学習した当時のページが，後で削除・改変・リンク切れしていれば，新しいモデルは同じものを取れない． -
データの配合（ミックス）が違う
「どのデータをどれだけ入れるか」の設計はモデルごとに変わる．古い情報が意図的に減らされることもある． -
「学習＝保存」ではない
仮に同じデータを入れても，モデルは全部を記憶しない．大きいモデルほど多くを保持しやすい傾向はあるが，特定の細かい事実まで確実に引き継ぐ保証はない．
新しいモデルほどより新しい情報を持つ傾向は強い．
一方で，古いモデルだけが学習していた（その後ネットから消えた）情報を，新モデルが持っていない可能性もある．
総合的な能力では新しいモデルが優れることが多いが，それは「網羅」ではなく「重なり＋更新＋圧縮効率の差」の結果だ．
4．では，結局「何％」覚えているのか？
一番聞きたくなる問いだが，ここははっきり言える．「何％」という数字は誰にも出せない．
理由は2つ．
-
分母が測れない
「学習に役立つ公開情報の総量」に，定義も実測値もない．Webは日々増減し，何を「有用」とするかで桁が変わる．割り算の分母が存在しないのだ． -
そもそも「記憶」していない
モデルはデータを丸ごと保存せず，統計的に圧縮している．「何％記憶」という問いの立て方自体が，実態に合っていない．
あえて感覚を言うなら，問いを2つに分けると整理できる．
-
触れた量（露出）：公開・高品質・アクセス可能なテキストの「多く」には目を通しているとみられる．ただし非英語・専門・非デジタル領域は大きく抜けている．
-
覚えた量（再現）：正確に取り出せるのはごく一部．大半は「細部は忘れ，要点・パターンとして保持」している．
一言でいえば，「主要な公開情報に広く目を通しているが，記憶しているのはその要点であって，全体のごく一部」．
モデルを3世代を重ねても，この構造（分母不明・圧縮保持）は変わらない．
5．全体を1枚の図にすると
ここまでの話を，情報の「漏斗（じょうご）」として1枚にまとめると，こうなる．
-
入口：人類の全情報（公開・非公開，デジタル・非デジタル，全モダリティ）
-
関門：5つのフィルタ（入手性・権利・品質・新しさ・形式）で大半が除外される
-
通過後：学習に露出した公開情報．ここに複数世代のモデルが重なり合う（だが完全には覆えない）
-
さらに絞られて：実際に記憶・再現できる情報は，全体のごく一部
-
出口の注意書き：「人類情報の何％」は，分母が測れず数値化できない
上から下へ狭まっていく形そのものが，「AIは全部を飲み込んではいない」という事実を表している．
おわりに ― “足りない分”はどうするのか
最後に一点だけ補足を．
学習に入っていない情報でも，AIはその場でツール（Web検索やファイル読み込み）を使えば取得して答えられる．
「学習済みの知識」と「実行時に参照する情報」は別物だ．
最近のAIが最新の話題にも答えられるのは，記憶ではなく，この“調べる力”による部分が大きい．
なお，各モデルの学習データの正確な中身や規模は公開されていないため，「これとこれが入っている」と網羅的に断定することはできない．
この記事の説明は，モデル学習の一般的な仕組みにもとづくものだ，という点は申し添えておく．
「全部知っている万能の頭脳」ではなく，「厳選した情報の要点を圧縮して持ち，足りなければ調べる相棒」．そう捉えるほうが，AIとの付き合い方はずっと現実的になる．
#AI #生成AI #Claude #ClaudeCode #LLM #大規模言語モデル #機械学習 #AIリテラシー #テクノロジー #学習データ