Pre Trained Model（事前学習モデル）は、現代のAI・機械学習分野において不可欠な技術です。この解説では、その基本概念から具体的な活用方法、そして将来展望まで、初心者から上級者まで理解できるよう詳細に解説します。PC自作における重要性や、関連技術との繋がりも掘り下げていきます。
現代のAI（人工知能）技術、特にChatGPTに代表される大規模言語モデル（LLM）や、画像生成AIの進化を支えている核心的な技術が「Pre Trained Model（事前学習モデル）」です。
かつて、AIの構築には膨大な計算リソースと、数ヶ月に及ぶ学習時間、そして天文学的な量のデータが必要でした。しかし、事前学習モデルの登場により、すでに膨大な知識を蓄積した「知能の土台」を再利用することが可能になりました。これにより、個人のPC環境や小規模な企業であっても、特定の用途に特化した高度なAIを構築できる「AIの民主化」が加速しています分、PC自作ユーザーやエンジニアにとって、この技術の理解は必須といえます。
事前学習モデルを一言で表現するならば、「膨大なデータを用いて、あらかじめ特定のタスク（言語理解、画像認識、音声変換など）を学習済みの状態にあるモデル」のことです。
事前学習モデルの活用には、大きく分けて「Pre-training（事前学習）」と「Fine-tuning（ファインチューニング）」という2つのステップが存在します。
私たちが日常的にAIを使用する際、モデルが行っているのは「学習」ではなく「推論（Inference）」です。学習済みの重み（Weight）データを用いて、入力されたプロンプトに対して最適な出力を計算するプロセスを指します。この推論の速度や精度が、PCパーツのスペックに大きく依存します。
現在、世界中で利用されている主要な事前学習モデルには、以下のようなものがあります。これらは、用途に応じて使い分けられています。
これらのモデルは、それぞれパラメータ数（モデルの規模）が異なり、数億から数千億、あるいは兆（Trillion）規模のパラメータを持つものまで存在します。
事前学習モデルをローカル環境（自分のPC内）で動かしたり、ファインチューニングしたりする場合、PCパーツの選定は極めて重要です。AI処理のボトルネックは、主に「VRAM（ビデオメモリ）容量」と「計算性能（CUDAコア/Tensorコア）」に集着します。
AI処理において、GPUは心臓部です。特に、モデルのパラメータをVRAM内に展開できるかどうかが、実行の可否を決定します。
| モデル種別 | 代表的なモデル名 | 推奨される最小VRAM | 推奨されるGPU例 | 主な用途 |
|---|---|---|---|---|
| 大規模言語モデル (LLM) | Llama 3 (8B) | 8GB - 12GB | RTX 4060 Ti (16GB) | チャット、要約、コード生成 |
| 大規模言語モデル (LLM) | Llama 3 (70B) | 40GB 以上 (量子化前提) | RTX 4090 x 2枚構成 | 高度な論理推論、複雑な分析 |
| 画像生成モデル | Stable Diffusion XL | 12GB 以上 | RTX 3060 / 4070 | 高解像度画像生成、アート制作 |
| 音声認識モデル | Whisper (Large) | 10GB 以上 | RTX 4070 Ti | 自動文字起こし、翻訳 |
事前学習モデルの巨大すぎるサイズを、家庭用PCで扱えるようにする魔法のような技術が「量子化（Quantization）」です。
通常、AIモデルの重みは FP16（16ビット浮動小数点数）などの高い精度で保持されています。これを 8-bit や 4-bit、さらには INT4 といった低いビット数に変換することで、モデルの精度を極力維持したまま、メモリ使用量を劇的に削減できます。
2025年現在、この量子化技術は極めて高度化しており、4-bit 量子化されたモデルであっても、元の FP16 モデルと遜色のない性能を発揮することが一般的となっています。
これからの数年間（2025年〜2026年）において、事前学習モデルの活用は「クラウド型」から「オンデバイス型（ローカル型）」へと大きくシフトしていくと予想されます。
最新のノートPCやデスクトップPCには、CPUやGPUに加えて、AI処理専用のプロセッサである「NPU (Neural Processing Unit)」が搭載され始めています。これにより、インターネットに接続していなくても、プライバシーを保護した状態で、PC内部で高度なAI処理を完結させる「AI PC」が主流となります。
自作PCユーザーにとって、これからのパーツ選びは単なる「性能向上」だけでなく、「いかにAI処理（NPU/GPU）を効率化できるか」という視点が、より一層重要になってくるでしょう。
Q1: 自分のPCで事前学習モデルを動かすには、最低限何が必要ですか？ A1: 最低限、8GB以上 のVRAMを持つNVIDIA製GPU（RTX 3060等）と、16GB以上 のシステムメモリが必要です。ただし、本格的な生成AIや大規模なチャットAIを楽しみたい場合は、24GB のVRAMを持つ RTX 4090 などのハイエンドGPUを強く推奨します。
Q2: 「ファインチューニング」と「プロンプトエンジニアリング」の違いは何ですか？ A2: プロンプトエンジニアリングは、入力する指示文（プロンプト）を工夫して、モデルの能力を最大限に引き出す「使い方の技術」です。一方、ファインチューニングは、モデル自体の重みデータを書き換えて、知識そのものを追加・修正する「学習の技術」です。前者はコストがかからず、後者は計算リソースが必要です。
Q3: モデルの「パラメータ数」が大きければ大きいほど良いのですか？ A3: 基本的には知識量や推論能力が増えますが、それだけ計算量とメモリ使用量も増大します。また、最近では次世代の技術により、パラメータ数が少なくても（例：数B規模）、特定のタスクにおいて巨大なモデル（例：数百B規模）に匹敵する精度を持つモデルも登場しており、必ずしも「大きい＝正義」とは限らなくなっています。