こんにちは！株式会社 HIBARI の中野と申します。

「LLM」という言葉が一般的になり、ChatGPTやClaude、Geminiなどのサービスを日常的に触る人も増えました。
しかし、これらの根幹にあるTransformerについて、「なんとなく分かった」で済ませている方も多いのではないでしょうか。

そこで、私自身の復習も兼ねて「Transformerとは何なのか」を、アテンション機構(Attention Mechanism)から整理していきます。

背景：RNN・CNNの限界

まず初めに、Transformerが登場する前の話から始めます。
Transformer登場以前、自然言語処理(NLP)は主にRNN(Recurrent Neural Network)やLSTM(Long Short-Term Memory)が主流でした。
これらは時系列データに強い構造を持ち、文脈を逐次処理する点で優れていました。しかし、

並列計算が難しい
長文になると文脈が遠くなり、情報が失われやすい(長期依存問題)

という欠点がありました。

一方、CNNをNLPに応用する試みもありましたが、位置依存や長文理解には不向きでした。

Attention機構の登場

そこで登場したのがAttentionです。
Attentionとは、簡単に言えば、入力全体の中で「今注目すべき単語にどれだけ集中するか」を定量化する仕組みです。

入力文の各単語をQuery(Q), Key(K), Value(V) というベクトルに変換し、「QueryとKeyの内積」に基づいて重みを求め、その重みをValueにかけ合わせて文脈情報を抽出します。

QKVのイメージ：図書館での文献検索

このQKVの役割は、よく図書館での文献検索に例えられます。

Query (Q): あなたが知りたい情報(例：「AIに関する本」という検索クエリ)
Key (K): 図書館の蔵書データベースにある、各本の「キーワード」や「見出し」(例：「AI」「機械学習」「深層学習」)
Value (V): キーに対応する「本そのものの中身」

Attentionは、知りたい情報のQuery(Q)と各本のKey(K)の関連度を計算し(＝内積)、関連度が高い本のValue(V)を重点的に(＝加重平均)、あなたに提示する仕組みに似ています。

図1. Scaled Dot-Product Attention の概念図
(引用：Attention Is All You Need (Vaswani et al., 2017))

この計算により、系列全体を俯瞰しながら重要な単語同士の関係性を学習できます。
この考え方が「Self-Attention」と呼ばれるものです。

Self-Attentionが捉える文脈の例

例えば、「その動物は疲れ切っていたので、道を渡らなかった。」という文があったとします。

RNNでは「その」と「動物」の距離が近いため関係性を学習しやすいですが、「(それは)疲れ切っていた」の「それ」が、文頭の「動物」を指していることを学習するのは困難でした(長期依存問題)。

Self-Attentionは、文全体を一度に見渡すため、「それ」という単語(Query)が、文中のどの単語(Key)と最も関連が深いか(この場合は「動物」)を直接計算し、その文脈を強く反映させることができます。

Transformerの構造概要

Vaswaniらの論文「Attention is All You Need」(2017)で発表されたTransformerは、このSelf-Attentionを多層に積み重ねた構造を持ちます。

図2. Transformerの全体構造イメージ
(引用：Attention Is All You Need (Vaswani et al., 2017))

Encoder

各層は以下の二つのブロックで構成されます。

Multi-Head Self-Attention
Position-wise Feed Forward Network

位置情報を保持するためにPositional Encodingを付加し、系列順序を明示的に学習させます。

Decoder

Encoderの出力を参照しながら、自己回帰的に出力を生成します。
ここでもSelf-Attentionを使いますが、「未来のトークンを見ない」ようにMasked Attentionを適用します。

Multi-Head Attentionの意義

なぜ「Multi-Head」なのか？
一つのAttentionだけでは単語間の関係を単一の視点でしか捉えられません。
複数のヘッド(QKVのセット)を用いることで、

文法的な関係(例：「主語と動詞」)
意味的な関係(例：「質問と答え」や、前述の「"それ"と"動物"」)

など、異なる観点での依存関係を同時に学習できます。

図3. Multi-Head Attentionの概要
(引用：Attention Is All You Need (Vaswani et al., 2017))

LLMへの発展

Transformer構造はBERT、GPT、T5などの基礎となりました。
特にGPT系列ではDecoder部分をベースに、自己回帰型生成を採用。
BERTはEncoder部分をベースに、文脈理解に特化したモデルとして発展しました。

まとめ

Transformerの本質は「Attentionにより系列全体を一度に見渡す」という発想です。
これにより、RNN時代の逐次処理の制約を超え、巨大な言語モデルが現実化しました。

今後もLLMやマルチモーダルモデルの基盤として、Transformerの理解は避けて通れません。
改めて基本を整理しておくことで、より高次なモデル設計や推論の理解につながるでしょう。

参考文献

A. Vaswani et al., "Attention Is All You Need," NIPS, 2017.