会議の資料に、新しいAIの利点が三行並んでいた。「長文を速く書ける」「全体の一貫性が高い」「多様な文を生む」。
出席者の一人が、元のレポートを開いた。
レポートは、拡散型大規模言語モデル（Diffusion LLM）の調査だった。2024年10月までの情報で書いたものだ。
三行の語尾は、こうだった。「可能性がある」「高まりうる」「生まれうる」。
資料の三行には、どの語尾も残っていなかった。
語尾の正体は、書き手が置いた確かさの印だった
天気予報の「雨が降るでしょう」と「雨が降ります」では、話し手の確かさが違う。技術資料の文末も、同じ働きをする。
可能性がある、しやすい、高くなりがち。こうした言い回しは、書き手が主張をどこまで確かだと見ているかの印だ。
語尾は、研究の段階を映す。
資料に貼るときに語尾を落とせば、印も一緒に消える。仮説が、性能表の顔をして会議に出る。
利点は推量、課題は断定だった
レポートが挙げた利点は、三つだった。
一つ目は、並列の生成による長文の高速化。理論上は「可能性がある」。
二つ目は、全体の一貫性で「高まりうる」。三つ目は、多様性で「生まれうる」。
課題の語尾は、断定に近かった。
計算コストは高くなりがちだ。生成の手順を減らすと、品質が落ちやすい。
利点は推量で、課題は断定。同じレポートの中で、語尾の確かさが逆を向いていた。
語尾の差は、研究の段階を映した結果である。
拡散型LLMは、画像生成から何を持ち込んだのか
利点の三行を読むには、仕組みを一つだけ押さえれば足りる。
自己回帰型のLLMは、左から右へ一語ずつ書く。拡散型は、文章の全体を並列に整える。
画像は、連続的な値で表せる。言葉は、単語という区切られた単位だ。
Diffusion-LMは、単語を数値の空間（埋め込み空間）に移す。拡散は、埋め込み空間の中で行う。
Diffusion-LMは、特定の属性や文体に沿った、制御できる生成に強みを示した。制御のしやすさは、研究規模で示した段階だった。
2025年2月、研究チームが研究モデルLLaDAを発表した。80億パラメータのモデルを、2.3兆トークン（文章を刻んだ単位）でゼロから学習させた。
論文によると、文脈から学ぶ力で、同規模の自己回帰型LLaMA3 8Bに並んだ。
同じ月、Inception Labsが商用モデルMercury Coderを発表した。
開発元の技術報告では、小型版が外部の評価で毎秒1,109トークンを出した。速さに絞った既存のモデルより、平均で最大10倍速いとする。
速さの仮説の一部は、裏づけに近づいた。
ただし、どちらの数字も、開発元が書いた論文や報告に載るものだ。長文での一貫性は、検証の途中にある。
AIの要約は、語尾から先に落とす
手元の資料をAIに要約させると、語尾が落ちる場合がある。
語尾が落ちた要約を資料に貼れば、会議の三行と同じ姿になる。読む側は、仮説を実証と取り違える。
確かさの印を、語尾ごと残させる
要約を頼むときは、項目ごとに実証か仮説かを示させる。原文の語尾も一緒に書かせる。
次の文面のかっこの中を書き換えて使える。
添付の資料（例：拡散型LLMの調査レポート）を要約してください。
主張ごとに、次の三つを書いてください。
主張、原文の語尾（例：可能性がある、示された）、区分（実証、研究規模で示された、仮説）
私が知りたいこと：（例：自社の文書作成で、速さが確かめられた技術かどうか）何が確かめられ、何が仮説かを知りたい。自分の問いを先に書けば、資料の読み方が定まる。
資料の利点の三行に、元の語尾を戻す
会議の資料の三行に、元の語尾を戻してみる。
長文を速く書ける可能性がある。
全体の一貫性が高まりうる。多様な文が生まれうる。
性能表に見えた三行は、その瞬間、仮説の一覧に戻る。
この記事の考え方は、拙著『GoogleのAI NotebookLM 意思決定の強化書』の3章のコラム「論文は見落とされがちな知見の宝庫」に書きました。このコラムを読むと、紹介記事が挙げる利点を、元の論文が自ら書いた限界と突き合わせて読めるようになります。
同じ資料を見ているのに、なぜ結論が割れるのか。
『GoogleのAI NotebookLM 意思決定の強化書』
前提が結論を決める。意思決定を根拠、前提、結論の三層に分け、前提を対象、目的、制約、評価基準の四つで言葉にする本です。
読み終えたとき、手元に残るもの
- 意思決定の設計図になる前提リスト
- 資料を事実、意見、噂、ゴミに仕分けるFORT
- 同じ物差しで比べる選択肢表と採点表
- 始める条件と止める条件を書いた決定書
NotebookLMは2026年7月にGemini Notebookへ名称が変わりました。本の手法は、使うAIの種類を問いません。