Chain-of-Thought

AI概念
約1分で読めます

AIが最終的な回答を出す前に、中間の論理的推論ステップを経るように誘導することで、複雑な問題の解決精度を高めるプロンプティングおよび推論手法です。

別名
CoT思考の連鎖Chain-of-Thoughtプロンプティング

詳しい説明

Chain-of-Thought（CoT）は、巨大言語モデル（LLM）が人間の思考プロセスのように問題を段階的に分解して処理できるようにする技術です。単純な一問一答方式に比べて、数学的な計算、常識的な推論、複雑な意思決定において優れたパフォーマンスを発揮します。初期の「順を追って考えてみましょう」という指示に基づくもの（Zero-shot CoT）を超え、最近ではOpenAI o1のようにモデルの学習段階で推論プロセスを内在化し、複雑な課題を解決する「推論型モデル」のコアメカニズムへと進化しています。これは、モデルが中間プロセスを検討することで、論理の飛躍を減らし、正解率を向上させることに寄与します。

ツール選定において重要な理由

単なる情報の要約ではなく、ビジネスロジックの設計や複雑なコード作成、データ分析が目的であれば、CoTの性能が検証されたモデルを選択する必要があります。特に最近の推論特化型モデルは、CoTを内部化しているため、ユーザーが個別のプロンプトを作成しなくても自ら思考プロセスを経て処理を行い、これが業務自動化の信頼性を左右する重要な要素となります。

確認事項

  • モデルが回答する際、論理的な根拠を併せて提示しているか？
  • 複雑な数式や複数段階の論理問題において、正解率が安定しているか？
  • 推論プロセス（CoT）を可視化するモデルか、あるいは内部的に処理して結果のみを提示するモデルか？
  • CoTを有効化した際に発生する追加のトークンコストと応答時間（レイテンシ）を許容できるか？

例

質問: '太郎はリンゴを5個持っており、花子に2個あげた後、再び4個買った。現在リンゴは何個あるか？' 通常の回答: '7個です。' CoT適用の回答: '1. 最初のリンゴ: 5個 / 2. 花子にあげた後: 5-2 = 3個 / 3. 再び買った後: 3+4 = 7個 / 最終的な回答: 7個'

混同しやすい用語

Standard Prompting

中間プロセスを経ることなく、質問に対する最終的な回答のみを即座に要求する方式です。

Self-Consistency

CoTを用いて複数の推論ルートを生成し、最も多く出力された回答を選択する補完手法です。

関連用語

推論モデルプロンプトエンジニアリング