自己回帰モデルとは？生成AIとの関係をわかりやすく解説

2026年7月25日

自己回帰モデルとは・自分の系列の過去の値やトークンを手がかりに、次を予測し続ける仕組み

この記事でわかること

「生成AIの解説を読んでいたら、自己回帰モデルという言葉が出てきた。統計の教科書でも見た気がするが、同じものなのか」。そんな疑問を持って検索してきたなら、この記事はちょうどよい入口です。

実は「自己回帰モデル」という言葉は、大きく2つの場面で使われます。ひとつは統計学の時系列分析で、売上や気温のようなデータの先行きを予測する文脈。もうひとつは、ChatGPTに代表される文章生成AIの仕組みを説明する文脈です。検索して出てくる解説の多くは統計学側のものですが、この記事では両方の関係を整理したうえで、生成AIの理解に直結する「次のトークンを予測する仕組み」を中心に、数式を使わずに解説します。トークンとは、単語や文字の一部など、モデルが文章を扱う単位です。

この記事で扱う主な内容は、次のとおりです。

自己回帰モデルとは何か（統計学と生成AI、2つの文脈の交通整理）
両者に共通する考え方（過去の値やトークンから次を予測するという発想）
統計学の自己回帰モデル（ARモデル）＝時系列データの予測
生成AIの自己回帰＝次のトークンを順に予測して文章を作る仕組み

生成AIの土台となる考え方を先に押さえたい場合は、言語モデルとはもあわせて読むと、この記事の内容がつかみやすくなります。

自己回帰モデルとは

はじめに言葉の交通整理をしておきます。自己回帰モデルと検索すると、統計学の時系列分析で使われる「ARモデル」の解説が多く出てきます。時間の流れに沿って並んだデータの次の値を、過去の値から予測する、統計の古典的な手法です。

一方で、最近この言葉に出会う場面として増えているのが、生成AIの解説です。ChatGPTのような文章生成AIは「自己回帰型のモデル」と説明されることがあり、こちらは「直前までの文章をもとに、次のトークン（単語や文字の一部など）を予測しながら文章を作る」という仕組みを指しています。

2つは使われる分野こそ違いますが、根っこの考え方は共通しています。自己回帰に共通するのは、対象となる系列の過去の値やトークンを手がかりに、次を予測することです。統計学のARモデルは過去の観測値を、生成AIの自己回帰言語モデルは直前までの入力や生成済みトークンを、主な手がかりにします。対象となる系列を、その系列自身の過去の値で説明・予測することから「自己回帰」と呼ばれる、と押さえると名前の意味がつかめます。

結論＝自己回帰モデルは「過去の値やトークンから次を予測する」仕組み。生成AIは、これを言葉でやっている

結論から言うと、自己回帰モデルとは、対象となる系列の過去の値やトークンを手がかりに次を予測する仕組みの総称です。統計学のARモデルは過去の観測値から「次の数値」を、生成AIの自己回帰言語モデルは直前までの入力や生成済みトークンから「次のトークン」を予測します。

そして、経営や実務の目線で押さえておきたいのは、生成AI側の話です。ChatGPTなどのGPT系と呼ばれる文章生成AIは、この「次のトークンの予測」を高速で繰り返しつなげることで、あの流ちょうな文章を作り出しています。生成AIが魔法のように見えても、中で行われている基本の動作は「次に来そうな言葉の部品（トークン）を確率で選ぶ」ことの積み重ねです。

この一点が腹落ちすると、生成AIの得意・不得意や、もっともらしい間違いが起きる理由の見当がつくようになります。詳しくは後半で整理します。

自己回帰モデルとはわかりやすく（スマホの予測変換のたとえ）

もう少しイメージしやすく説明します。自己回帰の働きは、スマホの予測変換にたとえると分かりやすいです。

スマホで「お世話に」と打つと、変換候補に「なっております」が出てきます。予測変換は、それまでに打った言葉、つまり「自分の過去の入力」を手がかりに、次に来そうな言葉を提案しています。この「過去の自分をもとに次を当てる」発想が、自己回帰の基本です。

生成AIの文章生成は、この予測変換を「一回提案して終わり」にせず、繰り返し続けていくイメージです。提案したトークン（単語や文字の一部など）を自分の文章に付け足し、付け足した結果まで含めて、また次のトークンを予測する。自分が出力したトークンも、そのまま次の予測の材料に加わっていく。生成AIが「自己回帰型」と呼ばれるのは、この繰り返しのためです。

統計学の時系列予測も、対象が言葉から数値に変わるだけで、発想は同じです。たとえば店の来客数なら、「昨日と一昨日の来客数から、今日の来客数を見立てる」。過去の自分のデータが、次を教えてくれるわけです。

統計学の自己回帰モデル（ARモデル）＝時系列データの予測

まず、検索結果に多く出てくる統計学側を短く押さえます。

時間の流れに沿って記録されたデータを、時系列データと呼びます。日ごとの売上、月ごとの受注数、毎時の気温などです。統計学の自己回帰モデル（ARモデル）は、この時系列データについて、「直近の過去の観測値」を手がかりに次の値を予測する手法です。売上予測や需要予測、在庫計画の検討など、ビジネスの数値予測の文脈で古くから使われてきました。

ARモデルには、「どこまで過去にさかのぼって手がかりにするか」という考え方があります。昨日だけを見るのか、過去1週間を見るのか。さかのぼる範囲の決め方が、予測の性格を左右します。

また、発展形として、複数の系列をまとめて扱うベクトル自己回帰モデル（VARモデル）や、ARMA・ARIMAといった、自己回帰に関連する時系列モデルの名前も検索結果に出てきますが、本記事では名前の紹介にとどめます。ARMAやARIMAは、自己回帰の考え方を部品として含みつつ、別の要素も組み合わせたモデルです。ここでは「自己回帰に関連する時系列モデル」とだけ押さえておけば十分です。

ひとつ限界にも触れておきます。自己回帰モデルは過去のパターンが今後も続くことを前提にした予測なので、過去のデータに現れていない急激な変化までは織り込めません。予測値を経営判断に使う場合は、この性質を前提に、あくまで判断材料のひとつとして扱うのが安全です。

生成AIの自己回帰＝次のトークンを予測し、順につなげて文章を作る

ここからが本記事の主役です。ChatGPTをはじめとする文章生成AIの多くは、自己回帰の考え方で文章を作っています。

文章生成AIの土台は、大量の文章から言葉のつながり方を学習した言語モデルです（詳しくは言語モデルとはで解説しています）。その中でも大規模なものがLLM（LLMとは）と呼ばれ、GPT系のモデルはその代表例として知られています。

自己回帰による文章生成の流れは、次のとおりです。

直前までの文章（質問文や、書きかけの回答）を受け取る
次に来るトークンの候補それぞれに、確からしさ（確率）を割り当てる
確からしいトークンを選んで、文章に書き足す
書き足した結果まで含めて、また次のトークンを予測する

この繰り返しで、トークンが一つずつ順に足され、文章が伸びていきます。長い回答も、要約も、翻訳も、基本はこの「次のトークン予測」の積み重ねです。感覚的には「次の一語予測」の連続とたとえてもよいでしょう。こうしたトークンを一つずつ順に生成する方式が、自己回帰生成と呼ばれています。

なお、直前までの文章の中で「どの言葉に注目して次を予測するか」をうまく捉える仕組みとして知られるのが、Transformer（Transformerとは）です。ただし、生成される文章の品質は、モデルの構造だけで決まるわけではなく、学習データの量や質、学習のさせ方などの組み合わせで決まります。

ここで、限界も近くに置いておきます。自己回帰生成は、次のトークンを「もっともらしさ」で選んでいるのであって、書く内容が事実かどうかを確かめながら書いているわけではありません。そのため、文章として自然なのに中身が誤っている、いわゆるもっともらしい間違いが生じることがあります。ただし、自己回帰という性質は、その理由の一つです。誤りの起きやすさは、学習データの内容、プロンプト（指示文）の書き方、モデルが持つ知識の不足、外部情報の検索やツール接続の有無にも左右されます。外部情報の検索や検証機能を組み合わせた場合でも、生成AIの出力を業務で使う際は、用途に応じた人の確認が欠かせません。

ちなみに、自己回帰の考え方は文章専用ではありません。画像を小さな部品の並びとみなして順に生成する、自己回帰型の画像生成が使われる場合もあります。もっとも、画像生成には拡散モデルなど別の方式もあり、自己回帰はあくまで方式のひとつです。

統計学のARモデルと生成AIの自己回帰の違い

ここまでの2つの文脈を、表で整理します。

観点	統計学の自己回帰モデル（ARモデル）	生成AIの自己回帰生成
予測するもの	次の数値（売上・気温など）	次のトークン（単語や文字の一部など）
手がかりにする過去	対象系列の過去の観測値	直前までの入力・生成済みトークン
主な得意分野	時系列データの予測（需要予測など）	文章の生成（対話・要約・翻訳など）
出会う場面	統計学・データ分析の解説	ChatGPTなど生成AIの解説

※表は主な役割の目安です。実際には両分野の考え方が重なる部分や、他の仕組みと組み合わせて使われる場合もあります。

共通しているのは、対象となる系列の過去の値やトークンを手がかりに次を予測する、という一点です。対象が数値なら統計学のARモデル、トークン（言葉）なら生成AIの自己回帰生成。この対応関係さえ押さえておけば、どちらの解説を読んでも迷わなくなります。

経営者として、どこまで知っておけばよいか

正直に言えば、経営者が自己回帰モデルの計算の中身を理解する必要はありません。押さえておくと役立つのは、次の二点です。

一つは、「生成AIは、次のトークンの予測を繰り返して文章を作っている」ということ。だから流ちょうに書けるし、だからこそ、内容の正しさは仕組みとして保証されていない、という表裏の関係が見えてきます。もう一つは、「時系列予測の相談で出てくるARモデルは統計の古典的な手法で、生成AIとは別の文脈だ」ということ。同じ言葉でも、話し相手がどちらの意味で使っているかを切り分けられれば、会議で混乱しません。

実際にAI活用を検討する場面では、次の5点を確認しておくと、判断を誤りにくくなります。

どの業務課題に使うのか（文章を作りたいのか、数値を予測したいのか。同じ「自己回帰」でも検討すべき道具が変わります）
手がかりになるデータは何か（生成AIなら渡す文書や指示文の質、数値予測なら過去データの蓄積と質）
何をもって「良い出力・良い予測」とするかの判定基準
人の確認をどこに置くか（次のトークン予測という性質上、もっともらしい間違いを人がどの工程で見つけるか）
導入後の運用体制と費用対効果（使いっぱなしにせず、出力の質を見直す体制を作れるか）

仕組みの名前に身構える必要はありません。「過去から次を予測する仕組みですね。では何を予測させたいんでしたっけ」と、課題の話に引き戻せれば十分です。

「次の言葉を予測しているだけ」を、私はこう説明している

経営者に生成AIの仕組みを説明すると、よくこんな疑問が返ってきます。

「次の言葉を予測しているだけなのに、なぜ長い報告書や事業計画まで作れるのですか」

そこで私は、最初に簡単な穴埋め問題を出します。

「明日の会議は、午前10時から第1会議室で……」

続きを考えてもらうと、多くの方が「開催します」と答えます。では、少し情報を足すとどうでしょう。

「明日の会議は、午前10時から第1会議室で開催します。議題は、来期の……」

今度は「事業計画」「予算」あたりが浮かびます。人間も、前にある文章を手がかりに次を予測しながら読み書きしている。生成AIも同じことを、大量の文章から学んだパターンでやっています（厳密には、単語や文字を細かく分けたトークンという単位です）。

「一度に一歩」の予測でも、選んだ言葉を文章に加えて、また次を予測する。この繰り返しを何百回も重ねれば、長い報告書になります。一歩先の道を選び続けた結果、遠い目的地まで進んでいくようなものです。

ここで大事なのは、生成AIは完成した回答を倉庫から探し出しているのではない、という点です。質問された瞬間に、その場で文章を組み立てています。

「予測しているだけ」と聞くと単純に思えますが、能力が低いという意味ではありません。「原材料価格が上昇したため、会社は商品の価格を……」の続きを正しく選ぶには、原価と売価の関係という文脈まで捉える必要があります。基本動作は単純でも、予測に使っているパターンが非常に大規模で複雑なのです。

私がこの説明を最初にする最大の理由は、限界も同時に腹落ちしてもらえるからです。

生成AIは、文脈に合う自然な続きを作ることが得意です。だから「ある調査によると、中小企業の72％が生成AIを導入しています」のような、もっともらしい数字を、実際の資料を確認せずに組み立ててしまうことがあります。

「もっともらしいことと、事実であることは、同じではありません」

この一言が伝わると、数値・固有名詞・年号・料金を人が確認すべき理由が、注意事項の暗記ではなく納得として入ります。

聞き方で回答が変わる理由も、同じ仕組みから説明できます。「この事業の利点を挙げて」と聞けば長所につながる言葉が、「中止すべき理由を指摘して」と聞けばリスクにつながる言葉が選ばれやすい。AIが意見を変えているのではなく、与えた文脈に沿った続きを作っているだけです。だから重要な判断では、賛成・反対・顧客目線と複数の聞き方をさせます。

自社の情報を渡すほど回答が具体的になる理由も同じです。文脈が予測の材料なのですから、「AIに会社の答えを考えさせるのではなく、会社の事情を材料として渡し、その材料に沿って整理させてください」とお伝えしています。

締めくくりに使っているのは、この一言です。

「生成AIは、正解を保管している百科事典ではありません。渡された文脈から、その場でもっとも適切そうな文章を組み立てる、非常に優秀な文章作成・整理の仕組みです」

過大評価も過小評価もせず、下書き・要約・整理はAIに、事実確認と責任ある判断は人に。この役割分担を理解してもらうために、「次の言葉を予測している」という仕組みの話をしています。

自己回帰モデルについてよくある質問

自己回帰モデルとは何ですか？

対象となる系列の過去の値やトークンを手がかりに、次を予測するモデルの総称です。統計学では過去の観測値から次の数値を予測する時系列分析の手法（ARモデル）を指し、生成AIの分野では、直前までの入力や生成済みトークンから次のトークン（単語や文字の一部など）を予測しながら文章を作る仕組みを指します。

自己回帰とはどういう意味ですか？

対象となる系列を、その系列自身の過去の値で説明・予測することを意味します。外部の別のデータではなく、対象の系列自身の過去の値やトークンを手がかりに次を予測することから、この名前が付いています。

自己回帰言語モデルとは何ですか？

直前までの入力や生成済みトークンをもとに次のトークンを確率で予測し、それを繰り返して文章を生成する言語モデルのことです。ChatGPTなどで知られるGPT系のモデルは、この自己回帰型の代表例として知られています。

ベクトル自己回帰モデル（VARモデル）とは何ですか？

統計学の自己回帰モデルの発展形で、複数の時系列データをまとめて扱い、互いの過去の値から先行きを予測する手法です。本記事の範囲を超えるため名前の紹介にとどめますが、「自己回帰の仲間で、複数の系列を同時に見るもの」と押さえておけば十分です。

この記事を書いた人

西俊明（トシゾー）中小企業診断士／AI実践戦略士／IT講師・著者

中小企業診断士／AI実践戦略士（商標出願中）／IT講師・著者。富士通で17年間、IT製品の営業・マーケティングに従事した後、独立。中小企業を中心に270社超を支援し、研修・セミナーへの登壇は250回を超える。現在は、生成AI・ITを経営や業務に生かす実践的な方法と、ITパスポート、情報セキュリティマネジメント、基本情報技術者試験などの学習法・過去問解説を発信している。著書に『改訂7版 ITパスポート最速合格術』など。