ゼロショット転移

ゼロショット転移（Zero-shot Transfer）は、目的タスクの学習例を一切使わずに、AIモデルがそのタスクを実行できる能力を指します。事前学習で獲得した汎用的な知識を、新しいタスクにそのまま転用する究極の転移学習です。

ゼロショットの例

プロンプト：「次の文をフランス語に翻訳してください: 今日はいい天気です」
→ モデルがフランス語翻訳の例を一切学習していなくても回答できる

GPTやClaude・GeminiなどのLLMは、事前学習中に大量のテキストから様々な知識を獲得しているため、明示的に学習していないタスクでも実行できます。

関連用語との比較

プロンプト例：

[Zero-shot]
「次の文を肯定的か否定的か分類: 『この映画は素晴らしい』」

[Few-shot]
「例1: 『楽しかった』 → 肯定的
 例2: 『つまらない』 → 否定的
 課題: 『この映画は素晴らしい』 → ?」

ゼロショット能力の根拠

大規模事前学習モデルがゼロショットで様々なタスクを実行できるのは、以下の能力が事前学習で獲得されているからです。

• 言語の文法・意味理解
• 一般常識・世界知識
• 推論パターン（因果・類推）
• フォーマット理解（質問形式、回答形式）
• メタ認知（指示の意図を読み取る）

適用領域

メリット

• 学習データが不要
• 即座に新タスクに対応可能
• 多様なタスクに柔軟に適用
• ファインチューニングのコストを節約

留意点

1. 精度はタスク依存：簡単なタスクは高精度、専門タスクは低精度
2. **ハルシネーション**：知らないことも自信を持って回答することがある
3. プロンプト設計：指示の出し方で精度が大きく変わる
4. 再現性：同じ入力でも揺らぎがあることが多い

ゼロショット精度を上げる工夫

• **Chain-of-Thought**：「ステップごとに考えてください」と指示
• 明確な指示：曖昧さを残さないプロンプト
• 役割設定：「あなたは○○の専門家です」と先に役割を与える
• 出力形式の指定：JSONや表など明確なフォーマット

ゼロショット → Few-shot → Fine-tuning の選び方

ゼロショット転移は「学習ゼロで使えるAI」を可能にする現代AIの最大の利点で、汎用LLMが業務に瞬時に適用できる理由でもあります。