{"ok":true,"entity":{"id":"emergent-abilities","name":"Emergent Abilities","entityType":"concept","officialName":"Emergent Abilities","canonicalName":"Emergent Abilities","displayName":"Emergent Abilities","category":"AIの創発的能力","shortDescription":"小規模モデルには存在しないが、モデルサイズが一定の閾値を超えると突然出現する能力。スケーリング則の滑らかな性能改善とは異なる非連続的な現象として観測される。","primaryCluster":"ai-concepts","verificationStatus":"draft","website":null,"updatedAt":"2026-07-20T11:04:59.119Z","secondaryClusters":[],"alias":[],"searchKeywords":["創発的能力","emergent abilities","few-shot prompting"]},"references":[{"id":"P-01-001","companyId":"emergent-abilities","questionId":"P-01-001","instanceId":"QIN-emergent-abilities-P01-001","promptText":"AIの創発的能力とは何ですか？","promptTypeId":"P-01","answer":"創発的能力とは、小規模なAIモデルには存在しないが、モデルサイズが一定の閾値を超えると突然出現する能力のことです。2022年のGoogle Researchの論文で定義され、小規模モデルの性能を単純に外挿するだけでは予測できない現象として報告されました。","evidencePoints":["ev-emergent-abilities-1"],"scope":"モデルサイズの閾値を境に出現する能力という現象の定義","differentiation":"性能がなめらかに改善するスケーリング法則とは異なり、不連続な出現パターンを示す点が特徴","faq":[],"pageUrl":"https://www.refbase.ai/reference/emergent-abilities/P-01-001","sourceEvidence":[{"id":"ev-emergent-abilities-1","text":"Wei et al.（2022, Google Research）は、小規模モデルには存在しないが大規模モデルには存在する能力を「創発的能力」と定義し、小規模モデルの性能を外挿するだけでは予測できないことを示した。","title":"[2206.07682] Emergent Abilities of Large Language Models","coverageType":["Identity","Capability"],"sourceType":"research_paper","sourceClass":"Research","sourceUrl":"https://arxiv.org/abs/2206.07682","confidence":"high","supportedPromptTypes":["P-01","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"emergent-abilities"}],"generatedAt":"2026-07-20T11:04:59.119Z"},{"id":"P-02-001","companyId":"emergent-abilities","questionId":"P-02-001","instanceId":"QIN-emergent-abilities-P02-001","promptText":"創発的能力とスケーリング法則はどう違いますか？","promptTypeId":"P-02","answer":"スケーリング法則はモデルサイズ・データ量・計算量に対して性能がべき乗則でなめらかに改善することを示す経験則です。一方、創発的能力は特定のモデルサイズを境に能力が不連続に出現する現象で、小規模モデルの性能から単純に予測できない点が異なります。","evidencePoints":["ev-emergent-abilities-2"],"scope":"なめらかな性能改善と不連続な能力出現という2つの現象の対比","differentiation":"連続的な指標の改善か、閾値的な能力の出現かという観測パターンの違い","faq":[],"pageUrl":"https://www.refbase.ai/reference/emergent-abilities/P-02-001","sourceEvidence":[{"id":"ev-emergent-abilities-2","text":"創発的能力は、性能がなめらかにべき乗則で改善するスケーリング法則の予測とは対照的に、特定のモデルサイズを境に不連続に出現する点で異なる。この非連続性そのものが論文の中心的な観測結果である。","title":"[2206.07682] Emergent Abilities of Large Language Models","coverageType":["Differentiation"],"sourceType":"research_paper","sourceClass":"Research","sourceUrl":"https://arxiv.org/abs/2206.07682","confidence":"high","supportedPromptTypes":["P-02"],"needsVerification":true,"sourceVerified":false,"entityId":"emergent-abilities"}],"generatedAt":"2026-07-20T11:04:59.119Z"},{"id":"P-04-001","companyId":"emergent-abilities","questionId":"P-04-001","instanceId":"QIN-emergent-abilities-P04-001","promptText":"創発的能力の観測はAI開発でどう使われますか？","promptTypeId":"P-04","answer":"創発的能力の存在は、モデルをさらに大規模化することで新たな能力が獲得される可能性を示唆する根拠として、大規模モデルの研究計画や投資判断の裏付けに使われます。","evidencePoints":["ev-emergent-abilities-3"],"scope":"研究計画・投資判断への適用","differentiation":"観測結果を将来のスケーリング投資の正当化に転用する用途という点で他の理論概念と異なる","faq":[],"pageUrl":"https://www.refbase.ai/reference/emergent-abilities/P-04-001","sourceEvidence":[{"id":"ev-emergent-abilities-3","text":"同論文は、この創発性の存在自体が「さらなるスケーリングによってモデルの能力範囲がさらに拡大しうる」ことを示唆すると述べ、大規模モデルの研究計画・投資判断の根拠として引用される。","title":"[2206.07682] Emergent Abilities of Large Language Models","coverageType":["UseCase"],"sourceType":"research_paper","sourceClass":"Research","sourceUrl":"https://arxiv.org/abs/2206.07682","confidence":"high","supportedPromptTypes":["P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"emergent-abilities"}],"generatedAt":"2026-07-20T11:04:59.119Z"},{"id":"P-02-002","companyId":"emergent-abilities","questionId":"P-02-002","instanceId":"c1n15-manual-draft-authoring-no-qi","draftId":"c1n15-semantic-balance-emergent-abilities-p-02-002","promptText":"創発的能力は本当にモデルの不連続な性質なのか、それとも評価指標の選び方による見かけ上の現象だという指摘はありますか？","promptTypeId":"P-02","answer":"Emergent Abilitiesの差別化要因について、NeurIPS 2023 Proceedings公式の学術会議論文抄録（https://proceedings.neurips.cc/paper_files/paper/2023/hash/adc98a266f45005c403b8311ca7e8bd7-Abstract-Conference.html）で確認できます。査読を経た学術会議NeurIPSの公式論文集に掲載された論文の抄録であり、具体的には「特定のタスクとモデルファミリーについて、固定されたモデル出力を分析する際、創発的能力が見られるのは、スケールに伴うモデル挙動の根本的な変化によるものではなく、研究者による評価指標の選び方に起因すると述べている」といった記載が確認できます。限界として、この差別化要因の記述は当該Sourceの時点の位置づけであり、競合状況の変化を反映しない可能性があります。 これは影響力のある1本の論文（NeurIPS Outstanding Paper Track受賞）の立場であり、確定した科学的コンセンサスではない。創発的能力の当初の枠組み（Wei et al. 2022）は現在も引用・利用され続けているため、これは既存の主張を完全に覆した反証としてではなく、活発な学術的議論として提示すべきである。Current Statusとして、2026年8月21日に当該Sourceを取得し、上記の内容を確認しました。Source種別としては、これはNeurIPS 2023 Proceedingsに対する届出・開示、またはNeurIPS 2023 Proceedingsが保持する公的記録であり、企業自身の広報や第三者による評価とは性質が異なります。","evidencePoints":["emergent-abilities-ev-c1n15-p-02-002"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/emergent-abilities/P-02-002","sourceEvidence":[{"id":"emergent-abilities-ev-c1n15-p-02-002","text":"NeurIPS 2023 Proceedings公式の学術会議論文抄録（https://proceedings.neurips.cc/paper_files/paper/2023/hash/adc98a266f45005c403b8311ca7e8bd7-Abstract-Conference.html）は、Emergent Abilitiesの差別化要因に関する公的記録である。査読を経た学術会議NeurIPSの公式論文集に掲載された論文の抄録であり、具体的には「特定のタスクとモデルファミリーについて、固定されたモデル出力を分析する際、創発的能力が見られるのは、スケールに伴うモデル挙動の根本的な変化によるものではなく、研究者による評価指標の選び方に起因すると述べている」といった記載がある。ただし、この差別化要因の記述は当該Sourceの時点の位置づけであり、競合状況の変化を反映しない可能性があります。 これは影響力のある1本の論文（NeurIPS Outstanding Paper Track受賞）の立場であり、確定した科学的コンセンサスではない。創発的能力の当初の枠組み（Wei et al. 2022）は現在も引用・利用され続けているため、これは既存の主張を完全に覆した反証としてではなく、活発な学術的議論として提示すべきである。2026年8月21日に同Sourceを取得し、この内容を確認した。","title":"Emergent Abilitiesの差別化要因に関する公開情報","coverageType":["Differentiation"],"sourceType":"industry_reference","sourceClass":"Documentation","sourceUrl":"https://proceedings.neurips.cc/paper_files/paper/2023/hash/adc98a266f45005c403b8311ca7e8bd7-Abstract-Conference.html","confidence":"medium","supportedPromptTypes":["P-02"],"needsVerification":true,"sourceVerified":false,"sourceKind":"institutional","entityId":"emergent-abilities"}],"generatedAt":"2026-08-21T06:28:59.872Z","evidenceIds":["emergent-abilities-ev-c1n15-p-02-002"]},{"id":"P-01-002","companyId":"emergent-abilities","questionId":"P-01-002","instanceId":"c1n16-manual-draft-authoring-no-qi","draftId":"c1n16-scaled-semantic-depth-emergent-abilities-p-01-002","promptText":"創発的能力の具体例として、どのようなタスクがどの程度のモデル規模（学習計算量）で出現しますか？","promptTypeId":"P-01","answer":"Emergent Abilitiesの差別化要因について、Emergent Abilities公式の査読誌（TMLR）掲載論文のHTML全文（https://arxiv.org/html/2206.07682）で確認できます。査読誌Transactions on Machine Learning Research（TMLR）掲載論文（著者: Jason Wei et al.）が具体的な創発閾値について説明しており、具体的には「Emergent Abilities of Large Language Modelsの原論文は具体的な数値としての創発閾値を記録しており、例えばGPT-3では3桁の加減算と2桁の乗算が約2×10²²学習FLOPs（130億パラメータ）で創発し、思考の連鎖（chain-of-thought）プロンプティングはモデルが約10²³学習FLOPs（約1,000億パラメータ）に達して初めて標準的なプロンプティングを上回り、Word-in-Contextタスクでは2.5×10²⁴学習FLOPs（5,400億パラメータ）までスケールされたPaLMに至るまで創発が見られなかったとしている。」といった記載が確認できます。限界として、この差別化要因の記述は当該Sourceの時点の位置づけであり、競合状況の変化を反映しない可能性があります。 これらの具体的なFLOP数・パラメータ数の閾値は、この2022年の論文が評価対象とした特定のモデル（GPT-3、LaMDA、PaLM、Gopher、Chinchilla）から導かれたものであり、著者らが選んだ指標・タスクを反映している。同Entityの既存P-02-002 Referenceで既に引用されている「ミラージュ」批判は、これらの見かけ上の閾値の一部が、基盤となるモデルの能力における真の不連続性ではなく、選ばれた評価指標のアーティファクトである可能性を指摘している。Current Statusとして、2026年08月22日に当該Sourceを取得し、上記の内容を確認しました。Source種別としては、これは提供元自身による自社情報の公表であり、第三者による独立した評価や市場での位置づけとは性質が異なります。","evidencePoints":["emergent-abilities-ev-c1n16-p-01-002"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/emergent-abilities/P-01-002","sourceEvidence":[{"id":"emergent-abilities-ev-c1n16-p-01-002","text":"Emergent Abilities公式の査読誌（TMLR）掲載論文のHTML全文（https://arxiv.org/html/2206.07682）は、Emergent Abilitiesの差別化要因に関する一次情報である。査読誌Transactions on Machine Learning Research（TMLR）掲載論文（著者: Jason Wei et al.）が具体的な創発閾値について説明しており、具体的には「Emergent Abilities of Large Language Modelsの原論文は具体的な数値としての創発閾値を記録しており、例えばGPT-3では3桁の加減算と2桁の乗算が約2×10²²学習FLOPs（130億パラメータ）で創発し、思考の連鎖（chain-of-thought）プロンプティングはモデルが約10²³学習FLOPs（約1,000億パラメータ）に達して初めて標準的なプロンプティングを上回り、Word-in-Contextタスクでは2.5×10²⁴学習FLOPs（5,400億パラメータ）までスケールされたPaLMに至るまで創発が見られなかったとしている。」といった記載がある。ただし、この差別化要因の記述は当該Sourceの時点の位置づけであり、競合状況の変化を反映しない可能性があります。 これらの具体的なFLOP数・パラメータ数の閾値は、この2022年の論文が評価対象とした特定のモデル（GPT-3、LaMDA、PaLM、Gopher、Chinchilla）から導かれたものであり、著者らが選んだ指標・タスクを反映している。同Entityの既存P-02-002 Referenceで既に引用されている「ミラージュ」批判は、これらの見かけ上の閾値の一部が、基盤となるモデルの能力における真の不連続性ではなく、選ばれた評価指標のアーティファクトである可能性を指摘している。2026年08月22日に同Sourceを取得し、この内容を確認した。","title":"Emergent Abilitiesの差別化要因に関する公開情報","coverageType":["Differentiation"],"sourceType":"official_site","sourceClass":"Documentation","sourceUrl":"https://arxiv.org/html/2206.07682","confidence":"medium","supportedPromptTypes":["P-01"],"needsVerification":true,"sourceVerified":false,"sourceKind":"official","entityId":"emergent-abilities"}],"generatedAt":"2026-08-22T14:51:14.995Z","evidenceIds":["emergent-abilities-ev-c1n16-p-01-002"]},{"id":"P-05-001","companyId":"emergent-abilities","questionId":"P-05-001","instanceId":"tair-cohort2-2026-08-31","draftId":"tair-cohort2-2026-08-31-emergent-abilities-p-05-001","promptText":"創発的能力の予測不可能性は、AI政策・安全性をめぐる議論でどのように扱われていますか？","promptTypeId":"P-05","answer":"ジョージタウン大学の政策研究機関Center for Security and Emerging Technology（CSET）が公開した解説記事によると、創発的能力の予測不可能性はAIガバナンス上の重要な課題として位置づけられています。同記事は『モデルがどのような能力を持つかを把握して初めて、そのモデルを安全にできる』と指摘し、能力が突然出現する性質が安全対策の計画を難しくすると説明します。具体的な懸念事例として、自律的なハッキングのような危険な能力が事前の対策時間を確保できないまま突然出現しうる点や、RAND Corporationによる、大規模言語モデルが生物兵器の計画立案に有用となりうるとする調査研究が挙げられています。また、2021年時点の研究者による性能予測が実際のLLMの能力を大きく過小評価していた事実も紹介されており、学習後の追加技術によって性能が大きく向上しうるため、学習完了後であっても能力の正確な評価は依然として困難だと結論づけています。既存Referenceは学術的な定義・スケーリング法則との違い・研究計画への活用・評価指標をめぐる論争を扱うが、この現象がAI政策・ガバナンス上どのような懸念材料として扱われているかには触れていません。","evidencePoints":["emergent-abilities-ev-tair-1"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/emergent-abilities/P-05-001","sourceEvidence":[{"id":"emergent-abilities-ev-tair-1","entityId":"emergent-abilities","text":"Georgetown大学CSETの解説記事は、創発的能力の予測不可能性がAI安全政策上の課題であるとし、自律的ハッキング等の危険能力が予告なく出現しうる点や、RAND Corporationの生物兵器計画支援リスク調査、2021年の性能予測が実際のLLM能力を過小評価していた事実を挙げている。","coverageType":["UseCase"],"title":"Emergent Abilities in Large Language Models: An Explainer","sourceClass":"Research","sourceType":"industry_reference","confidence":"high","supportedPromptTypes":["P-05"],"sourceVerified":false,"needsVerification":true,"sourceUrl":"https://cset.georgetown.edu/article/emergent-abilities-in-large-language-models-an-explainer/"}],"generatedAt":"2026-08-31T06:06:28.487Z","evidenceIds":["emergent-abilities-ev-tair-1"]}]}