【AI入門】AIは「ステップを踏む」ほど賢くなる——思考連鎖の仕組みを解説

ChatGPTに難しい計算や論理パズルをそのまま聞くと、意外なほど間違えます。しかし「ステップごとに考えてください」と一言加えるだけで、正解率が劇的に上がる——そんな体験をしたことがある方もいるでしょう。

🤔 なぜ「考え方を書かせる」だけで精度が変わるのでしょうか。AIは途中の思考を「表示するだけ」なのか、それとも「実際に思考の質が変わっている」のでしょうか。

今回は、現代AIの推論能力を支える重要な技術**Chain of Thought（思考連鎖：CoT）**の仕組みを比喩で解説します。「ステップバイステップ」という言葉の奥にある本質を掘り下げます。

「答えだけ出す」AIと「考え方を書く」AIの違い

まず、同じAIでも出力の仕方によって精度が変わる理由を理解しましょう。

📌 LLM（大規模言語モデル）は「次のトークンを予測する」モデルです。質問の直後にいきなり「答え」を出力させると、モデルは「この文脈の直後に来そうな答え」を統計的に予測します。複雑な推論が必要な問題でも、トレーニングデータの中で「よく見かけた答えのパターン」を引き出してしまいます。

一方、「ステップごとに考えてください」と指示すると、モデルは途中経過のテキストを生成しながら答えに近づいていきます。この途中経過のトークンが、次のトークンを予測する「手がかり」になります。

重要なのは、この「途中経過」はモデルにとって単なる表示ではないという点です。LLMは直前のすべてのトークンを参照して次のトークンを決めます。つまり「3×4＝12」というテキストを出力した後のモデルは、そのテキストを文脈として受け取り「次に来るのは÷や−の計算ステップである確率が高い」と判断します。中間テキストの存在そのものが、正しい方向への推論を誘導します。

✏️ 数学の試験に例えるなら——答えだけ書く方式では、「たまたまあってる」か「暗記の答えを書いた」かが区別できません。しかし途中の計算式を書く方式では、各ステップが次の計算の足場になります。「3×4＝12、12÷2＝6」と書けば、次に書くべきことが自然に絞られます。AIにとっての「途中式」がCoTです。

Chain of Thought（思考連鎖）とは——「途中経過」が推論を変える

🔗 **Chain of Thought（CoT）**は、Googleの研究チームが2022年に発表した手法で、AIに推論の途中経過を段階的に出力させることで、複雑な問題の正解率を大幅に向上させます。

CoTのプロンプト例として、数学の文章問題を考えてみましょう。「答えだけ答えてください」と指示した場合と、「ステップごとに考えてください」と指示した場合では、モデルが生成するトークン列が根本的に異なります。

後者では「まず〜を確認する」「次に〜を計算する」「したがって答えは〜」という中間トークンが生成されます。この中間トークンが後続の「正しい答え」トークンを引き出す文脈として機能します。トークン予測モデルにとって、途中のテキストは「ヒント」ではなく「推論の足場」そのものです。

🗺️ カーナビに例えるなら——「目的地に着く一番の方法は？」と聞かれて「右折して3km直進して左折します」と一言で答えるより、「まず交差点を右折、次の信号を直進、橋を渡ったら左折」とルートを分割して案内する方が、各ステップが次のステップの正確さを高めます。AIの思考連鎖もまったく同じ構造です。

CoTが特に有効な問題は、算数・論理パズル・因果関係の推論・多段階の計画立案です。一方、単純な質問応答や知識の参照には効果が薄い場合があります。

また、CoTはモデルの規模と深い関係があります。パラメータ数が少ないモデルでは「ステップを踏む」と指示しても精度向上が限定的です。研究によると、CoTが顕著な効果を発揮するのはおよそ100B（1000億）パラメータ以上のモデルとされており、大規模モデルになって初めてCoTの恩恵が得られます。小さなモデルに複雑な思考を求めても、そもそも途中のステップを正確に生成する能力が育っていないためです。

なぜ途中経過を書くと精度が上がるのか——2つのメカニズム

💡 CoTが効く理由は主に2つあります。

① 問題を小さく分割できる

複雑な問題は「一発で答えを出す」のが難しくても、小さなステップに分解すれば各ステップは比較的シンプルになります。「8人のチームが5チームあり、全体の人数から欠席者7人を引いた人数は？」という問題も、順番に整理すれば「8×5＝40、40−7＝33」と解けます。LLMも同様に、一度に大きな推論をするより、小さなステップを積み重ねる方が精度が上がります。

② 誤りの連鎖を防げる

直接答えを出すと、最初のわずかな「方向のズレ」が最終的な大きな誤りにつながります。しかし途中経過を書くと、各ステップが前のステップを参照するため、誤りが次のステップに引き継がれにくくなります。また、ステップを可視化することで人間も誤りを発見しやすくなります。

🏗️ 足場工事に例えるなら——高層ビルの建設で一番上の階から工事することはできません。各階の足場が次の階を支えるように、推論の各ステップが次のステップを支える構造を作ることが精度向上の本質です。

Zero-shot CoTとFew-shot CoT——2つの使い方

⚙️ CoTには大きく2つのアプローチがあります。

**Few-shot CoT（例示あり思考連鎖）**は、プロンプトの中に「正しい思考の例」をいくつか含めます。「このような手順で考えます（例）→では次の問題を同じように解いてください」という形式です。精度は高いですが、例を作る手間がかかります。

**Zero-shot CoT（例示なし思考連鎖）**は、「ステップバイステップで考えてください」「順番に考えましょう」という一言を加えるだけです。2022年の研究でこの一文を加えるだけで多くのベンチマークで正解率が2〜3倍に向上することが示され、AIコミュニティに衝撃を与えました。

現在のChatGPT・Claude・Geminiには、CoTが標準で組み込まれています。特に**o1・o3シリーズ（OpenAI）やClaudeの拡張思考（Extended Thinking）**は、内部で大量の思考ステップを処理してから回答を出力する「強化版CoT」です。ユーザーには見えない部分で何千トークンもの思考が走っています。

さらに進化した手法として**Tree of Thoughts（ToT：思考の木）**も登場しています。CoTが「一本道の思考」だとすれば、ToTは「複数の思考ルートを同時に探索して最良のルートを選ぶ」方法です。迷路を解くとき一本道をたどるより、分岐点で複数の方向を試して行き詰まったら戻る方が効率的なのと同じ発想です。数学の証明問題や複雑な計画立案で特に効果を発揮します。

まとめ：「考える過程」こそが推論精度の鍵

📝 今回の内容を整理します。

✅ LLMは「次のトークン予測」で動くため、途中の思考テキストが後続の正確な答えを引き出す足場になる

✅ Chain of Thought（CoT）はAIに推論の途中経過を出力させる手法。2022年にGoogleが発表し、複雑問題での正解率を大幅に向上させた

✅ 「ステップバイステップで考えてください」という一文を加えるZero-shot CoTだけで、正解率が2〜3倍になる問題が多く存在する

✅ 問題の分割（小さなステップに分解）と誤りの連鎖防止（各ステップが前のステップを参照）が精度向上の2大メカニズム

✅ o1・o3・Claudeの拡張思考など現代の最先端モデルは内部でCoTを大量実行してから回答を生成している

「答えを急がせない」ことが、AIをより賢くする——これはAIとの対話でも、人間の思考でも共通する原則です。 プロンプトに「ステップごとに考えてください」を加える習慣は、今日から使えるシンプルで強力なテクニックです。

次回は「AIはどうやって自分の間違いに気づいて修正するのか——自己反省（Self-Reflection）の仕組みを比喩で解説」を解説します。

フォロー・スキで続きを読む励みになります 🌱

「わかりやすかった」と思ったら、周りのAI初心者の方にシェアしてもらえると嬉しいです。

関連記事