Chain-of-Thought（思考の連鎖）とは、大規模言語モデルに複雑な問題を解かせる際、最終的な答えに至る中間的な推論過程を順を追って出力させる手法です。段階的な思考プロセスを経ることで、論理パズルや数学の文章題など、複雑なタスクにおけるモデルの回答精度や推論能力が大幅に向上します。
Chain-of-Thoughtとは
Chain-of-Thoughtは、大規模言語モデルに対して問題の解法に至る「思考のステップ」を提示または生成させることで、論理的な推論能力を引き出すプロンプトエンジニアリングの手法です。
詳しく解説
従来のプロンプトでは、問いに対して即座に答えを出力させることが一般的でしたが、直感的な回答では複雑な計算や論理的推論で誤りを犯しやすい問題がありました。Chain-of-Thoughtでは、「ステップバイステップで考えましょう」といった指示を与えたり、中間思考を含む例文を示したりすることで、AI内部で段階的に情報を処理させます。これにより問題の分解と論理的な推論が行われ、大規模言語モデルの計算ミスや不整合な回答を減らす重要性が評価されています。
具体例・使われ方
文章題の数学問題を解かせる場面で効果を発揮します。単に「答えはいくつか」と尋ねるのではなく、「まず最初の条件を整理し、次に途中の計算を行い、最後に答えを導いてください」という形式の例文（フューショットプロンプティング）を与えます。AIは「りんごが3個あり、2個もらったので合計5個。そこから1個食べたので残りは4個」のように推論過程を自ら生成しながら正確な解に到達します。
似た用語との違い
最終結果のみを求める直接的なプロンプト手法や、例を示さずに直接指示するゼロショットプロンプティングとは異なります。ゼロショットプロンプティングでも「順を追って考えてください」と指示する手法が存在しますが、複数の例題とその思考プロセスを提示するフューショットプロンプティングに基づく本来のChain-of-Thoughtは、より安定した精度向上をもたらします。また、複数の思考パスを木構造で探索するTree-of-Thoughtsは本手法の発展形にあたります。
注意点
Chain-of-Thoughtを用いても、途中の推論ステップ自体で事実誤認や計算エラーが発生した場合は間違った結論に至ります。また、中間テキストの出力が増えるため、処理時間の増加やトークン消費量の増大に伴うコスト上昇に注意が必要です。単純な検索タスクなど、推論を必要としない問題では効果が薄い場合もあります。