エンベディングとは｜文章を数値化して検索する仕組み

AI検索エンジンは、キーワードが一致しない質問にも、意味の近い記事を答えとして返すことがあります。この仕組みを支えているのが「エンベディング」です。定義から実務での使われ方までを、OpenAI・Google・Anthropicの公式ドキュメントを一次情報として整理します。

01エンベディングとは（基礎定義）

OpenAI公式は、エンベディングを「浮動小数点数のベクトル（リスト）」と定義しています（出典: OpenAI公式）。2つの文章のベクトル同士の距離が近いほど、意味が近いという関係になります。

Google公式のGemini APIドキュメントも、近い説明をしています。テキスト・画像・動画・音声などのコンテンツを数値表現に変換するプロセスだというものです（出典: Google公式）。変換後のベクトルは、意味検索・分類・クラスタリングといった処理に使えます。

02仕組み：意味を数値の距離に変換する

エンベディングの仕組みを理解する鍵は、「距離」という考え方です。意味が近い文章ほど、ベクトル空間上で近い位置に配置されます。変換の前段では、文章がまずトークン（別記事『トークンとは｜LLMが文章を読む最小単位をひとことで解説』参照）という単位に区切られます。

ベクトルの次元数（数値の個数）は、モデルによって異なります。OpenAI公式のtext-embedding-3-smallは1536次元、text-embedding-3-largeは3072次元です（出典: OpenAI公式）。Google公式のgemini-embedding-2も3072次元を基本とし、用途に応じて768次元等に削減する技術が案内されています（出典: Google公式）。

提供体制も各社で異なります。OpenAI・Googleは自社モデルを持ちますが、Anthropic公式は独自のエンベディングモデルを提供していません。代わりにVoyage AI等の専門プロバイダーの利用を案内しています（出典: Anthropic公式）。

03「キーワード検索」との違い（関連用語との違い）

エンベディングを使った検索は、従来のキーワード検索と仕組みが異なります。2つの違いを表に整理します。

キーワード検索は、文字列が一致するかどうかで判定します。一方エンベディングによる検索は、表現が違っていても、意味が近ければ関連文書として見つけやすくなります。

04実務でエンベディングが使われる4つの場面

OpenAI公式は、代表的な用途として検索・クラスタリング・レコメンド・異常検知・多様性の測定・分類の6つを挙げています（出典: OpenAI公式）。ここでは、このうちAI検索と関わりの深い3つに、RAGを加えた4つを具体的に見ます。

1. 検索: クエリとの関連度順に文書を並び替える（出典: OpenAI公式）
2. 分類: 最も近いラベルへ文章を振り分ける（出典: OpenAI公式）
3. クラスタリング: 似た内容の文章をグループ化する（出典: OpenAI公式）
4. RAG（検索拡張生成）: AIが回答生成前に関連文書を探す土台になる。Google公式もエンベディングの用途としてRAGを挙げています（出典: Google公式）。詳しくは別記事『RAGの仕組みとは？AI検索で引用される文章の原理を徹底解説』で解説しています

検索で見つかった文書は、最終的にコンテキストウィンドウ（別記事『コンテキストウィンドウとは｜AIが一度に読める範囲の意味』参照）へ収められ、AIの回答生成に使われます。

05よくある誤解

「エンベディングは人間が読める要約だ」という誤解。実際は数値の並びであり、そのままでは人間が意味を読み取れる形式ではありません。人間が読めるのは、変換前の元の文章か、検索結果として返された文書側です。

「どのモデルで作ったベクトルでも、混ぜて比較できる」という誤解もあります。前述の通り次元数はモデルごとに異なり、1536次元と3072次元のように長さが違うベクトル同士は、そもそも距離を計算できません。次元数が同じモデル同士なら比較できるかは、確認できた公式資料の範囲では明言されていません。検索対象の文書は、同じモデルでまとめて変換し直すのが安全です。

06FAQ