定義
量子化とはAIモデルの重みパラメータを低ビット精度に圧縮し、推論速度の向上・メモリ使用量の削減を実現する技術のこと。
量子化 (Quantization)とは（詳しく解説）
量子化とは、ニューラルネットワークの重みや活性化関数を32bit浮動小数点（FP32）から8bit整数（INT8）や4bit（NF4）などの低精度フォーマットに変換することで、モデルの推論コストを大幅に削減する手法。2026年現在、LLaMAやMistralベースのオープンソースモデルをローカル実行する際にほぼ必須の工程となっており、GGUFフォーマット（llama.cpp）やBitsAndBytesライブラリが現場で広く使われている。AI PICKSの実運用観点では、Q4_K_MとQ5_K_Mの選択が最頻出の意思決定ポイントで、精度劣化を最小化しつつVRAM16GB以下の環境に収めるならQ5_K_Mが相場感として定番。落とし穴は「量子化後の評価を省略した結果、特定タスクで精度が10%以上落ちることに本番で気づく」ケース。2026年時点の現場では、AWQやGPTQといった重み量子化に加え、KVキャッシュの量子化も普及しており、長文コンテキスト処理時のメモリ効率が劇的に向上している。コスト感としては、自前GPU運用ならQ4で70Bモデルを48GB VRAM（H100相当）に収めてAPI代ゼロ運用も現実的。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「量子化 (Quantization)とは」 https://aipicks.jp/glossary/quantization
量子化 (Quantization)の使用例
- Ollama上でLlama 3 70BをQ4_K_M量子化で動かすと、FP16比でVRAM消費が約半分になりRTX 4090単体での推論が可能になる。
- BitsAndBytesのnf4量子化を使えばHugging FaceモデルをGoogle Colab無料枠（VRAM15GB）でfine-tuningできる。
