再学習不要の知識更新「MeMo」をどう見るか｜中小企業のナレッジ運用が変わる

複数大学の研究チームが、LLMの知識を再学習なしで更新するフレームワーク「MeMo（Memory as a Model）」を発表しました。私が注目したのは、本体モデルを再学習せずに知識を追加・更新できるという設計です。派手さこそないものの、中小企業の社内ナレッジ運用にじわじわ効く話だと考えています。出典は AI Times の記事、および一次情報として VentureBeat です。

ニュースの要点

MeMoは新知識を専用の小型「MEMORYモデル」に格納し、推論を担う本体の「EXECUTIVEモデル」とは完全に分離して運用する2層構成。本体は凍結したまま使える。
質問に対しEXECUTIVEがサブクエリに分解してMEMORYに問い合わせ、得た事実を統合して回答。MEMORYの学習には生テキストから数千のQAペア「リフレクション」を生成して使う。
長文推論タスク NarrativeQA で 53.58% を達成し、グラフベースRAG手法 HippoRAG 2 の 23.21% を大きく上回った。ノイズの多いデータでも精度低下は2%未満。EXECUTIVEを Gemini 3 Flash に差し替えるだけで精度が最大26.73%向上（メモリ再学習は不要）。
継続更新は「モデルマージ」で差分パラメータを統合。フル再学習比で11〜19%の精度低下と引き換えに計算コストを大幅削減。
課題: 初期コストが大きい（リフレクション生成にH200で約240 GPU時間、14Bメモリモデル学習に約180 GPU時間）。回答が記憶から合成されるため出典を特定できず、厳格な監査要件のある業務には不向き。研究チームは「単純な検索はRAG、複数文書を横断する統合推論はMeMo」の使い分けやハイブリッド構成を推奨。

出典: LLM再学習不要の知識更新フレームワークMeMo登場（AI Times）

私の見解

中小企業がAIを業務に入れるとき、地味だけど一番困るのが「情報がすぐ古くなる」問題です。社内規程も価格表も製品仕様もどんどん変わるのに、その都度モデルを再学習するのは現実的ではありません。MeMoのように知識を本体から切り離して差し替えられるなら、運用の継続性という観点で価値が大きいと感じます。一度作って終わりではなく、運用し続けられるかどうかが現場では効くからです。

もう一つ評価したいのは、推論エンジン側（EXECUTIVE）を差し替えるだけで精度が伸び、メモリの作り直しが要らない点です。新しい賢いモデルが出るたびに知識ベースを作り直す、という無駄が避けられるなら、長く使ううえでの安心材料になります。

ただし冷静に見るべき点も明確です。出典を特定できないため、根拠提示や監査が求められる業務（契約・経理・コンプラ系）には向きません。初期学習コストも小さくなく、研究段階のフレームワークです。記事自身が「単純な検索はRAG、横断統合はMeMo」と使い分けを推奨している通り、万能の置き換えではなく適材適所の道具として捉えるのが正確だと思います。

中小企業・開発実務への示唆

発注側にとっての含意は、AI導入を「作って終わり」ではなく「知識を更新し続ける運用」として設計すべき、という点です。提案を受けるときも、初期構築費だけでなく「情報が変わったときにどう更新するか」「回答の根拠を示せるか」を必ず確認すべきです。考え方は生成AI業務活用ガイドや中小企業が生成AIを活用する方法が参考になります。

こうした新しい手法は、本番投入前にPoCで自社データとの相性を測るのが王道です（AI PoCの進め方完全ガイド）。顧客データや機微情報を扱う場合は生成AIを業務で使う際の主要リスク6選と実践的な対策もあわせて確認してください。