生成AIパスポート「第1章：AIの基礎」の一問一答

生成AIパスポートの第1章：AIの基礎に関する一問一答（全46問）の正解と解説の一覧です。上の一問一答で実際に解いてから、ここで復習・確認できます。

1. 問1．AIは、特定の課題に特化した「特化型AI（ANI）」と、人間のように幅広い課題に対応できる「汎用型AI（AGI）」に大別され、現在実用化されているAIはほぼ特化型AIである。

   正解：○（正しい）

   解説：現在実用化されているAIは、画像認識や翻訳など特定タスクに特化した特化型AI（ANI＝Artificial Narrow Intelligence）です。人間のように分野を問わず対応できる汎用型AI（AGI）はまだ実現していません。

2. 問2．機械学習は、大きく「教師あり学習」「教師なし学習」「強化学習」の3つに分類される。

   正解：○（正しい）

   解説：機械学習は教師あり学習（正解ラベル付き）・教師なし学習（ラベルなし）・強化学習（報酬による試行錯誤）の3つに大別されます。生成AIの多くはこれらを組み合わせて学習します。

3. 問3．教師なし学習とは、正解ラベルの付いたデータを用いて入力と出力の対応関係を学習する手法である。

   正解：×（誤り）

   解説：誤り。正解ラベル付きデータで学習するのは「教師あり学習」です。教師なし学習は正解ラベルのないデータから、クラスタリングや次元削減などによりデータの構造・パターンを見つけ出す手法です。

4. 問4．強化学習は、エージェントが環境との相互作用を通じて得られる報酬を最大化するように行動方針を学習する手法である。

   正解：○（正しい）

   解説：強化学習は、試行錯誤の中で得られる報酬（reward）が大きくなるよう行動を学習します。囲碁AIや、大規模言語モデルの調整に使われるRLHFなどが代表例です。

5. 問5．ディープラーニング（深層学習）とは、多層のニューラルネットワークを用いた機械学習の一手法である。

   正解：○（正しい）

   解説：ディープラーニングは、多数の層を重ねたニューラルネットワークにより、データから特徴を自動的に学習する機械学習の手法です。画像・音声・自然言語処理で高い性能を発揮し、生成AIの基盤技術となっています。

6. 問6．CNN（畳み込みニューラルネットワーク）は、主に画像認識の分野で高い性能を発揮するモデルである。

   正解：○（正しい）

   解説：CNN（Convolutional Neural Network）は、畳み込み層により画像の局所的な特徴を捉えるため、画像認識・画像分類で広く用いられます。

7. 問7．RNNやLSTMは、時系列データや文章のように順序（系列）を持つデータの処理に適したモデルである。

   正解：○（正しい）

   解説：RNN（再帰型ニューラルネットワーク）やその改良版であるLSTMは、前の情報を保持しながら系列を処理できるため、文章・音声・時系列データに適しています。近年はTransformerに主役を譲りつつあります。

8. 問8．Transformerは、Attention（注意機構）を中核とするモデル構造で、GPTをはじめとする現在の大規模言語モデルの基盤となっている。

   正解：○（正しい）

   解説：2017年に提案されたTransformerは、Attention（注意機構）により文中の単語間の関係を効率的に捉えます。GPTやBERTなど現在の大規模言語モデル（LLM）の基盤アーキテクチャです。

9. 問9．ハルシネーション（hallucination）とは、生成AIが事実に反する内容を、もっともらしい体裁で生成してしまう現象を指す。

   正解：○（正しい）

   解説：ハルシネーションは、生成AIが実在しない情報や誤った事実を自信ありげに出力する現象です。利用者は出力を鵜呑みにせず、一次情報での事実確認（ファクトチェック）が重要になります。

10. 問10．GPTは、文章を前後両方向から同時に読み込むBERTと全く同じ仕組みを採用しており、主に文章の穴埋めや分類に特化したモデルである。

    正解：×（誤り）

    解説：誤り。BERTは双方向に文脈を読み込み穴埋め等で学習しますが、GPTは前の単語から次の単語を予測する「自己回帰（一方向）」型で、文章生成に強みを持ちます。両者は仕組みが異なります。

11. 問11．RLHF（人間のフィードバックによる強化学習）は、モデルの出力を人間にとって好ましく安全なものに近づけるために用いられる手法である。

    正解：○（正しい）

    解説：RLHF（Reinforcement Learning from Human Feedback）は、人間による出力の評価を報酬として学習し、有害・不適切な出力を抑え、人間の意図に沿った応答へ調整（アラインメント）する手法です。ChatGPT等で用いられています。

12. 問12．AGI（汎用人工知能）は既に実現しており、あらゆる分野で人間と同等以上の知能を持つAIが広く実用化されている。

    正解：×（誤り）

    解説：誤り。AGI（Artificial General Intelligence）は人間のように分野を問わず柔軟に対応できるAIの構想ですが、2020年代半ば時点で実現していません。現在実用化されているのは特化型AIです。

13. 問13．シンギュラリティ（技術的特異点）とは、AIが人類全体の知能を超えるとされる仮説上の到達点で、2045年頃に到来すると予測されることがある。

    正解：○（正しい）

    解説：シンギュラリティは、AIが自ら高度なAIを生み出し人類の知能を超えるとされる仮説上の転換点です。レイ・カーツワイルが2045年頃と予測したことで知られますが、実現時期や可否には議論があります。

14. 問14．機械学習の代表的な分類として適切でないものはどれか。

    • ア．教師あり学習
    • イ．教師なし学習
    • ウ．強化学習
    • エ．演繹学習

    正解：エ．演繹学習

    解説：機械学習は「教師あり学習」「教師なし学習」「強化学習」の3つに大別されます。「演繹学習」はこの分類には含まれません。

15. 問15．主に画像認識の分野で高い性能を発揮するニューラルネットワークはどれか。

    • ア．CNN
    • イ．RNN
    • ウ．LSTM
    • エ．GAN

    正解：ア．CNN

    解説：CNN（畳み込みニューラルネットワーク）は画像の局所的特徴を捉えるのに優れ、画像認識で広く使われます。RNN・LSTMは系列データ向き、GANは生成モデルです。

16. 問16．文中の各単語が他のどの単語に注目すべきかを計算し、Transformerの中核をなす仕組みはどれか。

    • ア．Attention（注意機構）
    • イ．畳み込み（convolution）
    • ウ．プーリング
    • エ．ドロップアウト

    正解：ア．Attention（注意機構）

    解説：Attention（注意機構、Self-Attention）は、文中の単語間の関連度を計算して重要な情報に注目する仕組みで、Transformerの中核です。畳み込み・プーリングはCNN、ドロップアウトは過学習抑制の手法です。

17. 問17．生成AIが事実と異なる内容をもっともらしく出力してしまう現象を何と呼ぶか。

    • ア．ハルシネーション
    • イ．オーバーフィッティング
    • ウ．バイアス
    • エ．アノテーション

    正解：ア．ハルシネーション

    解説：事実に反する内容をもっともらしく生成する現象をハルシネーションと呼びます。オーバーフィッティングは過学習、バイアスは偏り、アノテーションはデータへのラベル付けを指します。

18. 問18．教師あり学習の代表的なタスクの組み合わせとして正しいものはどれか。

    • ア．分類と回帰
    • イ．クラスタリングと次元削減
    • ウ．報酬の最大化
    • エ．データ拡張と正規化

    正解：ア．分類と回帰

    解説：教師あり学習は正解ラベルを用い、カテゴリを当てる「分類」と数値を予測する「回帰」が代表的です。クラスタリングや次元削減は教師なし学習、報酬最大化は強化学習の枠組みです。

19. 問19．大規模言語モデルが人間の評価を報酬として、より好ましく安全な出力へ調整する手法の略称はどれか。

    • ア．RLHF
    • イ．CNN
    • ウ．SGD
    • エ．NLP

    正解：ア．RLHF

    解説：RLHF（Reinforcement Learning from Human Feedback）は人間のフィードバックを用いた強化学習で、出力を人間の意図に沿わせます。CNNは画像向けモデル、SGDは最適化手法、NLPは自然言語処理の総称です。

20. 問20．大規模言語モデル（LLM）が文章を処理する際の最小単位で、単語や部分文字列に相当するものはどれか。

    • ア．トークン
    • イ．ピクセル
    • ウ．エポック
    • エ．パラメータ

    正解：ア．トークン

    解説：LLMは文章をトークンという単位に分割して処理します。料金や入力上限（コンテキスト長）もトークン数で数えます。ピクセルは画像、エポックは訓練データ全体を一巡学習し終える回数、パラメータはモデル内部の重みです。

21. 問21．回帰は連続的な数値を予測する手法であり、分類はデータがどのカテゴリに属するかを予測する手法である。

    正解：○（正しい）

    解説：教師あり学習のうち、売上や気温のような連続値を予測するのが回帰、犬か猫かのようにカテゴリを当てるのが分類である。予測する対象が数値かカテゴリかで区別される。

22. 問22．クラスタリングは、あらかじめ用意した正解ラベルにもとづいてデータを決められたカテゴリへ振り分ける、教師あり学習の手法である。

    正解：×（誤り）

    解説：誤り。クラスタリングは正解ラベルを使わず、データ同士の類似性にもとづいて自動的にグループ分けする教師なし学習の手法である。正しくはラベルを用いて振り分けるのは教師あり学習の「分類」である。

23. 問23．次元削減とは、データが持つ特徴量（変数）の数を増やすことで、より多くの情報を新たに追加する手法である。

    正解：×（誤り）

    解説：誤り。次元削減は特徴量（変数）の数を減らし、重要な情報をできるだけ保ちながらデータを扱いやすくする手法である。

24. 問24．過学習（オーバーフィッティング）とは、モデルが訓練データに適合しすぎて、未知のデータに対する予測性能が低下してしまう状態である。

    正解：○（正しい）

    解説：過学習は、訓練データの細かな特徴やノイズまで覚え込んでしまい、汎化性能が下がる現象である。訓練データでの精度は高いのに、新しいデータでは精度が出ないのが典型的な兆候である。

25. 問25．未学習（アンダーフィッティング）とは、モデルが単純すぎるなどの理由で、訓練データのパターンすら十分に捉えられていない状態を指す。

    正解：○（正しい）

    解説：未学習は、モデルの表現力不足や学習不足により、訓練データにも新しいデータにもうまく適合できない状態である。過学習とは逆に、当てはまりが全体的に不足している。

26. 問26．過学習を防ぐには、モデルをできる限り複雑にして、訓練データへの当てはまりを最大化するのがよい。

    正解：×（誤り）

    解説：誤り。モデルを複雑にしすぎると訓練データに過剰適合し、かえって過学習が悪化する。正しくは、正則化やデータ量を増やす、モデルを適度に単純化するといった対策で過学習を抑える。

27. 問27．機械学習では、モデルの学習に使う訓練データと、学習後の性能を評価するためのテストデータを分けて用意するのが一般的である。

    正解：○（正しい）

    解説：訓練データで学習し、学習に使っていないテストデータで評価することで、未知データに対する実力（汎化性能）を測る。パラメータ調整用に検証データを別途設けることもある。

28. 問28．モデルの性能は、学習に使った訓練データそのもので評価すれば、未知データに対する本当の実力を正しく測ることができる。

    正解：×（誤り）

    解説：誤り。訓練データで評価すると、過学習していても高い精度が出てしまい、実力を過大評価してしまう。正しくは学習に使っていないテストデータで評価する必要がある。

29. 問29．特徴量とは、モデルが学習後に最終的に出力する予測結果のことを指す。

    正解：×（誤り）

    解説：誤り。特徴量は、予測や分類の手がかりとしてモデルに入力する、データの特徴を表す値である。正しくは、出力される予測結果ではなく、入力側の説明変数にあたる。

30. 問30．ニューラルネットワークは一般に、入力層・中間層（隠れ層）・出力層から構成される。

    正解：○（正しい）

    解説：ニューラルネットワークは、データを受け取る入力層、内部で処理を行う中間層（隠れ層）、結果を出す出力層からなる。中間層を多く重ねたものがディープラーニングである。

31. 問31．活性化関数は、ニューラルネットワークの各層の計算をすべて線形（一次式）のまま保つための関数である。

    正解：×（誤り）

    解説：誤り。活性化関数は、ネットワークに非線形性を与えることで複雑なパターンを表現できるようにする役割を持つ。正しくは線形のまま保つのではなく、非線形の変換を加える関数である。

32. 問32．損失関数はモデルの予測と正解との誤差の大きさを表す指標であり、学習ではこの値をできるだけ大きくすることを目指す。

    正解：×（誤り）

    解説：誤り。学習では損失（誤差）をできるだけ小さくする方向へパラメータを調整する。正しくは損失関数の値を大きくするのではなく、最小化することを目指す。

33. 問33．勾配降下法は、損失関数の値が小さくなる方向へパラメータを少しずつ更新していく最適化手法である。

    正解：○（正しい）

    解説：勾配降下法は、損失関数の傾き（勾配）を手がかりに、誤差が小さくなる向きへパラメータを繰り返し更新する。ニューラルネットワークの学習を支える基本的な最適化の考え方である。

34. 問34．汎化性能が高いとは、モデルが訓練データだけに強く適合し、未知のデータに対しては性能が落ちる状態のことをいう。

    正解：×（誤り）

    解説：誤り。汎化性能とは、学習に使っていない未知のデータに対しても正しく予測できる能力のことである。正しくは訓練データだけに適合して未知データで性能が落ちるのは、汎化性能が低い（過学習の）状態である。

35. 問35．AIの研究は誕生以来一度も停滞することなく、常に一定の速度で右肩上がりに発展し続けてきた。

    正解：×（誤り）

    解説：誤り。AIは誕生以来、期待が高まるブームと、成果が伴わず研究が停滞する冬の時代を複数回繰り返しながら発展してきた。正しくは一定の速度で直線的に進んできたわけではない。

36. 問36．アノテーションとは、教師なし学習において、モデルがデータを自動でグループ分けする処理のことである。

    正解：×（誤り）

    解説：誤り。アノテーションは、教師あり学習のためにデータへ正解ラベルを人手で付与する作業である。データを自動でグループ分けするのはクラスタリング（教師なし学習）である。

37. 問37．機械学習の手法のうち、教師なし学習に分類されるものはどれか。

    • ア．クラスタリング
    • イ．迷惑メールかどうかを判定する分類
    • ウ．家賃を数値で予測する回帰
    • エ．報酬を最大化する行動の学習

    正解：ア．クラスタリング

    解説：クラスタリングは正解ラベルを使わず、データの類似性でグループ分けする教師なし学習である。カテゴリを当てる分類や数値を予測する回帰は教師あり学習、報酬を手がかりにするのは強化学習である。

38. 問38．過学習（オーバーフィッティング）の説明として、最も適切なものはどれか。

    • ア．訓練データにすら十分に適合できていない状態
    • イ．複数の種類のデータを同時に扱える状態
    • ウ．訓練データに適合しすぎて未知データへの性能が下がる状態
    • エ．モデルのパラメータが一つも存在しない状態

    正解：ウ．訓練データに適合しすぎて未知データへの性能が下がる状態

    解説：過学習は、訓練データに適合しすぎて未知データへの性能が下がる状態である。訓練データにすら適合できないのは未学習、複数種類のデータを扱えるのはマルチモーダルの説明である。

39. 問39．実際に陽性であるもののうち、モデルが正しく陽性と予測できた割合を表す評価指標はどれか。

    • ア．適合率（precision）
    • イ．再現率（recall）
    • ウ．学習率
    • エ．損失

    正解：イ．再現率（recall）

    解説：実際の陽性のうち正しく陽性と判定できた割合は再現率（recall）である。適合率は陽性と予測したもののうち実際に陽性だった割合を指し、両者は着目する分母が異なる。

40. 問40．一般的なニューラルネットワークの構造に関する記述として、正しいものはどれか。

    • ア．入力層と出力層のみで、中間層は存在しない
    • イ．すべての層が出力層で構成される
    • ウ．中間層だけで、入力層と出力層を持たない
    • エ．入力層・中間層（隠れ層）・出力層から構成される

    正解：エ．入力層・中間層（隠れ層）・出力層から構成される

    解説：ニューラルネットワークは入力層・中間層（隠れ層）・出力層から構成されるのが基本である。中間層を多層に重ねたものがディープラーニングであり、入力層や出力層を持たない構成は一般的でない。

41. 問41．適合率（precision）と再現率（recall）の調和平均として計算され、両者のバランスを一つの値で表す評価指標はどれか。

    • ア．F値（F1スコア）
    • イ．学習率
    • ウ．エポック数
    • エ．バッチサイズ

    正解：ア．F値（F1スコア）

    解説：適合率と再現率の調和平均で両者のバランスを示すのがF値（F1スコア）である。学習率・エポック数・バッチサイズは学習の進め方に関する設定であり、評価指標ではない。

42. 問42．これまでのAIの発展の歴史に関する記述として、最も適切なものはどれか。

    • ア．AIは誕生以来、停滞期を一度も経験していない
    • イ．AIは過去に複数回のブームと冬の時代を繰り返しながら発展してきた
    • ウ．AIという概念は生成AIの登場によって初めて生まれた
    • エ．AI研究は常に一定の速度で直線的に進んできた

    正解：イ．AIは過去に複数回のブームと冬の時代を繰り返しながら発展してきた

    解説：AIは過去に複数回のブームと冬の時代（停滞期）を繰り返しながら発展してきた。停滞を一度も経験していない、生成AIで初めて概念が生まれた、常に一定速度で進んだ、はいずれも誤りである。

43. 問43．「弱いAI」の説明として、最も適切なものはどれか。

    • ア．人間のように意識や自我を持つAI
    • イ．あらゆる分野を人間以上にこなす万能のAI
    • ウ．特定の課題の解決に限定して用いられるAI
    • エ．学習を一切行わないAI

    正解：ウ．特定の課題の解決に限定して用いられるAI

    解説：弱いAIは、特定の課題の解決に限定して知的処理を行うAIを指す。人間のような意識や自我を持ち、分野を問わず総合的に考えるとされるのが強いAIであり、両者は概念上区別される。

44. 問44．機械学習で、訓練データ全体を一通り学習し終える回数を数える単位を何というか。

    • ア．ピクセル
    • イ．パラメータ
    • ウ．混同行列
    • エ．エポック

    正解：エ．エポック

    解説：訓練データ全体を一巡学習し終える単位をエポックという。データを小さく分けた塊はバッチと呼ばれる。ピクセルは画像の画素、パラメータはモデル内部の重みを指す。

45. 問45．分類モデルの予測結果を、真陽性・偽陽性・偽陰性・真陰性といった正解と予測の組み合わせで表にまとめたものを何というか。

    • ア．混同行列（confusion matrix）
    • イ．相関行列
    • ウ．損失関数
    • エ．活性化関数

    正解：ア．混同行列（confusion matrix）

    解説：予測と正解の組み合わせを一覧にした表を混同行列（confusion matrix）といい、適合率や再現率の算出に用いられる。相関行列は変数間の相関、損失関数や活性化関数は学習に関わる関数である。

46. 問46．モデルの予測と正解との誤差（損失）が小さくなる方向へ、パラメータを少しずつ更新していく最適化手法はどれか。

    • ア．クラスタリング
    • イ．次元削減
    • ウ．勾配降下法
    • エ．アノテーション

    正解：ウ．勾配降下法

    解説：損失が小さくなる向きへパラメータを繰り返し更新する最適化手法が勾配降下法である。クラスタリングや次元削減は教師なし学習の手法、アノテーションはデータへのラベル付け作業である。