生成AIパスポート「AIの基礎」出題ポイント解説

公開: 2026年7月6日 更新: 2026年10月4日

当サイトの一問一答の第1章「AIの基礎」（独自の区分）で扱う論点を体系的に整理します。2026年10月試験までの公式シラバス（2026年2月試験より適用）では第1章「AI（人工知能）」と第2章「生成AI（ジェネレーティブAI）」にまたがる内容です。AIの分類、機械学習の3手法、深層学習、CNN/RNN/Transformer、BERTとGPTの違い、RLHF、ハルシネーション、シンギュラリティまで、生成AIを理解するための土台となる用語を一気に押さえましょう。

※受験料・試験日程・シラバス・出題内容は改定される場合があります。最新情報は必ずGUGA公式情報でご確認ください。

AIとは何か（ANI・AGI・ASI）

AI（人工知能）は、人間の知的な作業をコンピュータで実現しようとする技術・研究分野の総称です。実現範囲によって次のように区別されます。

• 特化型AI（ANI／Narrow AI）: 画像認識・翻訳・将棋など特定タスクに限定されたAI。現在実用化されているAIはすべてこの範囲。
• 汎用人工知能（AGI）: 人間のように分野を横断して自律的に学習・応用できるAI。研究段階で未実現。
• 人工超知能（ASI）: あらゆる領域で人間の知能を超えるとされる仮想的なAI。

あわせて「ルールベースAI（人手で書いた条件で動く）」と「機械学習ベースAI（データから規則を学ぶ）」という区別も基礎知識として問われます。

機械学習の3分類

機械学習は、データからパターンや規則を自動的に獲得する手法です。学習の与え方で大きく3つに分かれます。

生成AIの学習では、まず大量データで自己教師あり的に事前学習を行い、その後に強化学習の考え方（RLHF）で人間の好みに合わせる、という流れが後の章につながります。

深層学習（ディープラーニング）

• ニューラルネットワーク: 人間の神経細胞を模した数理モデル。入力層・中間層・出力層からなる。
• 深層学習: 中間層を多層化したニューラルネットワークによる機械学習。特徴量をデータから自動獲得できる点が従来手法との大きな違い。
• 学習の仕組み: 出力の誤差を逆向きに伝えて重みを少しずつ調整する（誤差逆伝播）ことで精度を高める。

大量のデータと計算資源（GPU等）が使えるようになったことが、深層学習と生成AIの発展を後押ししました。

主要なネットワーク構造

Attention（注意機構）とTransformer

• Attention: 文中のどの単語がどの単語と関連が強いかに応じて重みを付ける仕組み。文脈を捉える精度が向上した。
• Transformer: Attentionを中核に据えた構造。系列を順番に処理するRNNと違い並列計算ができ、大規模化しやすい。現在のLLMの土台。

BERTとGPTの違い

いずれもTransformerを基盤とする言語モデルですが、設計思想が異なります。

「生成」に強いのはGPT系という対比は頻出です。次章の生成AIの仕組みでもこの自己回帰的な生成が重要になります。

RLHF（人間のフィードバックによる強化学習）

• RLHF: モデルの出力に対して人間が良し悪しを評価し、その評価を報酬として強化学習でモデルを調整する手法。
• 目的: 事前学習しただけのモデルを、人間にとって有用・安全・自然な受け答えに近づける。ChatGPTなど対話AIの品質向上に用いられた。

ハルシネーションとシンギュラリティ

• ハルシネーション（幻覚）: AIが事実と異なる内容をもっともらしく生成してしまう現象。生成AIの原理上ゼロにはできず、利用者による確認が不可欠。第4章・第5章でも繰り返し登場する重要語。
• シンギュラリティ（技術的特異点）: AIが人間の知能を超え、社会が予測困難なほど急変するとされる仮説上の転換点。実現時期には諸説あり確定していない。

この章の要点まとめ

• AIはANI・AGI・ASIに区別され、実用化されているのは特化型（ANI）のみ。
• 機械学習は教師あり・教師なし・強化学習の3分類。
• 深層学習の中でもTransformerとAttentionが現在の生成AIの基盤。
• BERTは理解寄り、GPTは生成寄り。RLHFで人間の好みに調整する。
• ハルシネーションは避けられない前提で、利用者が確認する姿勢が問われる。