生成AIパスポート「生成AIの仕組み」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2章「生成AIの仕組み」（独自の区分）で扱う論点を体系的に解説します。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）では主に第2章「生成AI（ジェネレーティブAI）」の内容で、LLMは第5章「テキスト生成AIのプロンプト制作と実例」、画像生成AIは第3章「現在の生成AI（ジェネレーティブAI）の動向」に含まれます。生成AIとは何か、LLMの次トークン予測、トークンとパラメータ、画像を生む拡散モデル、GAN/VAE、マルチモーダル、ファインチューニング、コンテキストウィンドウ、そして確率的な生成という性質まで、生成AIが「どう動いているか」を理解しましょう。

※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。

生成AIとは

生成AI（Generative AI）は、学習したデータの傾向をもとに、テキスト・画像・音声・動画などの新しいコンテンツを生成するAIです。分類や予測を行う従来の識別的なAIと対比され、「ゼロから作り出す」点が特徴です。第1章で学んだ深層学習・Transformerが基盤技術となっています。

• 識別系AI: 与えられた入力を「これは何か」と判定する（画像分類・スパム判定など）。
• 生成系AI: 学習した分布に従って「新しいデータ」を作り出す（文章・画像など）。

大規模言語モデル（LLM）と次トークン予測

テキスト生成AIの中核が大規模言語モデル（LLM）です。LLMは膨大なテキストで学習し、「これまでの文章に続いて次に来る可能性が高い語」を予測することで文章を生成します。

• 次トークン予測: 直前までの文脈から次の1トークンを確率的に選び、それを繰り返して文章を作る（自己回帰生成）。
• 一貫性: 意味を「理解」しているのではなく、統計的にもっともらしい続きを選んでいる点が原理上の前提。

トークンとパラメータ

画像生成の仕組み

画像の生成には、拡散モデルのほか、テキスト生成と同じ自己回帰モデルも使われます（自己回帰モデルは2025年10月に発表され2026年2月試験から適用されている現行シラバスで画像・動画生成の技術として加わりました）。試験では代表的な生成モデルの違いを整理しておきましょう。

マルチモーダル

• マルチモーダルAI: テキスト・画像・音声・動画など複数の種類（モダリティ）の情報をまとめて扱えるAI。
• 例: 画像を見せて内容を説明させる、図と文章を組み合わせて回答する、といった使い方が可能になる。

ファインチューニングとカスタマイズ

• 事前学習: 大量の一般データで基礎的な能力を獲得する段階。
• ファインチューニング: 事前学習済みモデルを、特定の用途やデータで追加学習し、専門分野に適応させること。
• 使い分け: 手軽に文脈を与えるだけで済む場合はプロンプト（第5章）で対応し、恒常的な専門特化が必要な場合にファインチューニングを検討する、という整理がされる。

コンテキストウィンドウ

• コンテキストウィンドウ: モデルが一度に扱える入力＋出力のトークン量の上限。
• 影響: 上限を超える長文はすべてを一度に考慮できない。長い資料を扱う際の制約として理解しておく。

確率的な生成という性質

• 生成AIは確率に基づいて出力を選ぶため、同じ入力でも毎回同じ結果になるとは限らない。
• この性質があるため、事実の誤り（ハルシネーション）も起こりうる。生成物は必ず人間が確認・検証する必要がある。

この章の要点まとめ

• 生成AIは学習した傾向から新しいコンテンツを作り出すAI。
• LLMは次トークン予測を繰り返して文章を生成する（確率的・自己回帰）。
• 画像生成には拡散モデルが広く使われ、自己回帰モデルも使われる。GAN・VAEとの違いを押さえる。
• トークン・パラメータ・コンテキストウィンドウは容量や制約の基礎用語。
• マルチモーダル・ファインチューニングで用途を広げられる。