生成AIパスポート 第2章 生成AI（ジェネレーティブAI） 予想問題と解説

正解は「ハルシネーション（Hallucination）」である。ハルシネーションは、生成AIが事実と異なる内容をもっともらしい文章として出力してしまう現象である。アライメントはAIの振る舞いを人間の意図に合わせることを指し、ファインチューニングは追加学習でモデルを調整することを指し、いずれも出力内容が事実と異なってしまう現象そのものを表す語ではない。マルチモーダルは文章・画像など複数種類のデータを扱えることを指す語であり、出力の事実性とは別の論点にあたる。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「Transformerモデル ── 自己注意力（Self-Attention）」である。現在のGPTモデルなどの基盤はTransformerモデルで、その中核は入力中の各要素の関係に重みづけする自己注意力（Self-Attention）である。畳み込みはCNN、位置エンコーディングはTransformerの補助要素だが中核ではない。ボルツマンマシンは初期の生成モデルの一つ。 モデル名と中心演算を一対一で対応させる。畳み込みはCNNの代表的処理で、位置エンコーディングだけでは入力要素間の関係を計算しない。GPTの基盤であるTransformerと、各要素間の関連度を重み付けする自己注意力の組合せを選ぶ。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「GAN（敵対的生成ネットワーク）」である。GANは、データを作り出す生成器と、本物か偽物かを見分ける識別器という2つのネットワークを競わせて学習する生成モデルである。問題文の「2つのネットワークを競い合わせる」「生成器」「識別器」という条件は、GANの学習方式そのものを指している。RNN（回帰型ニューラルネットワーク）は時系列データを順に処理するモデル、LSTM（長・短期記憶）はRNNを改良して長期的な依存関係を記憶できるようにしたモデルで、いずれも系列処理が中心であり生成器と識別器という対立構造を持たない。VAE（変分自己符号化器）はエンコーダで潜在ベクトルへ圧縮し、デコーダで復元する単一の構造で学習する生成モデルであり、2つのネットワークを競わせる方式ではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「VAE（変分自己符号化器）」である。VAEは、エンコーダで入力データを潜在ベクトルへ圧縮し、デコーダでそこから元のデータに近い形を復元するように学習する生成モデルである。問題文の「エンコーダで潜在ベクトルに圧縮」「デコーダで元のデータを復元」という2条件は、VAEの構造そのものを指している。LSTM（長・短期記憶）は長期的な依存関係を記憶しながら系列データを処理するモデル、Transformerモデルは自己注意力を中核として入力全体の関係性を扱うモデル、GAN（敵対的生成ネットワーク）は生成器と識別器という2つのネットワークを競わせる方式であり、いずれも潜在ベクトルを介した圧縮と復元を主な学習目的とする構造ではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「RLHF」である。RLHF（Reinforcement Learning from Human Feedback）は、人間による評価を報酬として強化学習を行い、モデルの応答を人間の意図や好みに近づける手法である。問題文の「人間の評価を報酬とする」「強化学習」という条件は、RLHFという手法名の由来そのものを指している。自然言語処理（NLP）は人間の言葉をコンピュータに処理させる技術分野の名称であり手法ではない。NSP（Next Sentence Prediction）とMLM（Masked Language Model）はBERTの事前学習で使われる手法で、文の並びや穴埋め語を予測する仕組みであり、人間の評価を報酬とする強化学習ではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「マルチモーダル」である。マルチモーダルは、テキストだけでなく画像や音声など複数種類のデータをまとめて扱えることを指す語である。問題文の「テキストだけでなく」「複数の種類のデータ」「まとめて扱える」という条件は、マルチモーダルが示す性質そのものである。ハルシネーション（Hallucination）は事実と異なる内容を生成してしまう現象、ファインチューニングは学習済みモデルを追加学習で特定用途向けに調整すること、アライメント（Alignment）はAIの振る舞いを人間の意図に合わせることであり、いずれもデータの種類を横断して扱えることを表す語ではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「自己回帰モデル」である。自己回帰モデルは、直前までの単語列をもとに次の単語を予測することを繰り返して文章を生成する方式であり、GPTモデルはこの方式を採用している。問題文の「直前までの単語列」「次の単語を予測」「繰り返して生成」という条件は、自己回帰モデルの仕組みそのものである。GAN（敵対的生成ネットワーク）は生成器と識別器という2つのネットワークを競わせる方式、VAE（変分自己符号化器）はエンコーダ・デコーダで圧縮と復元を行う方式、ボルツマンマシンは初期の確率的な生成モデルであり、いずれも逐次的に次の単語を予測して積み上げる仕組みではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「ファインチューニング」である。ファインチューニングは、事前学習済みのモデルを特定の用途やタスク向けに追加で学習させて調整することを指す。問題文の「事前学習済みのモデル」「追加で学習」「用途やタスク向けに調整」という条件は、ファインチューニングの工程そのものである。プレトレーニング（事前学習）はファインチューニングより前の段階で大量データから汎用的な能力を学習する工程、ハルシネーション（Hallucination）は誤った内容を生成してしまう現象、マルチモーダルは複数種類のデータを扱える性質であり、いずれも学習済みモデルを追加学習で調整する工程ではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT／第5章 LMとLLM）

正解は「Claude」である。Claudeは、Anthropicが開発した対話型のテキスト生成AIであり、ChatGPT以外の主要な対話型テキスト生成AIの一つに分類される。問題文の「対話型」「テキスト生成AI」という条件を満たす選択肢はClaudeだけである。Soraは動画を生成する機能、Veo3も動画を生成する機能であり、どちらもテキストで対話するAIではなく動画というデータを生成する。Image Generationは画像を生成する機能であり、これもテキストで対話する機能ではない。分類の軸は生成するデータの種類であり、対話型のテキストを扱うのはClaudeだけである。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI）

正解は「自然言語処理（NLP）」である。自然言語処理は、人間が日常的に使う言葉（自然言語）をコンピュータに処理・理解させる技術分野を指す。問題文の「人間が日常的に使う言葉」「コンピュータに処理・理解させる」「技術分野」という条件は、自然言語処理という語の定義そのものである。アライメント（Alignment）はAIの振る舞いを人間の意図に合わせること、マルチモーダルは複数種類のデータをまとめて扱えること、RLHF（Reinforcement Learning from Human Feedback）は人間の評価を報酬とする強化学習の手法であり、いずれも技術分野の名称ではなく、性質や手法を表す語である。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「CNN（畳み込みニューラルネットワーク）」である。CNNは、フィルタを用いた畳み込みによって画像の局所的な特徴を抽出することを中核とし、画像認識で広く使われるニューラルネットワークである。問題文の「フィルタを用いた畳み込み」「画像の局所的な特徴を抽出」という条件は、CNNの構造そのものである。RNN（回帰型ニューラルネットワーク）は前の情報を保持しながら系列データを順に処理するモデル、ボルツマンマシンは確率的な仕組みでデータの分布を学習する初期の生成モデル、VAE（変分自己符号化器）はエンコーダ・デコーダと潜在ベクトルで復元する生成モデルであり、いずれも畳み込みによる局所特徴の抽出を中核とする構造ではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「RNN（回帰型ニューラルネットワーク）」である。RNNは、隠れ層（リカレント層）で前の情報を保持しながら、文章や時系列のような順序のある系列データ（シーケンスデータ）を順に処理していくニューラルネットワークである。問題文の「隠れ層（リカレント層）」「前の情報を保持」「順に処理」という条件は、RNNの構造そのものである。CNN（畳み込みニューラルネットワーク）はフィルタによる畳み込みで画像の局所的な特徴を抽出するモデル、GAN（敵対的生成ネットワーク）は生成器と識別器という2つのネットワークを競わせる方式、VAE（変分自己符号化器）はエンコーダ・デコーダと潜在ベクトルで復元する方式であり、いずれも隠れ層で前の情報を保持しながら系列を順に処理する仕組みではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「LSTM（長・短期記憶）」である。RNNを改良し、長い系列でも情報を保持しやすくしたモデルが、長・短期記憶と呼ばれるLSTM（長・短期記憶）である。CNN（畳み込みニューラルネットワーク）は畳み込みで画像の局所特徴を扱うモデル、ボルツマンマシンは初期の確率的な生成モデル、Transformerモデルは自己注意力を中核とするモデルであり、いずれも「RNNを改良し長い系列の情報を保持する」ためのモデルではない。CNNは画像処理向け、ボルツマンマシンは確率的な生成の仕組み、Transformerモデルは自己注意力中心のアーキテクチャという、RNNの改良とは異なる系統に属する点を見分け方にする。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「ボルツマンマシン」である。生成モデルの初期に登場した確率的なモデルで、ユニット間の結合を一部制限した制約付きボルツマンマシンという形で知られているのがボルツマンマシンである。Transformerモデルは自己注意力を中核とするモデル、GAN（敵対的生成ネットワーク）は生成器と識別器を競わせる方式、自己回帰モデルは直前までの出力から次を予測する方式であり、いずれも『制約付き』の形で知られる初期の確率的モデルではない。GAN・自己回帰モデル・Transformerモデルは、それぞれ生成器と識別器の競合、直前出力からの予測、自己注意力という異なる仕組みを持つ点で、結合を制限した初期の確率的モデルとは系統が異なる。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「位置エンコーディング」である。Transformerモデルにおいて、単語の並び順（位置）の情報をモデルに伝えるために加えられる仕組みが位置エンコーディングである。自己注意力（Self-Attention）は入力中の要素どうしの関係に重みづけする仕組み、畳み込みはCNNで局所的な特徴を抽出する処理、潜在ベクトルはVAEなどでデータを圧縮した表現であり、いずれも位置の情報を伝える仕組みではない。自己注意力・畳み込み・潜在ベクトルは、それぞれ関係の重みづけ、局所特徴の抽出、データの圧縮表現という別の役割を持つ点で、並び順の情報を伝える位置エンコーディングとは機能が異なる。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「BERTモデル」である。文章中の一部の単語を隠して当てさせるMLM（Masked Language Model）と、2つの文が連続しているかを判定するNSP（Next Sentence Prediction）によって事前学習を行うのがBERTモデルである。GPTモデルは直前までの単語列から次を予測する自己回帰方式で学習する別系統のモデル、ボルツマンマシンは初期の確率的な生成モデル、VAE（変分自己符号化器）はエンコーダ・デコーダ方式の生成モデルであり、いずれもMLM・NSPによって事前学習するものではない。GPTモデル・ボルツマンマシン・VAEは、それぞれ自己回帰方式、初期の確率的モデル、エンコーダ・デコーダ方式という異なる学習の枠組みを持つ点で、MLM・NSPによる事前学習とは方式が異なる。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「ALBERT（a Lite BERT）」である。ALBERT（a Lite BERT）は、RoBERTaと並んでBERTモデルを改良して提案された派生モデルである。InstructGPTはGPT系の派生モデル、ボルツマンマシンは初期の確率的な生成モデル、Soraは動画を生成するモデルであり、いずれもBERTモデルを改良した派生モデルではない。InstructGPT・ボルツマンマシン・Soraは、それぞれGPT系統の派生、初期の確率的モデル、動画生成モデルという異なる系譜に属する点で、BERTモデルの派生モデルとは区別できる。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「InstructGPT」である。OpenAIが、人間のフィードバックを用いた学習でGPT-3を改良し、ユーザーの指示に沿うよう出力を人間の意図に合わせる（アライメント）ことを目指したモデルがInstructGPTである。RoBERTa・ALBERT（a Lite BERT）・BERTモデルはいずれもBERT系のモデルであり、GPT-3を改良してアライメントを図ったものではない。RoBERTa・ALBERT・BERTモデルは、いずれもBERTモデルを改良した系統に属する点で、GPT-3を改良してアライメントを図ったInstructGPTとは改良元が異なる。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「パラメータ」である。GPTモデルの世代が進むにつれて一般に増加してきた、モデル内部で調整される値でありモデルの規模を表す指標として用いられるのがパラメータである。データセットは学習に用いるデータの集まりであり、モデル内部で調整される値ではない。ハルシネーション（Hallucination）は事実と異なる出力を生む現象、マルチモーダルは複数種類のデータを扱えることを指す語であり、いずれもモデルの規模を表す指標ではない。データセット・ハルシネーション・マルチモーダルは、それぞれ学習データ、出力の現象、扱えるデータ種類という異なる性質を指す語である点で、モデル内部の調整値であるパラメータとは対象が異なる。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「GPTs」である。利用者が用途に合わせて独自にカスタマイズした対話AIを作成・公開できる機能がGPTs。Code Interpreterはコードの実行などを行う機能、InstructGPTは指示に沿うよう改良されたモデル、RLHFは人間のフィードバックによる強化学習の手法で、いずれも『独自の対話AIを作成・公開する機能』ではない。この問題では、利用者が行うことが「コード実行」や「モデルの学習」ではなく、「用途に合わせた対話AIの作成・公開」である点を拾う。製品上の作成機能、モデル、学習手法、実行機能を同じ階層の語として扱わないことが見分け方になる。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「Code Interpreter」である。ChatGPT上でプログラムを実行し、アップロードしたファイルのデータ分析やグラフ作成などを行える機能がCode Interpreterである。GPTsは利用者が独自にカスタマイズした対話AIを作成・公開する機能、ファインチューニングは学習済みモデルを特定用途向けに追加学習して調整すること、マルチモーダルはテキストや画像など複数種類のデータを扱えることを指し、いずれもプログラムを実行してファイルを解析する機能ではない。GPTs・ファインチューニング・マルチモーダルは、それぞれ対話AIの作成機能、モデルの追加学習、データ種類の性質という異なる役割を持つ点で、プログラムを実行するCode Interpreterとは機能が異なる。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「Codex」である。OpenAIが提供する、自然言語の指示からプログラムのコードを生成・記述することを主な用途とするものがCodexである。Soraは動画を生成するモデル、Image Generationは画像を生成する機能、Operatorはブラウザを操作してWeb上のタスクを代行するもので、いずれもコード生成を主目的とするものではない。Operator・Image Generation・Soraは、それぞれブラウザ操作の代行、画像生成、動画生成という異なる用途を持つ点で、コードの生成・記述を主目的とするCodexとは用途が異なる。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「Operator」である。人がWebブラウザの画面を見て入力やクリックを行うように操作し、Web上のタスクを自律的に代行するものがOperatorである。Code Interpreterはコードを実行してデータ分析を行う機能、GPTsは独自にカスタマイズした対話AIを作成・公開する機能、Soraは動画を生成するモデルで、いずれもブラウザを操作してタスクを代行するものではない。Code Interpreter・Sora・GPTsは、それぞれコード実行によるデータ分析、動画生成、対話AIの作成・公開という異なる機能を持つ点で、ブラウザ操作を代行するOperatorとは機能が異なる。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「GPT-4o」である。テキスト・音声・画像といった複数種類の情報を一つのモデルでまとめて入出力できる、マルチモーダルに対応したGPTモデルがGPT-4oである。GPT-1は初期のテキスト中心のモデル、BERTモデルはMLM・NSPで事前学習する別系統のモデル、InstructGPTは人間のフィードバックでGPT-3を改良したモデルで、いずれもテキスト・音声・画像を一つのモデルでまとめて扱うことを特徴とするものではない。テキスト中心か複数種類の入出力かという軸と、GPTモデル系列かBERT系列かという軸で選択肢を分類すると、マルチモーダル対応のGPT-4oだけが残る。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「アライメント（Alignment）」である。生成AIの出力や振る舞いを、人間の意図や価値観に沿うように調整しようとする取り組みをアライメント（Alignment）という。ハルシネーションは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、マルチモーダルは複数種類のデータを扱えるモデルの性質、データセットは学習に用いるデータの集まりで、いずれも人間の意図に沿わせる「調整の取り組み」ではなく、出力の不具合・モデルの性質・学習素材を指す語である。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「データセット」である。AIモデルの学習（訓練）に用いるために集められたデータの集まりをデータセットという。パラメータはモデル内部で学習によって調整される値、ファインチューニングは学習済みモデルを特定用途向けに追加学習すること、マルチモーダルは複数種類のデータを扱えるモデルの性質であり、いずれも「学習に用いるために集められたデータの集まり」そのものを指す語ではない。学習に使う「データそのものの集合」か、モデル内部の値・処理・性質のいずれかという軸で選択肢を分類すると、データの集まりに当たるデータセットだけが残る。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT）

正解は「Gemini・Claude・Copilot」である。問題文では、ChatGPT以外であること、主要なテキスト生成AIのサービスであること、シラバスで挙げられた組合せであることの3条件を満たす必要がある。Gemini・Claude・Copilotはこの条件にそろって該当する。Sora・Veo3・Image Generationは動画や画像を生成するもの、GPTs・Code Interpreter・OperatorはChatGPTの機能や関連ツール、VAE・GAN・RNNは生成モデルやニューラルネットワークの種類である。固有名詞を個別に暗記するだけでなく、サービス、機能、モデル種類、生成対象で分類すると選べる。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI）

正解は「Gemini」である。GeminiはGoogleが開発した対話型のテキスト生成AIである。ClaudeはAnthropic、CopilotはMicrosoft、ChatGPTはOpenAIがそれぞれ開発したテキスト生成AI・AIアシスタントであり、開発元がGoogleではない。サービス名から開発元を思い出すのではなく、開発元からサービス名を逆引きできるかを確認すると、Googleに対応するのはGeminiだけだと分かる。開発元とサービス名の対応は取り違えやすいため、4社4サービスを1対1で結び付けて整理しておく必要がある。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI・開発元は2026-07-05複数ソース照合）

正解は「Anthropic」である。ClaudeはAnthropicが開発した対話型のテキスト生成AIである。GoogleはGemini、MicrosoftはCopilot、OpenAIはChatGPTをそれぞれ開発しており、いずれもClaudeの開発元ではない。開発元とサービス名を1対1で対応させると、Claudeに一致する企業はAnthropicだけであり、他の3社はそれぞれ別のサービスの開発元だと確認できる。企業名からサービス名を、サービス名から企業名を、どちらの向きでも答えられるようにしておくと取り違えにくい。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI・開発元は2026-07-05複数ソース照合）

正解は「Microsoftが開発し、同社の製品やサービスと統合して利用できるAIアシスタント」である。CopilotはMicrosoftが開発したAIアシスタントで、同社の製品・サービスと統合して文章作成や要約などに利用できる。Googleの対話型テキスト生成AIはGemini、Anthropicのテキスト生成AIはClaude、OpenAIの動画生成AIはSoraである。この問題は、開発元と生成対象の両方を照合する。Google、Anthropic、OpenAIという開発元だけで判断せず、画像生成専用、音声生成、動画生成という説明もCopilotのAIアシスタントという役割に合うかを確認する。Microsoftの製品・サービスとの統合まで一致する選択肢は1つだけである。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI・開発元は2026-07-05複数ソース照合）

正解は「Claude ── Anthropic」である。正しい対応は、Claude=Anthropic、Gemini=Google、Copilot=Microsoft、ChatGPT=OpenAIである。他の選択肢はサービス名と開発元の組み合わせを入れ替えたひっかけになっている。各選択肢のサービス名と開発元を分解し、正しい対応表と1つずつ照合すると、両方が一致する組み合わせはClaude ── Anthropicだけだと確認できる。開発元を入れ替えた誤答は、サービス名だけを覚えていると見落としやすい点に注意する。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI・開発元は2026-07-05複数ソース照合）

正解は「Googleが開発した、対話形式で文章の生成などができるテキスト生成AI」である。GeminiはGoogleが開発した対話型のテキスト生成AIで、文章の生成・要約・翻訳などに利用できる。OpenAIのテキストから動画を作るAIはSora、Microsoftが提供するAIアシスタントはCopilot、AnthropicのAIはテキスト生成AIのClaudeである。サービス名を見分けるときは、開発元と主な生成対象を二段階で照合する。OpenAIと動画ならSora、MicrosoftとAIアシスタントならCopilot、Anthropicとテキスト生成ならClaudeであり、Googleと対話型のテキスト生成という組み合わせがGeminiに対応する。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI・開発元は2026-07-05複数ソース照合）

正解は「ChatGPT」である。ChatGPTはOpenAIが開発したテキスト生成AIである。GeminiはGoogle、ClaudeはAnthropic、CopilotはMicrosoftがそれぞれ開発しており、いずれもOpenAIが開発したものではない。なおCopilotの内部ではOpenAIの技術も活用されているが、サービスの開発・提供元はMicrosoftである。技術の一部提供元と、サービスそのものの開発・提供元は分けて判断する必要がある。

https://guga.or.jp/assets/syllabus.pdf （第2章 その他の主要生成AI・開発元は2026-07-05複数ソース照合）

正解は「系列内の各要素が互いにどれだけ関連するかを計算する自己注意（Self-Attention）」である。Transformerモデルは、再帰や畳み込みを用いず、系列内の各要素が互いにどれだけ関連するかを計算する自己注意（Self-Attention）を中核とする。これにより長い系列でも並列に効率よく処理でき、大規模言語モデルの基盤となった。畳み込みはCNN、再帰はRNNの仕組みであり、Transformerの中核ではない。選択肢では、系列内の要素同士の関連を計算する処理か、画像を格子状に扱う処理か、順番に再帰処理する構造か、多数の決定木を組み合わせる方法かを分ける。Transformerと対応するのは自己注意だけである。

https://guga.or.jp/assets/syllabus.pdf （2026-07-05シラバス照合）

正解は「ファインチューニング＝追加学習による調整、アライメント＝人間の意図に沿わせること、ハルシネーション＝事実と異なるもっともらしい出力」である。ファインチューニングは追加のデータでモデルを調整する追加学習、アライメントはモデルの出力を人間の意図や価値観に沿わせること、ハルシネーションは事実と異なるもっともらしい出力を生成してしまう現象である。これらは取り違えやすいので区別して覚える。他の選択肢は対応が入れ替わっており誤り。 三用語はモデルへ行う処理と出力に起きる現象を分ける。ファインチューニングは追加データによる重み調整、アライメントは人間の意図・価値観への整合、ハルシネーションは事実と異なる内容をもっともらしく生成する現象である。三対応を同時に確認する。

https://guga.or.jp/assets/syllabus.pdf （2026-07-05シラバス照合）

正解は「RLHF（人間のフィードバックによる強化学習）」である。RLHF（Reinforcement Learning from Human Feedback）は、人間による評価・フィードバックを報酬として強化学習を行い、モデルの応答を人間の意図に沿った有用で安全なものに近づける手法で、対話型AIのアライメントに用いられた。クラスタリング・次元削減は教師なし学習の手法、ワンホットエンコーディングは前処理の手法であり、いずれも人間の評価を報酬として学習に反映する手法ではない。

https://guga.or.jp/assets/syllabus.pdf （2026-07-05シラバス照合）

正解は「GANは生成器と識別器を競わせて学習し、VAEはエンコーダとデコーダと潜在ベクトルを用いて学習する」である。GAN（敵対的生成ネットワーク）は、本物らしいデータを作る生成器と、本物か偽物かを見分ける識別器を競い合わせて学習する。一方、VAE（変分自己符号化器）は、エンコーダで入力を潜在ベクトルに圧縮し、デコーダで復元する構造を用いて学習する。両者の構成要素を入れ替えた説明や、識別専用・学習なしとする説明は誤り。GAN側の「生成器と識別器」、VAE側の「エンコーダ・潜在ベクトル・デコーダ」を一組ずつ固定すると、入れ替えた選択肢を除ける。どちらも生成モデルであり、学習を行う点も同時に確認する。

https://guga.or.jp/assets/syllabus.pdf （2026-07-05シラバス照合）

正解は「学習したデータのパターンをもとに、テキスト・画像・音声・動画など新しいコンテンツを生成するAI」である。生成AI（ジェネレーティブAI）は、学習したデータのパターンをもとに、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を指す。既存データの分類・識別に特化するという説明は識別系AIの説明であり、生成AIの定義とは異なる。ルールベースのみで動作するという説明や、物理的な装置全般を指すという説明も、生成AIの定義と一致しない。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「OpenAI」である。ChatGPTはOpenAIが開発したテキスト生成AIである。Googleは対話型テキスト生成AI「Gemini」の開発元、AnthropicはClaudeの開発元、MicrosoftはAIアシスタント「Copilot」の開発元であり、いずれもChatGPTの開発元ではない。ChatGPTは2022年11月に公開され、対話形式で自然な文章のやり取りができる点が広く注目を集め、公開からわずか数か月で世界的に利用者数が急増した。

https://guga.or.jp/assets/syllabus.pdf （第2章 ChatGPT／その他の主要生成AI。開発元の対応はWebSearchで複数独立ソースの一致を確認済み）

正解は「Attention Mechanism（注意機構）」である。Attention Mechanismは、Transformerモデルにおいて文中の各単語が他のどの単語と強く関連しているかに応じて重みづけを行い、文脈を捉える仕組みである。正則化とドロップアウトはニューラルネットワークの過学習を抑えるための手法、データ拡張技術は既存データを加工して学習データを水増しする手法であり、いずれも単語間の関連度に重みづけをして文脈を捉える仕組みそのものを指す語ではない。

https://guga.or.jp/assets/syllabus.pdf （第2章 生成AIの誕生まで）

正解は「GPT-2 → GPT-3.5 → GPT-4」である。GPTモデルはGPT-2（2019年）、GPT-3.5（2022年11月）、GPT-4（2023年3月）の順に公開された。他の選択肢はこの公開順と一致しない。GPTモデルは世代を追うごとに対応できるタスクの幅や性能が向上しており、公開時期の把握は各モデルの特徴を理解するうえでの基準になる。公開年を軸に整理すると、各モデルの性能差や対応範囲の変化を追いやすくなり、出題でも頻出の知識である。

content/gen-ai-passport/facts/syllabus-facts.json 第2章ChatGPT verifiedFacts（Wikipedia等の複数独立ソースを2026-07-31にWebSearchで確認）

正解は「即座に回答するのではなく、回答前に時間をかけて考える（推論する）ことで複雑な課題への対応力を高めている」である。GPT-o1は、2024年9月にプレビュー版が公開されたOpenAIの「推論モデル」シリーズの最初のモデルであり、即座に回答するのではなく回答前に時間をかけて考える（推論する）ことで、複雑な科学・プログラミング等の課題への対応力を高めた点が特徴である。画像・音声を一切扱えないとする説明、事前学習を行わないとする説明、OpenAI以外が開発したとする説明は、いずれもGPT-o1の特徴と一致しない。

https://en.wikipedia.org/wiki/OpenAI_o1 （2026-07-31確認）