生成AIパスポート 第3章 現在の生成AI（ジェネレーティブAI）の動向 予想問題と解説

正解は「外部の知識（ベクトルデータベース等）を検索し、その結果を文脈に加えて回答の精度を高める手法」である。RAGは質問に関連する情報を外部知識（ベクトルデータベースに格納したチャンク等）から検索し、その内容を文脈として与えて生成させることで精度を高める手法。別の誤答はファインチューニング、3はGAN（敵対的生成ネットワーク）の説明。 生成手法は更新する対象と処理順で区別する。GANは二つのネットワークを競わせ、動画補間はフレーム間を生成し、ファインチューニングはモデルのパラメータを更新する。RAGは質問時に外部知識を検索し、取得文を入力文脈へ加えるため重み更新を必須としない。

https://guga.or.jp/assets/syllabus.pdf （第3章 RAG）

正解は「目標達成のために手順を自ら計画し、外部のツールやサービス（MCPによる連携など）も使いながら自律的にタスクを実行するAI」である。AIエージェントは、与えられた目標に対して自らタスクを計画・分解し、外部ツールやサービスと連携（MCP等）しながら自律的に実行するAIを指す。GenSpark・Manus・Skywork AIなどがツール事例として挙げられる。別の誤答は匿名加工情報（特定の個人を識別できないよう加工し、復元できないようにした情報）の説明。見分ける軸は、単一の生成物を出すことではなく、目標から手順を組み立て、必要な外部機能を使ってタスクを進める点である。画像生成、固定ルール、情報加工はいずれも、この計画・連携・自律実行の組み合わせを満たさない。

https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント）

正解は「Sora」である。Soraはテキストなどから動画を生成する動画生成AIである。ClaudeとGeminiはそれぞれAnthropic・Googleが開発した対話型のテキスト生成AI、Image Generationは画像を生成する機能であり、いずれも動画を生成するサービスではない。生成する対象が動画かテキストか画像かという軸で選択肢を分類すると、動画を生成するSoraだけが条件に一致する。サービス名だけで覚えるのではなく、開発元とあわせて「何を生成するAIか」を紐づけて整理すると混同しにくい。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス）

正解は「データの水増し（データ拡張）」である。学習データが少ないときに、既存データへ回転・反転・リサイズなどの変換を加えて擬似的にデータ量を増やす技術がデータの水増し（データ拡張技術）である。リマスタリングは既存の画質・音質を補正して作り直すこと、正規化はデータの尺度を揃える前処理、潜在ベクトルはVAE等でデータを圧縮した表現であり、いずれも「データ量を増やす技術」ではない。データの量そのものを増やす処理か、既存データの尺度・品質・表現を変える処理かという軸で選択肢を分類すると、量を増やす処理に当たるデータの水増し（データ拡張）だけが残る。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス）

正解は「ディープフェイク（深層偽造）」である。AIを使って実在する人物の顔や音声を本物のように合成・偽造する技術や、その生成物をディープフェイク（深層偽造）という。ハルシネーションは生成AIが事実と異なる内容を意図せず誤って出力してしまう現象であり、実在人物になりすまして偽造する行為ではない。マスキングは個人情報を隠すための加工処理であり、人物の顔や音声を合成する技術ではない。リマスタリングは既存の音源・映像の画質や音質を補正して作り直す処理であり、実在しない合成映像・音声を作り出す技術ではない。実在する人物を本物のように偽造するという条件に当てはまるのはディープフェイク（深層偽造）だけである。

https://guga.or.jp/assets/syllabus.pdf （第3章 ディープフェイク（深層偽造）技術）

正解は「チャンク」である。RAGでは、検索・参照しやすいように文書をあらかじめ小さな単位へ分割し、この単位をチャンクと呼ぶ。ベクトルデータベースは、分割した文書をベクトル化して格納しておく保存先であり、分割そのものの単位を指す語ではない。潜在ベクトルはVAEなどでデータを圧縮して表した表現で、文書を検索用に分割する処理とは無関係である。自己回帰モデルは文章を単語単位で順に生成していく方式を指す語であり、文書を分割する処理ではない。文書をあらかじめ小さな単位に分割したものという条件に当てはまるのはチャンクだけである。

https://guga.or.jp/assets/syllabus.pdf （第3章 RAG）

正解は「GenSpark」である。GenSparkは、Manus・Skywork AIなどと並んでAIエージェントのツール事例として挙げられる。Geminiは対話形式で文章生成などができるテキスト生成AIであり、自律的にタスクを遂行するツールの事例ではない。Soraはテキストなどから動画を生成する動画生成AIであり、AIエージェントのツールとは分類が異なる。Claudeも対話型のテキスト生成AIであり、外部ツールと連携して自律的にタスクを遂行するAIエージェントの事例ではない。AIエージェントのツール事例という条件に当てはまるのはGenSparkだけである。

https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント）

正解は「MCP」である。MCPは、AIエージェントが外部のツールやサービスと連携するための仕組みとして挙げられる。RAGは外部の知識を検索して回答生成に活かす手法であり、外部ツール・サービスと連携する仕組みそのものではない。RLHFは人間のフィードバックをもとにモデルを調整する強化学習の手法であり、外部連携の仕組みではない。NLPは自然言語処理という技術分野を指す語であり、AIエージェントが外部と連携するための仕組みではない。外部のツールやサービスと連携するための仕組みという条件に当てはまるのはMCPだけである。

https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント）

正解は「画像生成AI」である。テキストの指示（プロンプト）から絵やイラストなどの画像を作り出すAIを画像生成AIという。動画生成AIが作り出すのは動画であり、静止した画像ではなく時間軸を持つ映像を生成する点で異なる。音声生成AIは話し言葉などの音声を作り出すAIであり、絵やイラストを描くものではない。音楽生成AIはメロディーや伴奏といった楽曲を作り出すAIであり、画像を生成する用途ではない。プロンプトから絵やイラストを作り出すという条件に当てはまるのは画像生成AIだけである。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス）

正解は「偽情報（ディスインフォメーション）」である。事実でない内容を意図的に作り出し、人を欺く目的で拡散される偽情報を、偽情報（ディスインフォメーション）という。ハルシネーションは生成AIが事実と異なる内容を意図せず誤って出力してしまう現象であり、人を欺く意図をもって作り出されるものではない。マルウェアはコンピュータに害を与える意図で作られた悪意あるソフトウェアであり、偽情報そのものを指す語ではない。個人識別符号は個人を識別できる符号を指す語であり、意図的に拡散される偽情報とは無関係である。事実でない内容を意図的に作り出し人を欺く目的で拡散されるという条件に当てはまるのは偽情報（ディスインフォメーション）だけである。

https://guga.or.jp/assets/syllabus.pdf （第3章 ディープフェイク（深層偽造）技術）

正解は「音楽生成AI」である。メロディーや伴奏といった楽曲を自動で作り出すAIを音楽生成AIという。動画生成AIが作り出すのは映像であり、楽曲ではなく時間軸を持つ動画を生成する点で異なる。音声生成AIが担うのは話し言葉などの音声の生成であり、メロディーや伴奏を組み立てる楽曲制作とは目的が異なる。テキスト生成AIは文章を作り出すAIであり、楽曲を作り出す用途ではない。メロディーや伴奏など楽曲を自動で作り出すという条件に当てはまるのは音楽生成AIだけである。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス）

正解は「音声生成AI」である。入力した文章を読み上げたり、人の声を合成して話し言葉の音声を作り出すAIを音声生成AIという。音楽生成AIが手掛けるのはメロディーや伴奏といった楽曲であり、話し言葉の音声を合成する用途ではない。テキスト生成AIが作り出すのは文章そのものであり、文章を音声に変換する処理ではない。画像生成AIが作り出すのは絵やイラストなどの画像であり、話し言葉の音声を作り出す用途ではない。文章の読み上げや声の合成で話し言葉の音声を作り出すという条件に当てはまるのは音声生成AIだけである。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス）

正解は「正規化」である。値の範囲が異なるデータの尺度（スケール）を一定の範囲にそろえる前処理を正規化という。画像のリサイズは画像の大きさそのものを変える処理であり、データの尺度をそろえる処理とは目的が異なる。データの水増し（データ拡張）は回転・反転・リサイズなどで擬似的にデータ量を増やす技術であり、量を増やす処理であって尺度をそろえる処理ではない。リマスタリングは既存の画質・音質を補正して作り直すことであり、データの尺度をそろえる前処理ではない。値の範囲が異なるデータの尺度を一定の範囲にそろえるという条件に当てはまるのは正規化だけである。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス）

正解は「リマスタリング」である。古い音源や映像を、生成AIの技術も用いて画質・音質を補正し、より高品質に作り直すことをリマスタリングという。正規化は値の範囲が異なるデータの尺度をそろえる前処理であり、画質・音質を補正して作り直す処理ではない。データの水増し（データ拡張）は回転・反転・リサイズなどで擬似的にデータ量を増やす技術であり、既存の音源や映像を高品質に作り直す処理ではない。画像のリサイズは画像の大きさを変える処理であり、画質・音質を補正する処理ではない。古い音源や映像を画質・音質の補正で高品質に作り直すという条件に当てはまるのはリマスタリングだけである。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス）

正解は「画像のリサイズ」である。画像の縦横の大きさ（解像度や寸法）を変更する処理が画像のリサイズである。正規化はデータの尺度をそろえる前処理、リマスタリングは画質・音質を補正して作り直すこと、潜在ベクトルはVAE等でデータを圧縮した数値表現で、いずれも画像の縦横の寸法そのものを変える処理ではない。設問が問うのは『画像の縦・横の大きさを変更する処理』という寸法操作であり、尺度をそろえる処理・画質を補正する処理・データを圧縮した表現のいずれとも異なる。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス）

正解は「Veo3 ── 動画生成AI」である。Veo3はGoogleが開発した動画生成AIなので、名称と生成物の分類の組み合わせが正しい。Soraは動画生成AIであり画像生成AIではないため組み合わせが誤り、Claudeは対話型のテキスト生成AIであり音声生成AIではないため組み合わせが誤り、Geminiも対話型のテキスト生成AIであり音楽生成AIではないため組み合わせが誤り。設問は「名称」と「生成物による分類」の対応そのものを問うており、いずれの誤答も名称は実在するが、結び付けられた分類の側が実際の生成物とずれている。 各サービスを主な生成物へ個別に対応させる。SoraとVeo3は動画生成、ClaudeとGeminiは対話型のテキスト生成に分類される。四つの組合せのうち名称と媒体が一致するVeo3と動画生成AIを選ぶ。 サービスの開発元ではなく主な出力媒体を照合し、動画を作るSora・Veo3と、文章で対話するClaude・Geminiの2群に分ける。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス）

正解は「テキスト生成AI」である。文章で指示を受けて文章を生成したり対話したりするClaudeやGeminiは、生成する対象が文章であることからテキスト生成AIに分類される。音楽生成AIは楽曲を、動画生成AIは動画を、画像生成AIは画像をそれぞれ作り出すAIであり、いずれも文章による指示・応答を目的としたAIではなく、入力として受け取る形式や作り出す生成物そのものがテキスト生成AIとは異なる。生成AIを分類するときは、何を指示として受け取り、何を生成物として出力するかという入出力の形式に注目する必要がある。 入力に文章を使えるかだけでなく、設問が示す主な出力と対話内容も文章である点を分類軸にする。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス）

正解は「ベクトルデータベース」である。文書をベクトル化して格納し、質問に関連する情報を検索するために使う専用のデータベースがベクトルデータベースである。チャンクはそのデータベースに格納する前に文書を分割した小さな単位そのもの、データセットはモデルの学習に使うデータの集まりを指す一般名称、自己回帰モデルは直前までの出力から次を予測して文章を生成する生成方式であり、いずれも『ベクトル化して格納し検索する』という設問の条件そのものには当たらない。

https://guga.or.jp/assets/syllabus.pdf （第3章 RAG（Retrieval Augmented Generation、検索拡張生成））

正解は「モデルを再学習させなくても、社内の最新・固有の情報にもとづいた回答を得やすくなる」である。RAGは外部の文書を検索して文脈に加える仕組みなので、モデルを再学習（ファインチューニング）させなくても最新・固有の情報にもとづく回答を得やすくなる点が利点である。生成速度を上げる技術ではなく、ハルシネーションを軽減はしても完全にゼロにはできず、外部情報を検索して活用する手法なので内部知識だけで答えるという説明も誤り。 RAGはモデル内部の重みを更新する代わりに、質問時に外部文書から関連箇所を取得して文脈へ加える。したがって社内マニュアルを更新すれば回答根拠へ反映しやすいが、検索・生成の誤りは残り得て、速度向上や外部情報の不使用を保証しない。

https://guga.or.jp/assets/syllabus.pdf （第3章 RAG（Retrieval Augmented Generation、検索拡張生成））

正解は「実在する人物が実際には言っていない発言や行っていない行動を、本物のように見せかけ、偽情報の拡散や詐欺に悪用される」である。ディープフェイクは実在する人物の映像や音声を本物のように偽造する技術で、悪用されると、実際にはしていない発言・行動を捏造して偽情報の拡散や詐欺、名誉毀損などにつながる危険がある。別の誤答はデータの水増し（データ拡張）、別の誤答は匿名加工情報の説明であり、別の誤答はテキスト生成AIがむしろ苦手とする計算・最新情報の話で、いずれもディープフェイクの危険性ではない。 ディープフェイクは深層学習等で映像・音声を合成し、実在人物の言動を捏造したように見せられる点がリスクである。計算精度、匿名加工、データ拡張はそれぞれ数値処理・プライバシー加工・学習例増加の話で、人物コンテンツの偽造ではない。

https://guga.or.jp/assets/syllabus.pdf （第3章 ディープフェイク（深層偽造）技術）

正解は「画像生成AIは1枚の静止画を、動画生成AIは時間方向に連続する複数のフレーム（動き）を作り出すという違いがある」である。画像生成AIは1枚の静止画を生成し、動画生成AIは時間方向に連続する複数のフレームからなる映像（動き）を生成する点が異なる。SoraやVeo3が動画生成AIの例として挙げられる。音声を作り出すのは音声生成AI、楽曲を作り出すのは音楽生成AI、文章を作り出すのはテキスト生成AIであり、画像と動画の生成物を逆に述べた選択肢や、両者を文章生成と同一視する選択肢は誤り。 生成物は媒体と時間軸で分ける。画像は単一の静止フレーム、動画は時間方向に連続する複数フレームからなる。文章、音声、楽曲は別モダリティであり、画像と動画の出力を逆転させた説明も除外する。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス）

正解は「文書を小さな単位（チャンク）に分割してベクトルデータベースに格納し、質問に関連する部分を検索して文脈に加え、その内容をもとに回答を生成する」である。RAGでは、参照したい文書をあらかじめ小さな単位（チャンク）に分割してベクトルデータベースに格納しておき、質問が来るとそれに関連する部分を検索して文脈に加え、その内容をもとに回答を生成する。先に回答を生成してから保存し検索を行わないとする流れは順序が誤りで、外部文書を使わずモデル内部の知識だけで答えるとする説明はRAGの前提に反する。パラメータを追加学習で更新するのはファインチューニングであり、検索の土台となるベクトルデータベースを削除するという流れも誤りである。 RAGは準備段階で文書をチャンク化・ベクトル化して格納し、質問時に関連チャンクを検索し、その内容をプロンプトの文脈へ加えて回答を生成する。回答後に保存する流れや、外部文書を使わない流れ、追加学習後に検索基盤を削除する流れではない。

https://guga.or.jp/assets/syllabus.pdf （第3章 RAG（Retrieval Augmented Generation、検索拡張生成））

正解は「RAG（検索拡張生成）」である。RAG（Retrieval-Augmented Generation）は、外部の知識源（ベクトルデータベース等）から関連情報を検索して文脈に加える手法で、モデル自体の再学習は行わない。ファインチューニングは追加データでモデルのパラメータ自体を再学習させる手法、プレトレーニングは大量データによる事前学習の段階であり、いずれもモデル側を作る・変更する工程である点で『再学習を行わない』という設問の条件と矛盾する。ドロップアウトは学習時に一部のノードを無効化して過学習を防ぐ学習テクニックであり、外部知識を検索して文脈に加える処理とは無関係。

https://guga.or.jp/assets/syllabus.pdf （第3章 RAG・2026-07-05シラバス照合）

正解は「回答の根拠となる検索結果を示せるため、事実と異なるもっともらしい出力（ハルシネーション）を抑えやすくなる」である。RAGは検索で取得した実在の文書を根拠として回答を生成するため、出典を確認しやすく、事実と異なるもっともらしい出力（ハルシネーション）を抑えやすくなる。モデルのパラメータ数や学習の電力消費はRAGでは変わらない。また、計算の正確性は検索で補える性質の課題ではないため、RAGを導入しても解決しにくい。設問が聞くのは検索結果を文脈に加えることの直接的な効果である。モデル自体の規模、学習工程の電力、計算能力を変える説明は、検索して根拠を補うRAGの処理から外れる。

https://guga.or.jp/assets/syllabus.pdf （第3章 RAG・2026-07-05シラバス照合）

正解は「質問に関連する情報を外部の知識源から検索して取り出す処理」である。Retrievalは「検索・取得」を意味し、質問に関連する情報をベクトルデータベースなどの外部知識源から検索して取り出す処理を指す。取り出した情報を文脈に加えて回答文を生成する部分はGeneration（生成）に当たり、Retrievalとは別の工程である。モデルの追加学習（ファインチューニング）はRAGの構成要素ではなくモデル側を変更する別の手法であり、人間によるレビューもRAGが自動で行う検索・生成の処理には含まれない。

https://guga.or.jp/assets/syllabus.pdf （第3章 RAG・2026-07-05シラバス照合）

正解は「複雑な数値計算の答えを間違えることがある」である。RAGは外部知識の「検索」で回答の材料を補う手法であるため、学習時点より後の出来事への対応・社内規程など組織固有情報にもとづく回答・根拠となった情報源の提示はいずれもRAGが得意とし、むしろ解決しやすい領域である。一方、数値計算の正確性は検索で補える性質の課題ではなく、テキスト生成AIが正確な計算を不得意とする弱点は外部文書を検索して文脈に加えてもそのまま残る。設問は『RAGを導入しても解決しにくい課題』を問うており、検索によって補える情報面の課題と、モデル自体の計算能力に起因する課題とを区別する必要がある。

https://guga.or.jp/assets/syllabus.pdf （第3章 RAG・2026-07-05シラバス照合）

正解は「大規模言語モデルは学習時点までの知識しか持たず、学習後の新しい情報や組織固有の情報にもとづいた回答が難しいため」である。大規模言語モデル（LLM）は学習時点までのデータから得た知識で回答するため、学習後に起きた出来事や、学習データに含まれない社内文書などの組織固有情報には対応しにくい。この弱点を、外部知識の検索によって補う手法としてRAGが広く使われるようになった。背景を問う問題では、LLMの知識の限界と、RAGが加える外部検索が因果関係でつながる選択肢を探す。情報量の減少、法律上の限定、画像や音楽の生成条件は、学習後の情報や組織固有情報を補うという導入理由になっていない。

https://guga.or.jp/assets/syllabus.pdf （第3章 RAG・2026-07-05シラバス照合）

正解は「質問との関連が高い部分だけを取り出して、文脈に加えやすくするため」である。文書全体をそのまま扱うと、質問と無関係な部分まで文脈に含まれて精度が下がったり、一度に扱える文章量の制限を超えたりする。チャンクに分割しておくことで、質問との関連が高い部分だけを検索して取り出し、文脈に加えやすくなる。著作権・保存費用・法律上の制約は分割の目的ではない。チャンクは文書の法的状態や保存形式を変えるためではなく、検索で扱う単位を小さくするために使う。質問との関連部分を選び、その部分を回答用の文脈へ渡す流れまで結び付けて判断する。

https://guga.or.jp/assets/syllabus.pdf （第3章 RAG・2026-07-05シラバス照合）

正解は「与えられた目標をタスクに分解し、計画・実行・結果の確認を自律的に繰り返して目標達成まで進める」である。AIエージェントは、目標を与えられると必要なタスクへ分解し、計画を立てて実行し、結果を確認しながら次の行動を決める、という一連の流れを自律的に繰り返す点が特徴である。人間の指示（目標設定）は前提であり、内部では学習済みモデルを活用する。テキスト生成ができないわけでもない。従来の一問一答との違いは、応答を一度返すだけでなく、目標に向けて計画・実行・確認の循環を続ける点にある。「完全に人間の指示がないこと」や「学習済みモデルを使わないこと」は自律性の意味ではない。

https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント・2026-07-05シラバス照合）

正解は「ベクトルデータベース」である。Manus・GenSpark・Skywork AIは、目標を与えると自律的にタスクを進めるAIエージェントのツール事例として挙げられる。一方、ベクトルデータベースはRAG（検索拡張生成）で文書のベクトルを格納・検索するためのデータベースであり、目標達成に向けてタスクを自律的に進めるツールではない点で、AIエージェントのツール事例には当たらない。設問は『AIエージェントのツール事例として適切でないもの』を選ぶ形式であり、自律的にタスクを進めるツールそのものと、RAGで使う検索用のデータベースという別の技術要素を混同しないことが判断の軸になる。 固有名詞かどうかではなく、目標から複数作業を進めるエージェント製品か、検索基盤を構成するデータストアかで分類する。

https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント・2026-07-05シラバス照合）

正解は「言語モデル単体ではできない操作（最新情報の取得、他のサービスの実行など）を行い、現実のタスクを完了できるようにするため」である。言語モデル単体でできるのは基本的にテキストの生成であり、最新情報の取得や他のサービスの操作など現実世界への働きかけはできない。MCP（Model Context Protocol）のような仕組みで外部のツール・データソースと連携することで、AIエージェントは検索・実行・操作を伴う現実のタスクを完了できるようになる。文章生成自体は連携なしでも可能で、学習データが不要になる効果や法律上の義務は存在しない。判断では、言語モデルが文章を作る能力と、外部から情報を取得したりサービスを実行したりする能力を分ける。MCP連携の役割は前者の成立条件ではなく、後者を加えてタスクを完了可能にすることである。

https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント・2026-07-05シラバス照合）

正解は「AIエージェントが目標達成の過程で、外部知識の検索（RAG）を手段の一つとして利用することがある」である。RAGは外部知識を検索して回答の精度を高める手法、AIエージェントは目標に向けてタスクを自律的に実行する仕組みであり、別の概念である。両者は排他的ではなく、AIエージェントがタスク遂行の過程で社内文書の検索（RAG）をツールの一つとして使う、といった組み合わせが可能である。同一の技術ではなく、相互に必須の関係でもない。見分け方は、RAGを外部知識を検索する手法、AIエージェントを目標達成のために行動を進める仕組みとして別々に定義し、手段として組み合わせられるかを確認することである。

https://guga.or.jp/assets/syllabus.pdf （第3章 AIエージェント・2026-07-05シラバス照合）

正解は「OpenAIが提供する、テキストの指示から動画を作り出す動画生成AI」である。SoraはOpenAIが提供する動画生成AIで、テキストの指示（プロンプト）から動画を作り出す。名前から用途を判断せず、「何を生成するAIか」で分類することが重要である。AnthropicのテキストAIはClaude、Googleの動画生成AIとしてはVeo3が挙げられる。サービス名だけで選ばず、提供者、入力、生成物の三点を照合する。SoraについてOpenAI、テキスト指示、動画生成がすべてそろうのは正解選択肢だけである。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス・2026-07-05照合）

正解は「Claude ── 動画生成AI」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、動画生成AIではないため誤り。Sora（OpenAI）とVeo3（Google）はいずれも動画生成AI、Gemini（Google）はテキスト生成AIで、これらの組み合わせは正しい。 否定形を確認し、各サービスの分類を一件ずつ照合する。SoraとVeo3は動画生成、GeminiとClaudeは対話型のテキスト生成に分類される。したがってClaudeを動画生成AIとする組合せだけが誤りである。 誤っている組を探す否定形なので、動画系2サービスと対話型テキスト系2サービスの対応表を作ってから左右を照合する。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス・2026-07-05照合）

正解は「本人や信頼できる発信元で確認できるまで、実際の発言・行動だと断定して拡散しない」である。ディープフェイクは実在する人物の映像や音声を本物のように合成・偽造する技術で、偽情報（ディスインフォメーション）の拡散に悪用される危険がある。自然に見えることだけで真偽は判断できないため、本人や信頼できる発信元で確認するまで断定・拡散しない対応が適切である。ハルシネーションは生成AIの誤出力を指す語で、意図的な偽情報と常に同じ意味ではない。 自然な映像でも真実性の証拠にはならない。ディープフェイクは人物の映像・音声を本物らしく合成でき、意図的に流通する偽情報へ悪用され得る。ハルシネーションは生成時の事実誤りを指し意図的偽情報と同義ではないため、発信元の照合を優先する。

https://guga.or.jp/assets/syllabus.pdf （2026-07-11シラバス照合）

正解は「自己回帰モデル」である。自己回帰モデルは、音声・音楽・文章など時間や順序に沿って並ぶデータを生成する際に、それまでに生成した要素を踏まえて次の要素を順番に予測・生成していく方式のモデルである。正規化はデータの尺度をそろえる前処理手法、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、リマスタリングは既存の音源・映像などの品質を再調整する手法であり、いずれも「順番に次の要素を予測・生成する方式」そのものを指す語ではない。

https://guga.or.jp/assets/syllabus.pdf （第3章 生成AIが出来ることと主なサービス／第2章 生成AIの誕生まで）

正解は「マルウェアとは、事実でない内容を意図的に作り出し、人を欺く目的で拡散される偽情報を指す語である」（誤り）である。マルウェアはコンピュータやその利用者に害を与えることを目的に作られた悪意あるソフトウェア全般を指す総称であり、設問の説明は偽情報（ディスインフォメーション）の定義をマルウェアに誤って当てはめている。ディープフェイク・偽情報・生成物の説明はいずれも正しい。マルウェアとディスインフォメーションは、いずれもAI社会でリスクとして扱われる概念だが、指す対象が「悪意あるソフトウェア」か「虚偽の情報」かという点で明確に異なる。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-005/010、gaip-ch4-022/052)の定義との整合性確認

正解は「正規化とは、古い音源や映像を、生成AIの技術も用いて画質・音質を補正し、より高品質に作り直すことである」（誤り）である。正規化は、機械学習の前処理で値の範囲が異なるデータの尺度（スケール）を一定の範囲にそろえることであり、設問の説明はリマスタリングの定義を正規化に誤って当てはめている。データの水増し・リマスタリング・画像のリサイズの説明はいずれも正しい。正規化とリマスタリングは、いずれも機械学習・生成AIのデータ処理で登場する用語だが、対象がデータの尺度か音源・映像の品質かという点で異なる。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-004/013/014/015)の定義との整合性確認

正解は「音楽生成AIとは、入力した文章を読み上げたり、人の声を合成して話し言葉の音声を作り出す生成AIである」（誤り）である。音楽生成AIはメロディーや伴奏など楽曲を自動で作り出す生成AIの種類であり、設問の説明は音声生成AIの定義を音楽生成AIに誤って当てはめている。画像生成AI・音声生成AI・テキスト生成AIの説明はいずれも正しい。音楽生成AIと音声生成AIは、いずれも音を扱う生成AIだが、楽曲を作るか話し言葉を作るかという点で用途が異なる。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-009/011/012/017)の定義との整合性確認

正解は「AIエージェントとは、検索対象の文書をあらかじめ扱いやすい小さな単位に分割したものである」（誤り）である。AIエージェントは、目標達成のために手順を自ら計画し、外部のツールやサービスも使いながら自律的にタスクを実行するAIであり、設問の説明はチャンクの定義をAIエージェントに誤って当てはめている。RAG・チャンク・ベクトルデータベースの説明はいずれも正しい。AIエージェントとチャンクは、いずれもRAG・AIエージェントの文脈で登場する用語だが、自律的にタスクを実行する主体か文書の分割単位かという点で全く異なる概念である。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-001/002/006/018)の定義との整合性確認

正解は「Veo3」である。Veo3はGoogleが開発した、テキストの指示から動画を作り出す動画生成AIである。Soraは同種の動画生成AIだがOpenAIが開発したものであり、GPTsはChatGPT上でカスタムAIを作成する機能、CodexはOpenAIが提供するコード生成ツールであり、いずれもGoogleが開発した動画生成AIではない。動画生成AIは近年各社が開発競争を進めている分野であり、開発元の違いを把握しておくことが重要である。

content/gen-ai-passport/facts/syllabus-facts.json 「その他の主要生成AI」verifiedFacts（開発元対応の辞書的事実、複数独立ソースで確認済み）

正解は「言語モデル単体ではできない最新情報の取得や他サービスの実行を行い、現実のタスクを完了できるようにするのは、RAGの役割である」（誤り）である。言語モデル単体ではできない操作を行い現実のタスクを完了できるようにするのは、MCPなどによる外部ツール・サービスとの連携がAIエージェントにとって重要な理由であり、設問の説明はこれをRAGの役割に誤って当てはめている。AIエージェントの特徴・MCP・従来の対話型生成AIとの違いの説明はいずれも正しい。

content/gen-ai-passport/questions/sample-questions.json 内の既存問題(gaip-ch3-002/008/029/031)の定義との整合性確認