生成AIパスポート 第1章 AIの基礎と歴史（2027年2月試験の新シラバス）一問一答

正解は「クラスタリング」である。問題文の決定条件は、入力データに正解ラベルがなく、そのデータ自体からパターンや構造を見つけることである。これは教師なし学習の設定であり、代表的な手法としてクラスタリングや次元削減がある。選択肢では、データをまとまりに分けるクラスタリングが直接対応する。教師あり学習は正解ラベルを使い、強化学習は報酬を手がかりに行動を改善し、転移学習は学習済みの知識を別課題へ活かす。入力に何が与えられるかを最初に確認すれば、4つの学習方式を混同せずに選べる。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「AIが人類の知能を超え、社会に後戻りできない変化をもたらすとされる概念で、レイ・カーツワイルは2045年の到来を予測した」である。シンギュラリティはAIが人間の知能を超え、社会に不可逆的な変化をもたらすとされる概念。レイ・カーツワイルは2045年問題としてその到来を予測した。「AIの冬」はAIブームが停滞した時期を指す別概念である。 シンギュラリティは機械学習の精度低下や人間確認の運用規定ではなく、AI能力の進展が社会を不可逆に変えるという将来概念である。研究停滞期を指すAIの冬とも区別し、レイ・カーツワイルと2045年の対応を確認する。

https://guga.or.jp/assets/syllabus.pdf （第1章 シンギュラリティ／AIの歴史）

正解は「ダートマス会議」である。「AI（人工知能）」という言葉が初めて使われたとされる出来事を問うているため、まず選択肢が会議名か、時代区分か、技術の仕組みか、将来概念かを分類する。ダートマス会議だけが会議の名称であり、AIという言葉の登場と結び付く。第一次AIブームはその後に訪れた時期、エキスパートシステムは第二次AIブームで中心となった仕組み、シンギュラリティはAIが人間の知能を超えるとされる概念である。AI史の語を時系列だけで暗記せず、出来事の種類まで判別すると選べる。

https://guga.or.jp/assets/syllabus.pdf （第1章 AI（人工知能）の定義）

正解は「機械学習」である。問題文では、規則を作る主体が人間ではなくコンピュータであり、その材料が大量のデータだと示されている。データから規則性やパターンを学習する仕組みが機械学習である。対してルールベースは人間が規則をあらかじめ記述し、エキスパートシステムも専門家の知識をルールとして取り込む。探索は候補の中から解を探す第一次AIブームの手法であり、データから規則自体を学ぶ説明ではない。「規則があるか」ではなく「誰が何から規則を得るか」を読むことが判別の要点になる。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「過学習（オーバーフィッティング）」である。問題文は学習手法の名称ではなく、訓練データには過剰に適合する一方で、未知データへの予測精度が下がる現象を問うている。この訓練時と利用時の性能差が過学習の特徴である。正則化はその現象を抑えるための手法であり、現象そのものではない。転移学習は学習済みの知識を別の課題へ活かす手法、強化学習は報酬を手がかりに行動を改善する枠組みである。「何が起きたか」と「何をする手法か」を分けると、対策名を誤って選ばずに済む。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「ドロップアウト」である。設問が求めているのは、ニューラルネットワークの過学習を抑えるための具体的な手法である。ドロップアウトは学習時に一部のノードを無効化し、特定のノードに依存しすぎることを抑える。選択肢を判断するときは、対象がニューラルネットワークか、目的が過学習の抑制か、学習時に行う操作かを確認する。特徴量はデータを表す変数、探索は解を探す手法、クラスタリングはラベルなしデータをまとめる教師なし学習であり、いずれもこの3条件を満たさない。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「弱いAI（ANI）」である。画像認識や将棋のように、能力を発揮する領域や課題が限定されているAIを弱いAI（ANI）と呼ぶ。この問題では、AIができる処理の内容ではなく、対応できる課題の範囲を問うている。強いAI（AGI）は人間のように幅広い課題へ汎用的に対応する区分なので、範囲の広さが反対である。特徴量はデータの特徴を表す変数、エキスパートシステムは専門知識をルール化した仕組みであり、どちらも能力範囲によるAIの区分ではない。「特定」か「幅広い」かを最初に読むと判断できる。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIの種類）

正解は「エキスパートシステム」である。第二次AIブームという時期と、専門家の知識をルールとして取り込み推論するという仕組みの両方が、エキスパートシステムを示している。AIブームの問題では時期だけで選ばず、中心となった技術や知識の持たせ方も照合する。探索と推論は第一次AIブームの中心であり、ディープラーニングとビッグデータは第三次AIブームを支えた要素である。エキスパートシステムは専門知識を人がルール化するため、問題文の「専門家の知識」「ルール」「推論」という3語を一まとまりで判断する。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIの歴史）

正解は「ディープラーニングとビッグデータ」である。第三次AIブームを支えた中心要素は、大量のデータであるビッグデータと、そのデータを活用するディープラーニングの発展である。ここではAIに関係する語を選ぶだけでは足りず、各選択肢を対応する時代へ割り当てる。探索と推論は第一次AIブーム、専門知識をルール化するエキスパートシステムは第二次AIブームの中心である。人間が規則を記述するルールベースも、データから特徴を学習する第三次AIブームの中心要素とは異なる。時代と技術の組合せで判断する。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIの歴史）

正解は「転移学習」である。問題文には、ある課題ですでに学習したモデルや知識があり、それを別の関連する課題の学習へ応用するという移動方向が示されている。このように、学習済みの知識を関連課題へ活かす手法が転移学習である。強化学習は報酬を手がかりに行動を改善する枠組み、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手法、過学習は未知データへの精度が下がる現象である。知識の出発元と応用先が別課題であるかを確認すれば、現象や対策と区別できる。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「AIは認識や判断など知能の働きを担う部分を指し、必ずしも物理的な身体を必要としない。一方ロボットは身体（機械）を持ち、AIがその制御に使われることもある」である。AIは認識・判断など知能の働きを担う部分で、必ずしも物理的な身体を持つ必要はなく、ソフトウェアとして機能することも多い。一方ロボットは身体（機械）を持つ存在で、その制御にAIが使われることもある。誤答の一つはAIとロボットの説明が逆。別の誤答は両者を同一視しており誤り。別の誤答は身体を持たないAI（ソフトウェアとして動くAI）が存在するため誤り。 AIとロボットは機能と実体で切り分ける。AIは認識・判断などを担うソフトウェアとして身体なしでも動作できる。ロボットはセンサーや駆動部を備えた機械であり、制御へAIを組み込む場合はあるが、両者は同義でも包含関係が必須でもない。

https://guga.or.jp/assets/syllabus.pdf （第1章 AI（人工知能）の定義）

正解は「学習済みモデル」である。設問は、大量のデータを使う訓練が終わった後に、新しいデータを受け取って予測や分類を行うものの名称を問うている。この一連の処理を実行する成果物が学習済みモデルである。クラスタリングはラベルのないデータを似たまとまりに分ける学習手法、ルールベースは人間が記述した規則に従う方式、特徴量は予測や分類の材料になる変数を指す。したがって、手法・方式・入力材料ではなく、訓練後に推論を担うものを選ぶ。問題文の「訓練を終え」「新しいデータに対して」という時間順序を押さえると、学習済みモデルへ絞れる。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「半教師あり学習」である。設問の決め手は、ラベル付きデータとラベルなしデータの両方を使い、しかも前者は少量、後者は大量という構成にある。この組み合わせで学習するのが半教師あり学習である。教師あり学習は正解ラベル付きデータを用い、教師なし学習は正解ラベルのないデータから構造を捉える。強化学習はラベルの有無ではなく、報酬を手がかりに行動を改善する枠組みである。選択肢を名称だけで判断せず、「ラベル付きだけ」「ラベルなしだけ」「両方」「報酬」の四つに整理するとよい。設問は両方のデータを併用するため、半教師あり学習に一致する。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「次元削減」である。設問は、データ件数を減らすのではなく、多数ある特徴、すなわち変数の数を少なくまとめる操作を問うている。重要な情報をできるだけ保ちながら特徴数を減らす手法が次元削減であり、教師なし学習の代表例に含まれる。クラスタリングも教師なし学習だが、こちらは特徴数ではなく、似たデータをグループへ分ける。過学習は訓練データへ適合しすぎる現象、転移学習は学習済みの知識を別の課題へ活かす手法である。「何の数を変えるか」に注目し、変数を少数へまとめる記述なら次元削減、データを群へ分ける記述ならクラスタリングと見分ける。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「ニューラルネットワーク」である。問題文は、脳の神経細胞に対応する人工ニューロン（ノード）を多数つなぎ、結合を通じて情報を処理するモデル構造を説明している。このモデルがニューラルネットワークであり、ノード間の結合の強さは重みで表される。エキスパートシステムは専門知識を人がルールとして組み込む仕組み、クラスタリングは似たデータをまとめる教師なし学習の手法、強化学習は報酬に基づいて行動を改善する枠組みである。設問が問うのは学習手法の分類ではなく、ノードを接続したモデルの名称である。「ニューロン」「シナプス」「多数つなぐ」の組み合わせからニューラルネットワークを選ぶ。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「正則化」である。設問には、モデルの複雑さへ制約、すなわちペナルティを加えることと、その目的が過学習の抑制であることの二つが示されている。この条件に一致する手法の総称が正則化である。クラスタリングは似たデータをまとめる教師なし学習、半教師あり学習はラベル付きとラベルなしのデータを併用する学習、転移学習は学習済みの知識を別課題へ活かす手法である。これらはデータの扱い方や知識の利用方法を表すが、モデルの複雑さにペナルティを加える操作ではない。「制約」「ペナルティ」「過学習を抑える」がそろったら正則化と判断する。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「ノーフリーランチ定理」である。問題文の核心は、あらゆる問題に対して常に最良となる万能の機械学習アルゴリズムは存在しない、という主張である。これを表すのがノーフリーランチ定理であり、問題に応じて適切な手法を選ぶ必要があることにつながる。AI効果は、AIが実現した成果を仕組みが分かると知能ではないとみなす傾向を指す。2045年問題はシンギュラリティの到来時期に関する話題、転移学習は学習済み知識を別課題へ活かす手法である。設問が心理的傾向・時期・学習方法ではなく、アルゴリズム全般の限界を述べている点から判断する。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIに知能をもたらす仕組み）

正解は「AIの4つのレベル」である。設問は、AIを仕組みや能力の高度さに応じて四段階に分類する考え方の名称を問うている。したがって、分類数と分類軸の両方が一致するAIの4つのレベルを選ぶ。弱いAI（ANI）と強いAI（AGI）は、対応できる課題の広さによる二つの区分であり、四段階ではない。ノーフリーランチ定理は万能のアルゴリズムが存在しないという考え方、AIの冬はAIへの期待がしぼみ研究が停滞した時期を指す。選択肢にAI関連語が並んでいても、「4つ」「段階」「高度さ」という三条件を保ち、区分・定理・時期を除外する。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIの種類）

正解は「探索」である。問題文には、第一次AIブームという時代と、迷路やパズルで考えられる選択肢を順にたどってゴールへの道筋を見つける処理が示されている。この処理が探索であり、当時は探索と推論が中心だった。エキスパートシステムは専門知識をルールとして扱う第二次AIブームの仕組み、ディープラーニングは第三次AIブームを支えた技術である。クラスタリングは似たデータをまとめる教師なし学習であり、ゴールまでの候補をたどる処理ではない。時代だけでなく動作にも注目し、「選択肢を順にたどる」「道筋を見つける」から探索へ結び付ける。

https://guga.or.jp/assets/syllabus.pdf （第1章 AIの歴史）

正解は「ヴァーナー・ヴィンジ」である。シンギュラリティ（技術的特異点）は、AIが人間の知能を超え、社会に不可逆的な変化をもたらすとされる概念であり、これを論じた人物としてヴァーナー・ヴィンジが知られる。レイ・カーツワイルは2045年の到来を予測した人物として区別する。選択肢では、ヴァーナー・ヴィンジだけが人物名である。ダートマス会議はAIという言葉が初めて使われた会議、AI効果はAIの成果を知能ではないとみなす傾向、ノーフリーランチ定理は万能アルゴリズムが存在しないという考え方を指す。設問が「人物」を尋ねているため、会議・現象・定理を先に除外すると判断できる。

https://guga.or.jp/assets/syllabus.pdf （第1章 シンギュラリティ（技術的特異点）

正解は「重み」である。ニューラルネットワークでは、ある人工ニューロン（ノード）から次のノードへ信号を伝える際の結合の強さを数値で表し、学習を通じてその値を調整する。この数値が重みであり、入力された情報をどの程度強く扱うかに関わる。シナプスは脳の神経細胞同士の結合部位を指す生体側の語で、人工ニューロン間で調整される数値の名称ではない。特徴量はモデルへ渡すデータの特徴を表す変数、正則化はモデルの複雑さへ制約を加えて過学習を抑える手法である。「結合の強さ」「学習で値を調整」という二条件から重みを選ぶ。

https://guga.or.jp/assets/syllabus.pdf （第1章 AI（人工知能） AIに知能をもたらす仕組み）

正解は「特徴量」である。特徴量は、対象となるデータの中から予測や分類に役立つ性質を数値として取り出したものであり、問題文の定義とそのまま一致する。学習済みモデルは訓練を終えて推論できるようになったモデルそのものであり、性質を取り出す対象ではなく学習の結果得られる仕組みを指す。クラスタリングは似たデータをグループに分ける教師なし学習の手法であり、性質を数値化する操作ではなく分類のための手法そのものである。潜在ベクトルはデータを圧縮して得られる内部表現であり、人が予測・分類のために着目する性質を直接取り出したものではない。この3つはいずれも「データから取り出した性質の数値」そのものを指す語ではなく、特徴量とは役割が異なる。

https://guga.or.jp/assets/syllabus.pdf （第1章 AI（人工知能） AIの種類）

正解は「AI効果」である。AI効果は、AIが達成した技術の仕組みが分かると「これは単なる自動処理であって知能とは呼べない」とみなし、成果を認めなくなる心理的傾向を指す。ノーフリーランチ定理はあらゆる問題に万能なアルゴリズムは存在しないという理論上の考え方であり、人の受け止め方を表す語ではない。AIの冬はAIブームへの期待が萎んで研究開発が停滞した時期を指す歴史的な区分であり、仕組みが分かった後の心理的傾向そのものではない。シンギュラリティはAIが人間の知能を超え社会に不可逆的な変化をもたらすとされる将来の概念であり、AIの成果を過小評価する傾向とは逆方向の話にあたる。

https://guga.or.jp/assets/syllabus.pdf （第1章 AI（人工知能） シンギュラリティ（技術的特異点））

正解は「教師あり学習」である。教師あり学習は、あらかじめ正解（ラベル）が与えられたデータを用いて、入力と正解の対応関係を学習する手法であり、問題文の条件とそのまま一致する。教師なし学習は正解ラベルを使わずデータの構造を見つける手法で、クラスタリングはその代表例にあたり、いずれもラベルとの対応学習ではない。強化学習は行動の結果として得られる報酬を手がかりに行動を最適化する枠組みであり、あらかじめ与えられた正解ラベルとの対応を学習する手法ではない。これら3つはいずれも「入力とラベルの対応関係」そのものを学習する手法ではなく、教師あり学習とは前提となるデータの与え方が異なる。

https://guga.or.jp/assets/syllabus.pdf （第1章 AI（人工知能） AIに知能をもたらす仕組み）

正解は「強化学習」である。強化学習は、明確な正解データを与える代わりに、行動の結果として得られる報酬を手がかりに、より多くの報酬を得られる行動を試行錯誤しながら学習する手法であり、問題文の条件とそのまま一致する。教師あり学習は正解ラベルとの対応関係を学ぶ手法であり、問題文が「正解データを与える代わりに」と明示的に除外している側にあたる。次元削減はデータの特徴の数をまとめて圧縮する教師なし学習の手法であり、転移学習はある課題で学習済みの知識を別の課題に活かす手法であり、いずれも報酬を手がかりにした試行錯誤の学習方式とは異なる仕組みである。

https://guga.or.jp/assets/syllabus.pdf （第1章 AI（人工知能） AIに知能をもたらす仕組み）

正解は「ディープラーニング」である。ディープラーニングは、脳の神経回路を模したネットワークの層を深く重ねることで、画像認識など複雑なパターンの認識を可能にした技術であり、第三次AIブームを支えた中心技術の一つである。ルールベースは人間があらかじめ規則を記述する方式であり、エキスパートシステムは専門知識をルール化した第二次AIブームの仕組みであり、いずれも人間が規則を書く方式でありデータから層を重ねて学習する構造ではない。クラスタリングは似たデータをグループ分けする教師なし学習の手法であり、ネットワークの層を深く重ねる構造を前提にする語ではない。

https://guga.or.jp/assets/syllabus.pdf （第1章 AI（人工知能） AIに知能をもたらす仕組み）

正解は「人工ニューロン（ノード）」である。人工ニューロン（ノード）は、脳の神経細胞を模し、複数の入力を受け取ってそれらを処理し、次へ出力する、ニューラルネットワークを構成する最小単位である。シナプスは脳の神経細胞どうしの結合部位を指す生体側の用語であり、入力を受け取り処理して出力する処理単位ではない。特徴量はデータの特徴を数値として表す変数であり、潜在ベクトルはデータを圧縮した表現であり、いずれも複数の入力を処理して出力するネットワークの構成単位そのものではなく、データに関する数値表現を指す語である。

https://guga.or.jp/assets/syllabus.pdf （第1章 AI（人工知能） AIに知能をもたらす仕組み）

正解は「強いAI（AGI）」である。強いAI（AGI）は、特定の作業だけでなく人間のように分野を限定せず幅広い課題へ柔軟に対応できる、汎用的な能力を持つとされるAIである。弱いAI（ANI）は画像認識や将棋など特定の領域に特化したAIであり、問題文が対比する対極の概念にあたる。エキスパートシステムは専門知識をルール化した特定分野向けの仕組みであり、学習済みモデルは訓練を終えたモデルそのものを指す語であり、いずれも分野を限定しない汎用性を表す語ではない。

https://guga.or.jp/assets/syllabus.pdf （第1章 AI（人工知能） AIの種類）

正解は「ルールベース」である。ルールベースは、データから規則性を学ばせる代わりに、人間が「この条件のときはこう動く」という規則をあらかじめ細かく記述しておくことでAIを機能させる方式である。機械学習はデータから規則性やパターンを自ら学習する仕組みであり、問題文が「データから規則性を学ばせるのではなく」と明示的に除外している側にあたる。強化学習は報酬を手がかりに行動を学習する枠組みであり、転移学習は学習済みの知識を別課題に活かす手法であり、いずれも人間が規則を記述する方式ではなくデータや経験から学ぶ枠組みである。

https://guga.or.jp/assets/syllabus.pdf （第1章 AI（人工知能） AIに知能をもたらす仕組み）

正解は「AIの冬」である。AIの冬は、AIへの過度な期待が満たされず、研究資金や社会的な関心が大きく落ち込んで研究開発が停滞してしまった時期を指す。第二次AIブームはエキスパートシステムを中心に盛り上がった時期であり、第三次AIブームはディープラーニングとビッグデータに支えられ現在まで続く時期であり、いずれも問題文が指す停滞期とは逆に期待が高まった時期にあたる。ビッグデータは第三次ブームを支えた大量のデータそのものを指す語であり、研究開発が停滞した時代区分を表す語ではない。

https://guga.or.jp/assets/syllabus.pdf （第1章 AI（人工知能） AIの歴史）

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「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「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「n-gramモデル」である。設問は「ニューラルネットワークを使わず」「直前に現れた数語の並び」「次に来る単語の出現確率を統計的に求める」という3条件を示しており、これは連続するN個の単語の並びから次の単語の出現確率を計算する初期の言語モデルであるn-gramモデルの特徴と一致する。「ニューラル言語モデル」はn-gramモデルの後に登場したニューラルネットワークを用いる方式であり、「使わず」という条件と正反対である。「LLM（大規模言語モデル）」は大量のテキストで学習した大規模な言語モデルを指し、数語の並びだけを統計的に扱う初期モデルより後の規模の大きな概念である。「プロンプトエンジニアリング」は指示の与え方を工夫する取り組みであり、言語モデルの方式そのものを指す語ではない。

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

正解は「ニューラル言語モデル」である。設問は「n-gramモデルの後に登場した」「ニューラルネットワークを用いて」「単語の並びや次の単語の予測を行う」という条件を示しており、これはn-gramモデルの次の世代としてニューラルネットワークで次の単語を予測するニューラル言語モデルの特徴と一致する。「n-gramモデル」はニューラルネットワークを使わず統計的に単語の並びを扱う初期モデルであり、「後に登場した」「ニューラルネットワークを用いて」という条件のいずれにも反する。「ルールベース」は人間があらかじめ規則を記述し、その規則に従って処理する方式であり、データから単語の並びを学習する言語モデルではない。「クラスタリング」は正解ラベルを使わずデータ自体に潜むまとまりを見つける教師なし学習の手法であり、次の単語を予測する言語モデルではない。

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

正解は「第一次＝探索と推論、第二次＝エキスパートシステム、第三次＝ディープラーニングとビッグデータ」である。AIのブームと中心技術の対応は、第一次＝探索と推論（迷路やパズルを解く）、第二次＝エキスパートシステム（専門知識をルール化）、第三次＝ディープラーニングとビッグデータ、である。各ブームの間には期待が満たされず停滞した「AIの冬」があった。順序を入れ替えた他の選択肢は誤り。 三つの技術を個別暗記ではなく年代順に並べる。第一次は探索と推論、第二次は専門知識をルール化するエキスパートシステム、第三次はビッグデータを背景にしたディープラーニングである。三要素のうち一つでも順序が入れ替わる選択肢は除外する。 三つの技術をばらばらに覚えるのではなく、ルール以前の探索、知識のルール化、データ駆動の学習という発展順で固定する。

https://guga.or.jp/assets/syllabus.pdf （シラバス）

正解は「特定領域に限定して働く特化型AIは弱いAI（ANI）に、領域を限定せず幅広く対応する汎用AIは強いAI（AGI）に対応させて語られることが多い」である。特定の領域に限定して能力を発揮する特化型AIは弱いAI（ANI）に、領域を限定せず人間のように幅広い課題へ対応できる汎用AIは強いAI（AGI）に対応させて語られることが多い。現在実用化されているのは特化型（弱いAI）にあたる。強弱を逆にした説明や、ハードウェアの分類とする説明は誤り。4語を個別に暗記するだけでなく、「対象領域が限定される側」と「幅広い課題へ対応する側」の2組へ整理する。特化型と弱いAI、汎用AIと強いAIの対応を逆転させないことが判断の中心になる。

https://guga.or.jp/assets/syllabus.pdf （シラバス）

正解は「n-gramモデル → ニューラル言語モデル → 大規模言語モデル（LLM）」である。言語モデルは、ニューラルネットワークを使わず直前の数語から次の単語の確率を統計的に求めるn-gramモデルから始まり、ニューラルネットワークを用いるニューラル言語モデルを経て、大量のテキストで学習する大規模言語モデル（LLM）へと発展してきた。順序を入れ替えた他の選択肢は誤り。 各モデルの前提技術で年代を並べる。n-gramは直前の語列の頻度に基づく統計モデル、ニューラル言語モデルはニューラルネットワークで表現を学習し、LLMは大規模データ・パラメータへ拡張された言語モデルである。この依存関係を逆転させない。

https://guga.or.jp/assets/syllabus.pdf （シラバス）

正解は「翻訳アプリは物理的な身体を持たなくても、認識や判断を担うAIとして機能しうる。一方、ロボットは身体を持つ機械であり、その制御にAIが使われることがある」である。AIは認識・判断など知能の働きを担う仕組みであり、物理的な身体を持たないソフトウェアとしても機能する。一方、ロボットは身体を持つ機械であり、移動や作業の制御にAIが使われることがある。AIとロボットを同一視したり、AIに必ず身体が必要だとする説明は誤り。 翻訳アプリと搬送ロボットを、知能機能と物理的身体で切り分ける。AIは認識・判断をソフトウェアとして実現でき、手足や車輪は必須ではない。ロボットは機械として身体を持ち、その認識・制御へAIを組み込む場合がある。

https://guga.or.jp/assets/syllabus.pdf （シラバス）