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「AI効果」です。AI効果は、AIで実現された技術が仕組みとして理解されると、AIではなく単なる自動化として見なされやすくなる傾向を指す。AIが人間の知能を超える転換点とされるシンギュラリティや、その到来時期に関する2045年問題とは対象が異なる。設問では、技術の能力や歴史ではなく、実現済みの技術を社会がどう呼ぶかという評価の変化を問うている。将来の能力を予測しているのか、実現済みの技術への見方を説明しているのかを先に分ける。用語名だけで選ばず、説明の主語が社会の評価か、AIの能力かを照合する。

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「最初は基盤モデルを凍結して新しい分類層を学習し、収束後に基盤モデル上位層の一部を解凍して低い学習率で共同学習する」です。TensorFlow公式チュートリアルが示す代表的な手順では、feature extractionで事前学習済みの基盤モデルを凍結し、新しいタスク用の分類層を先に学習する。その後、任意のfine-tuning段階で基盤モデルの上位層の一部を解凍し、新しい分類層とともに低い学習率で調整する。重みを捨てる手順は知識の再利用にならず、全層を大きく更新すると事前学習済み特徴を損なうおそれがある。プロンプト例示はパラメータ更新を伴わないためfine-tuningではない。

https://www.tensorflow.org/tutorials/images/transfer_learning （Transfer learning and fine-tuning）

正解は「需要予測のデータと評価指標で複数候補を比較し、その問題の性質に合うアルゴリズムを選ぶ」です。ノーフリーランチ定理は、すべての問題へ一様に平均すれば一つの最適化アルゴリズムだけが常に優れるわけではなく、ある問題群での優位が別の問題群での不利と対応し得ることを示す。したがって、画像分類での成績だけから需要予測でも万能だと断定せず、対象問題のデータ・目的・評価指標へ照らして候補を比較する。個々の問題で常に同じ性能になるという意味でも、問題知識を使えないという意味でもない。

https://doi.org/10.1109/4235.585893 （No Free Lunch Theorems for Optimization原論文）

正解は「5」です。人工ニューロンでは、各入力と対応する重みの積を足した重み付き和に、さらにバイアスを加えた値を活性化関数へ渡す。この設問では重み付き和が(2×3)+(-1×2)=6-2=4で、バイアス1を加えると5になる。7はx2の項を落として1+6だけを計算した値、3はバイアスを加えずに6-2から1を引いた値である。-1は入力x2そのものを選んだ値で、重み付き和にバイアスを加えた値ではない。入力値と重みの積を先に合計し、最後にバイアスを一度加えることが判断の要点である。

https://developers.google.com/machine-learning/glossary/fundamentals （weighted sum）

正解は「0.50」です。0から1へのmin-max正規化では、対象値から最小値を引き、元の値域で割る。この場合、分子は30-10＝20、分母は50-10＝40なので、20÷40＝0.50となる。0.25は最小値10を値域40で割った値で、対象値30から最小値を引く工程を反映していない。0.75は30を値域40で割り、最小値の移動を省いた値である。30は変換前の画素値をそのまま残している。最小値10は0、最大値50は1へ写り、その中間にある30が0.5へ写ることからも検算できる。正規化は画像の寸法を変えるリサイズとは異なり、ここでは画素値の尺度をそろえる処理である。

https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html （MinMaxScaler）

正解は「300ピクセル」です。横幅は800から400へ半分になっているため、縦横比を保つには高さにも同じ倍率400÷800＝0.5を掛ける。600×0.5＝300なので、リサイズ後は横400・縦300となる。200は新しい横幅400をさらに半分にした値で、元画像の縦横比800:600＝4:3を保たない。400は縦横を同じ長さにして正方形へ変形する値、600は高さだけを変えずに残すため横方向だけが縮み、画像が歪む。元の比800/600＝4/3と、変換後の比400/300＝4/3が一致することでも検算できる。画素値の尺度を変える正規化とは異なり、リサイズは画像の縦横寸法を変更する処理である。

https://pillow.readthedocs.io/en/stable/reference/Image.html （thumbnailの縦横比保持）

正解は「学習時は期待上50個を0にし、推論時はDropoutを適用しない」です。rate=0.25は学習時の各ステップで入力ユニットを0へ設定する頻度なので、200×0.25＝50個が期待値となり、残る期待数は150個である。実際に落ちるユニットはステップごとにランダムで、常に同じ50個へ固定されるわけではない。0にしなかった入力は1/(1-0.25)倍に調整され、入力全体の期待和を保つ。推論時はDropoutを適用せず全ユニットを使う。150個を落とす選択肢は残存率とdrop率を逆にし、推論時だけ落とす説明も学習時の正則化という役割を反転している。

https://guga.or.jp/assets/syllabus.pdf; https://www.tensorflow.org/api_docs/python/tf/keras/layers/Dropout

正解は「feature extraction時3,000個、fine-tuning時23,000個」です。feature extraction段階では基盤モデルの12万個のパラメータを凍結して重みを更新せず、新しく追加した分類層3,000個だけを学習する。次のfine-tuning段階では、分類層3,000個を引き続き学習しながら、基盤モデル上位で解凍した2万個も共同で更新するため、更新対象は3,000+20,000＝23,000個となる。12万個や12万3,000個を更新対象とする選択肢は凍結した基盤全体まで数えている。2万個だけとする選択肢は、解凍した基盤部分だけを数え、追加分類層を落としている。凍結・解凍の状態を段階ごとに分けてから合計する。

https://guga.or.jp/assets/syllabus.pdf; https://www.tensorflow.org/tutorials/images/transfer_learning

正解は「5.25」です。L2正則化で用いる複雑度は各重みの二乗和なので、2²+(-1)²+0.5²＝4+1+0.25＝5.25となる。負の重み-1も二乗すると正の1として加わる。2.25は重みをそのまま足した2-1+0.5＝1.5を二乗した値であり、各重みを個別に二乗してから足していない。3.50は重みの絶対値の和2+1+0.5で、L1型の計算に相当する。12.25は絶対値の和3.5をさらに二乗した値である。L2正則化は大きい重みほど二乗による寄与を大きくし、モデルの複雑さへペナルティを与えて過学習を抑える方向へ働く。

https://guga.or.jp/assets/syllabus.pdf; https://developers.google.com/machine-learning/crash-course/overfitting/regularization （L2 regularization）

正解は「(3, 4)」です。k-meansでは、各点を最も近いクラスタ中心へ割り当てた後、各クラスタに属する点の平均位置を新しい中心として計算する。本問ではx座標の平均が(1+3+5)÷3＝3、y座標の平均が(2+4+6)÷3＝4なので、更新後の中心は(3, 4)となる。(2, 3)は最初の2点だけを平均した値、(5, 6)は最後の1点をそのまま中心にした値、(9, 12)は各座標を合計しただけで点数3による除算をしていない。座標ごとに、クラスタ内の全点を使って算術平均を求めることが判断の要点である。

https://guga.or.jp/assets/syllabus.pdf; https://developers.google.com/machine-learning/clustering/kmeans/overview; https://developers.google.com/machine-learning/clustering/clustering-algorithms （k-meansとcentroid）

正解は「Bへ割り当てる。PからBまで1、Aまで3だから」です。PからAまでのユークリッド距離はsqrt((4-1)²+(1-1)²)=sqrt(9)=3、PからBまではsqrt((4-5)²+(1-1)²)=sqrt(1)=1である。k-meansの割り当て段階では各点を最も近いcentroidへ対応させるため、距離1のBを選ぶ。centroid自身のx座標の大小だけではなく、点Pとの差を各座標で計算する。y座標が同じでもx方向の距離3と1が異なるので同点ではない。また、中心更新は点を割り当てた後に各クラスタの平均位置を求める段階であり、割り当て前に待つ理由にはならない。

https://guga.or.jp/assets/syllabus.pdf; https://developers.google.com/machine-learning/clustering/kmeans/overview; https://developers.google.com/machine-learning/glossary/clustering （k-means割り当て）

正解は「ランダムな回転・反転は訓練セットだけに適用し、検証・テストセットには共通のリサイズや再スケーリングだけを適用する」です。TensorFlow公式のデータ拡張チュートリアルは、ランダムだが現実的な変換で訓練セットの多様性を増やす方法を示し、データ拡張は訓練セットだけに適用すると明記している。検証・テストセットには、入力形状や尺度をそろえるリサイズと再スケーリングは行うが、ランダムな拡張は行わない構成である。3セットすべてを拡張する方法と検証・テストだけを拡張する方法は、この適用範囲と逆になる。検証セットを訓練へ戻す方法は、重み更新に使わない検証データで学習中の状態を確かめる分割を失う。データ拡張の目的を「訓練例の多様性を増やすこと」と捉え、全セット共通の決定的な前処理と区別することが要点である。

https://guga.or.jp/assets/syllabus.pdf; https://www.tensorflow.org/tutorials/images/data_augmentation （データ拡張は訓練セットだけに適用）

正解は「8」です。TensorFlowのDropout層は、学習時に0へ設定しなかった入力を1/(1-rate)倍して入力全体の期待和を保つ。rate=0.25では残存率が1-0.25=0.75なので、保持された値6は6/0.75=8、同じ計算を6×(1/0.75)=6×4/3=8としても確認できる。4.5は値6へ残存率0.75を掛けた値、6は保持された入力を調整せずそのまま通した値、24は値6をdrop率0.25で割った値である。drop率と残存率を区別し、分母には0へ設定する割合0.25ではなく、残る割合0.75を使うことが判断の要点である。推論時にはDropoutを適用しないため、このスケーリング計算は学習時の保持入力についてのものである。

https://guga.or.jp/assets/syllabus.pdf; https://www.tensorflow.org/api_docs/python/tf/keras/layers/Dropout （保持入力の1/(1-rate)倍）

正解は「1.3」です。L2複雑度は重みを個別に二乗して足すため、2²+(-1)²=4+1=5である。正則化項はλ×複雑度=0.1×5=0.5となり、データ損失0.8へ加えると総損失は0.8+0.5=1.3となる。0.5は正則化項だけでデータ損失を加えていない。1.1は重みの絶対値和2+1=3を複雑度として0.8+0.1×3とした値で、L2の二乗和を使っていない。5.8は複雑度5を正則化率0.1で縮小せず、そのままデータ損失へ足した値である。複雑度、λを掛けた正則化項、データ損失との合計を三段階に分けることで、前問の二乗和だけでなく学習目的全体での位置づけを確認できる。

https://guga.or.jp/assets/syllabus.pdf; https://developers.google.com/machine-learning/crash-course/overfitting/regularization （L2複雑度と正則化率を含む損失）

正解は「A=(1,0)、B=(7,0)、PはB」です。クラスタAのcentroidは、x座標が(0+2)/2=1、y座標が0なので(1,0)となる。クラスタBは(6+8)/2=7から(7,0)となる。新しい点P=(5,0)からAのcentroidまでのユークリッド距離は|5-1|=4、Bまでは|5-7|=2なので、PはBへ割り当てる。PをAへ割り当てる選択肢は、近い方と遠い方を取り違えている。(2,0)と(8,0)は各クラスタの一方の端点を平均の代わりに採った誤り、両方を(4,0)とする選択肢はクラスタを分けず4点全体の平均を使った誤りである。k-meansでは、現在の割り当てからクラスタごとにcentroidを更新し、その更新後の各centroidへの距離で次の割り当てを判断する。全データの平均や更新前の代表点を混ぜないことが要点になる。

https://guga.or.jp/assets/syllabus.pdf; https://developers.google.com/machine-learning/clustering/kmeans/overview （centroid更新と最近傍割り当て）

正解は「高さ200ピクセル、総画素数は元の1/16倍」です。横幅の倍率は300÷1,200=1/4なので、縦横比を保つには高さにも同じ1/4を掛け、800×1/4=200ピクセルとする。元画像の総画素数は1,200×800=960,000、リサイズ後は300×200=60,000であり、60,000÷960,000=1/16となる。高さ200・総画素数1/4は辺の倍率を画素数へそのまま使った誤り、高さ800・総画素数1/4は横だけを縮めて高さを残した誤りである。高さ50・総画素数1/64は、高さへ1/4を二度掛けたため縦横比を崩している。横と縦はそれぞれ1/4になるが、総画素数では両方の倍率を掛けるため1/4×1/4=1/16になる。辺の長さと総画素数の倍率を分けることが判断軸である。

https://guga.or.jp/assets/syllabus.pdf; https://pillow.readthedocs.io/en/stable/reference/Image.html （thumbnailの縦横比保持）

正解は「1956年・人工知能（Artificial Intelligence）」である。ダートマス会議は1956年7月から8月にかけてジョン・マッカーシーが主催し、ダートマス大学で開催された学術会議で、その提案書で史上初めて「人工知能」という語が用いられた。設問は開催年と初出の語の両方を問うため、年だけ、語だけで選ばず、組み合わせ全体を照合する。1997年・2012年は会議の開催年ではなく、ディープラーニングやビッグデータは会議で初めて用いられた語としてシラバスが示すものではない。機械学習は年が合っていても、初めて用いられた語としては人工知能が正しい。

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

正解は「ロボットと呼ばれるものは、必ずAIを搭載しているため、AIとロボットは同じ意味で使われる」である。設問は誤っている説明を選ぶ形式なので、各選択肢を事実と照合する。AIは認識や判断などの知的な処理を行う仕組みであり、ロボットは物理的に動作する機械である。両者は別の概念で、ロボットがAIを搭載するとは限らず、AIが身体を持たないソフトウェアとして動くこともある。他の3つはいずれもこの区別に沿った正しい説明である。「必ず」「同じ意味」のような断定が含まれる選択肢は、例外がないかを疑って確かめる。

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

正解は「弱いAI（ANI）は性能が低い古いAIを指し、強いAI（AGI）は処理速度が速い新しいAIを指す」である。設問は誤っている説明を選ぶ形式である。弱いAIと強いAIの区別は、性能の高低や新旧、処理速度ではなく、対応できる課題の範囲にある。特定の領域に限って能力を発揮するのが弱いAI（ANI）、分野を限定せず幅広い課題に対応するとされるのが強いAI（AGI）で、現在実用化されているのは主に弱いAIである。「弱い」「強い」という語感から性能の優劣と受け取らず、課題の範囲で区別する。

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

正解は「文字数・リンクの数などが特徴量で、迷惑メールかどうかが正解ラベルである」である。特徴量は、予測や分類に役立つ性質をデータから数値として取り出したものであり、文字数やリンクの数がこれにあたる。一方、メールごとに与える「迷惑メール」「通常のメール」は、モデルが当てるべき正解のラベルである。入力として使う側が特徴量、答えとして与える側が正解ラベルと整理する。学習済みモデルは訓練を終えたモデル、重みは結合の強さ、過学習と次元削減は別の現象と手法であり、この対応には当てはまらない。

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

正解は「探索と推論、エキスパートシステム、ディープラーニングとビッグデータ」である。第一次AIブームの中心は探索と推論、第二次AIブームの中心は専門知識をルールとして扱うエキスパートシステム、現在まで続く第三次AIブームの中心はディープラーニングとビッグデータである。ブームの順番と技術を一対一で結び付け、順序が崩れた選択肢を除く。エキスパートシステムを先頭に置く選択肢や、ディープラーニングとビッグデータを先頭または中間に置く選択肢は、第一次から第三次への順序に合わない。

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

正解は「エキスパートシステムは専門家の知識を人がルールとして与え、ディープラーニングは大量のデータから規則性をコンピュータ自身が学ぶ」である。エキスパートシステムは、専門家の知識をルールとして取り込み推論を行う仕組みで、知識は人が記述して与える。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を深く重ね、大量のデータから規則性を学ぶ機械学習の手法で、第三次AIブームはビッグデータとともに支えられた。両者の違いは知識の与え方にある。与え方を逆にした選択肢、違いを速さだけとした選択肢、報酬による学習だけとした選択肢は、この違いを正しく表していない。

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

正解は「ビッグデータとは、研究への期待が下がり資金や関心が落ち込んで開発が停滞した時期を指す言葉である」である。設問は誤っている説明を選ぶ形式である。ビッグデータは大量のデータそのものを指す語で、第三次AIブームを支えた要素の一つである。期待が満たされず研究資金や関心が落ち込んだ停滞期を指すのは「AIの冬」であり、ビッグデータではない。他の3つはビッグデータとディープラーニングが第三次AIブームを支え、そのブームが第一次・第二次に続いて現在まで続いているという流れに沿った正しい説明である。時期を表す語とデータを表す語を区別する。

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

正解は「レイ・カーツワイル」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、2045年にその到来を予測した人物としてレイ・カーツワイルが知られ、これが2045年問題と呼ばれる。シンギュラリティの概念を論じた人物としてはヴァーナー・ヴィンジが知られるため、概念を論じた人物と、2045年を予測した人物を区別する。ジョン・マッカーシーはダートマス会議を主催した人物、ダートマス大学はその会議の開催地であり、いずれもシンギュラリティの時期の予測とは別の話である。

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「すでに到来した出来事として確定しており、2045年問題とは、その到来した年のことである」である。設問は誤っている説明を選ぶ形式である。シンギュラリティは、AIが人間の知能を超えて社会に不可逆的な変化をもたらすとされる概念であり、将来について論じられるものである。レイ・カーツワイルが2045年の到来を予測したことから2045年問題と呼ばれるが、これは予測であり、すでに到来した年ではない。概念を論じた人物がヴィンジ、2045年を予測した人物がカーツワイルという整理は正しい。予測や概念を、確定した出来事にすり替えた選択肢を誤りとして選ぶ。

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「この傾向をAI効果と呼び、AIの成果が当たり前になると、知能とは見なされにくくなる点を押さえる」である。AI効果は、AIが達成した技術の仕組みが明らかになると、「これは単なる自動処理であって知能とは呼べない」と見なしてAIの成果として認めなくなる傾向を指す。設問の「仕組みが分かると単なる計算と見なされる」という流れがこれに合う。AIの冬は期待が萎んで研究開発が停滞した時期、シンギュラリティはAIが人間の知能を超えるとされる将来の概念、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であり、人の受け止め方の傾向を表す語ではない。

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