生成AIパスポート 領域1「生成AIの技術」の練習問題10問です。LLM・Transformer・学習方法・モデル動向の理解度を確認できます。解けなかった問題は、各問の解説末尾のリンクから対応する解説記事に進んでください。
Q1. LLM（Large Language Model）の説明として、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
LLM は Large Language Model（大規模言語モデル） の略です。インターネット上の文章や書籍などの膨大なテキストデータで学習し、人間のように自然な文章を生成・理解できる AI モデルを指します。ChatGPT や Claude などの会話型 AI は、いずれも LLM を中核に動いています。
A は画像認識で使われるモデル（CNN など）の説明、C は時系列予測のモデルの説明で、いずれも LLM ではありません。
Q2. Transformer の基本的な特徴として、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
Transformer は、2017年に Google の研究者が発表した深層学習のモデル構造で、Attention（注意機構） によって文章中の単語同士の関係性を効率よく学習できる点が大きな特徴です。LLM のほとんどは、この Transformer を土台にして作られています。
A は RNN（再帰型ニューラルネットワーク）に近い説明、B は強化学習の文脈で、いずれも Transformer の説明ではありません。
Q3. 「事前学習」と「ファインチューニング」の関係として、もっとも適切なものはどれですか？
回答
解説
正解は「D」です。
事前学習（pre-training） は、大量のテキストデータから言語の汎用的な知識やパターンを学ぶ段階です。ここで土台が出来上がります。ファインチューニング（fine-tuning） は、その事前学習済みモデルに、特定のタスクやドメイン（例: 医療文書の要約、カスタマーサポート対応など）のデータを追加で学習させて、目的に合わせて性能を引き上げる段階です。
「料理のレシピ」にたとえると、事前学習は基本の調理技術を身につける段階、ファインチューニングは「和食専門店」「カフェ向け」など特定の料理ジャンルに合わせて応用する段階に近いイメージです。
A / B / C はいずれも事前学習・ファインチューニングの本来の定義から外れています。
Q4. Foundation Model（基盤モデル）の特徴として、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
Foundation Model（基盤モデル）は、Stanford 大学の研究者らが 2021 年に提唱した呼び方で、大規模で多様なデータから事前学習され、ファインチューニングやプロンプト指示によって、文章生成・要約・翻訳・画像生成など幅広い下流タスクに転用できる 汎用モデルを指します。LLM（GPT 系・Claude 系など）や、画像生成モデルの一部も Foundation Model に位置づけられます。
B / C はそれぞれ「タスク専用モデル」「ルールベースシステム」の説明で、Foundation Model とは別物です。
Q5. 「マルチモーダル AI」を表す説明として、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
マルチモーダル AI は、テキストだけでなく、画像・音声・動画など、複数の種類（モダリティ）のデータをまとめて扱える AI を指します。たとえば、写真をアップロードして「これは何？」と質問すると、画像とテキストを同時に理解して答えを返す ChatGPT の画像入力機能は、マルチモーダルの一例です。
A は「多言語学習」、C は「アンサンブル学習」に近い説明で、いずれもマルチモーダルの定義ではありません。
Q6. 生成AI モデルにおける「スケーリング則（Scaling Law）」の説明として、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
スケーリング則 は、深層学習のモデルにおいて、パラメータ数・学習データ量・計算量を増やしていくと、それに応じてモデルの性能（誤差の下がり方など）が一定の傾向で向上する という経験則です。LLM が急速に進化してきた背景には、このスケーリング則に従ってモデルを大きくし続けてきた歴史があります。一方で、スケールに対する伸びは無限ではなく、データ品質や学習方法など他の要因も性能に影響することが分かってきています。
A / B はスケーリング則の説明としては不正確です。
Q7. 画像生成 AI でよく使われる「拡散モデル（Diffusion Model）」の仕組みとして、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
拡散モデル は、もとの画像データに対して 少しずつノイズを加えて完全なノイズにしていく過程 を学習し、その学習結果を使って 逆方向にノイズを取り除いていく ことで、ノイズから画像を生成する仕組みです。Stable Diffusion・DALL-E などの画像生成 AI の多くが、この拡散モデルをベースにしています。
B は古典的な記号処理の話に近く、C は検索エンジンの動作で、いずれも拡散モデルの仕組みではありません。
Q8. Transformer で使われる「Attention（注意機構）」の役割として、もっとも適切なものはどれですか？
回答
解説
正解は「B」です。
Attention（注意機構） は、入力された文章の中で どの単語が他のどの単語と関係が深いか に重みを付けて計算する仕組みです。たとえば「彼は本を読んだ。それは面白かった。」という文では、「それ」が「本」を指していることに高い重みが付くように学習します。これにより、離れた位置にある単語同士の関係も捉えやすくなり、Transformer ベースの LLM の文脈理解の土台になっています。
A は学習率スケジューラ、C はキャッシュ機構に近い説明で、いずれも Attention の役割ではありません。
Q9. 「Few-Shot Learning（少数事例学習）」の説明として、もっとも適切なものはどれですか？
回答
解説
正解は「C」です。
Few-Shot Learning（少数事例学習） は、プロンプト内に 数個（few）の入出力例 を示すことで、追加学習なしにモデルにタスクの解き方を伝える手法です。LLM の文脈では、プロンプトの中で「入力：◯◯ → 出力：◯◯」という例をいくつか並べて見せると、未知の入力にも同じ形式で答えを返してくれます。例ゼロ個は Zero-Shot、1個は One-Shot と呼ばれます。
A はルールベースシステム、B は通常の事前学習に近い説明で、いずれも Few-Shot Learning の定義ではありません。
Q10. 「AGI（Artificial General Intelligence）」の説明として、もっとも適切なものはどれですか？
回答
解説
正解は「A」です。
AGI（Artificial General Intelligence・汎用人工知能） は、特定のタスクに限らず、人間と同等に幅広い知的作業を行えると想定される AI を指す概念です。現在の生成AI は特定の領域では人間に匹敵する性能を出しますが、未知の状況への対応力や自律的な学習という点ではまだ AGI には達していないとされます。さらにその先、人間の知能を大きく超えると想定される段階を ASI（Artificial Super Intelligence・人工超知能） と呼びます。
B は特化型 AI（Narrow AI）の説明、C は半導体設計の話で、いずれも AGI の定義ではありません。
試験全体の流れを俯瞰したい時は、生成AIパスポートとは？初心者向けに試験範囲と合格率を解説 に戻れます。