出典：生成AIパスポート試験シラバス（2026年2月試験より適用）
1章：AI基礎（AI（人工知能））
AI（人工知能）
定義：人間の知的活動（認識・推論・学習など）を計算機で実現する技術領域。
出題ポイント：AI＝自我や意識と誤解させる選択肢に注意（多くは特定タスク特化）。 Source
ダートマス会議
定義：1956年に「人工知能」という概念・研究分野が提唱された会議。
出題ポイント：AI誕生の起点として出る／「チューリングテスト」と混同注意。 Source
ルールベース
定義：IF-THENなど人間が作った規則で判断を行う方式。
出題ポイント：学習しない／例外・未知ケースに弱い、という対比が頻出。 Source
機械学習
定義：データからパターンを学び、予測・分類などを行う手法。
出題ポイント：ルールを人が書くのではなく、データから学ぶ点を問われる。 Source
学習済みモデル
定義：既に学習が完了していて、推論（予測/生成）に使えるモデル。
出題ポイント：学習（training）と推論（inference）を区別させるひっかけが多い。 Source
教師あり学習
定義：入力データと正解ラベルのペアで学習する。
出題ポイント：分類・回帰の定番／「ラベルがある＝教師あり」。 Source
教師なし学習
定義：正解ラベルなしで構造や類似性を見つける学習。
出題ポイント：クラスタリング／次元削減とセットで問われやすい。 Source
クラスタリング
定義：似たデータを自動でグループ分けする手法。
出題ポイント：教師なし学習の代表／「分類（教師あり）」と混同注意。 Source
次元削減
定義：情報をなるべく保ったまま特徴量（次元）を減らす。
出題ポイント：可視化・計算負荷軽減／「特徴量を増やす」と逆なのでひっかけ注意。 Source
強化学習
定義：行動の結果として得る報酬を最大化するよう学習する。
出題ポイント：正解ラベルではなく報酬／「教師あり」との混同が定番。 Source
半教師あり学習
定義：少量のラベル付き＋大量のラベルなしデータを組み合わせて学習する。
出題ポイント：「ラベルが少ない現実」を補う発想／教師なしと混同注意。 Source
ノーフリーランチ定理
定義：あらゆる問題に万能に最良な学習アルゴリズムは存在しない、という考え。
出題ポイント：“万能AIはない”の理論的背景として問われる。 Source
ニューラルネットワーク
定義：人工ニューロン（ノード）を結合して学習するモデル。
出題ポイント：「ディープラーニング＝ニューラルネットの一種（多層）」の関係を整理。 Source
ディープラーニング（深層学習）
定義：多層のニューラルネットワークで特徴を階層的に学習する。
出題ポイント：機械学習の一分野／AI全体と同一視するひっかけ注意。 Source
重み（情報の重みづけ）
定義：ニューラルネットの結合の強さを表すパラメータ。
出題ポイント：「重み＝学習で調整される値」／“ルール”と混同させる選択肢に注意。 Source
過学習（オーバーフィッティング）
定義：学習データに適合しすぎて未知データに弱くなる現象。
出題ポイント：精度が高い＝良いとは限らないを問う。訓練/テストの差で判断。 Source
正則化
定義：モデルの複雑さを抑えて過学習を減らす工夫。
出題ポイント：過学習対策の代表として出る／「精度を上げる魔法」扱いの選択肢は×。 Source
ドロップアウト
定義：学習中に一部ノードをランダムに無効化して過学習を抑える。
出題ポイント：推論時は基本OFF（学習時のみ）というひっかけに注意。 Source
転移学習
定義：別タスクで学習済みのモデルを再利用して学習効率を上げる。
出題ポイント：学習データが少ない時に有効／「ゼロから学習」と対比で問われる。 Source
弱いAI（ANI）／強いAI（AGI）
定義：ANIは特定タスク特化、AGIは人間並みの汎用知能。
出題ポイント：現実の多くはANI／「ChatGPT＝AGI」と言い切る選択肢は罠になりやすい。 Source
シンギュラリティ（技術的特異点）／2045年問題
定義：AIが自己改良し人間知能を超える転換点とされる仮説（2045年頃説）。
出題ポイント：確定した未来ではなく仮説／人物名（ヴィンジ、カーツワイル）絡みが出やすい。 Source
2章：生成AI・モデル（生成AI）
生成AI（ジェネレーティブAI）
定義：学習データの特徴をもとに文章・画像など新しいコンテンツを生成するAI。
出題ポイント：**識別（分類）と生成（作る）**を対比で問う。 Source
自己回帰モデル
定義：これまでの系列（例：前の単語列）から次を予測して生成するモデル。
出題ポイント：文章生成の基本枠組み／「一括生成」と誤解させる記述に注意。 Source
CNN（畳み込みニューラルネットワーク）／畳み込み
定義：局所特徴を抽出する畳み込み処理を用いるネットワーク。
出題ポイント：画像系の定番／「RNNと同じ」とする選択肢は誤り。 Source
VAE（変分自己符号化器）
定義：潜在空間を学習し、そこからサンプルしてデータ生成するモデル。
出題ポイント：エンコーダ/デコーダ、潜在ベクトルとセットで出やすい。 Source
GAN（敵対的生成ネットワーク）
定義：生成器と識別器を競わせてリアルなデータ生成を学ぶ。
出題ポイント：「2つのネットワーク」構造が鍵／“教師あり”と混同させる罠に注意。 Source
RNN／LSTM
定義：系列データを扱う再帰構造のネットワーク（LSTMは長期依存に強い改良）。
出題ポイント：Transformerとの比較で出る／「LSTM＝Transformer」とするのは×。 Source
Transformer
定義：Attentionで系列内の関係を直接捉えるモデル（並列計算が得意）。
出題ポイント：RNN不要の転換点として頻出。位置エンコーディングとセット。 Source
Attention／Self-Attention
定義：入力のどこに注目すべきか重み付けする仕組み（Selfは入力内同士）。
出題ポイント：「注意＝人間の意識」ではない／あくまで計算メカニズム。 Source
位置エンコーディング
定義：Transformerに単語の順序情報を与える仕組み。
出題ポイント：Transformerは順序を自然には持たない→ここで補う、が問われる。 Source
GPTモデル
定義：Transformer系の大規模言語モデルで、主に自己回帰的に文章生成する。
出題ポイント：BERTとの違い（生成志向 vs 理解志向）を匂わせる問題に注意。 Source
BERT／MLM／NSP
定義：BERTは双方向文脈を学ぶモデル、MLMは穴埋め学習、NSPは文のつながり判定。
出題ポイント：GPTのように次単語生成が主目的ではない点がひっかけ。 Source
RLHF／アライメント
定義：人の評価を報酬として応答を調整し、人間の意図に沿うよう整える考え方。
出題ポイント：RLHF＝「人間が正解ラベルを全部与える」ではない。 Source
ファインチューニング
定義：事前学習済みモデルを特定用途データで追加学習し最適化する。
出題ポイント：転移学習との関係（転移の具体手段の一つ）を混同しない。 Source
ハルシネーション（Hallucination）
定義：もっともらしい誤情報を生成してしまう現象。
出題ポイント：“嘘をつく意図”ではなく確率的生成の副作用、が狙われる。 Source
マルチモーダル
定義：テキストに加えて画像・音声など複数種類の入出力を扱える性質。
出題ポイント：「マルチ＝複数モデル」ではなく、複数モダリティ対応という点。 Source
主要サービス名（ChatGPT / Gemini / Claude / Copilot ほか）
定義：各社の生成AIサービス／モデル群の総称・機能名。
出題ポイント：“モデル名”と“機能名/製品名”が混ざる（例：GPTs、Code Interpreter、Image Generation等）ところを整理して問われる。 Source
3章：現在の生成AI動向（RAG、AIエージェント）
ディープフェイク（深層偽造）／偽情報（ディスインフォメーション）
定義：AIで本物そっくりの偽映像等を作る技術／意図的に誤らせる情報。
出題ポイント：フェイク＝全部AIではない、の逆も出る（AIで高度化が論点）。 Source
RAG（検索拡張生成）
定義：外部文書を検索（取得）して根拠に基づき生成する仕組み。
出題ポイント：学習して覚えるのではなく、検索で参照するのが要点（ここを混同させる）。 Source
チャンク
定義：文書を検索しやすい単位に分割した断片。
出題ポイント：チャンクが大きすぎ/小さすぎ問題など“設計”の観点が出やすい。 Source
ベクタルデータベース
定義：埋め込み（ベクトル）で類似検索するためのDB。
出題ポイント：「全文検索DB」との違い（意味的類似）を狙う。 Source
AIエージェント
定義：目的達成のために計画し、ツールを使い、反復してタスク遂行するAI。
出題ポイント：“チャットで回答するだけ”との差（外部ツール利用・手順実行）が定番。 Source
MCPと外部連携
定義：外部ツールやシステムと連携して、エージェントが実作業できるようにする考え方/枠組み。
出題ポイント：MCP＝モデル性能向上ではなく、連携・実行の拡張側の話として出やすい。 Source
4章：情報リテラシー・権利・AI社会（個人情報保護、知的財産権、AI新法）
フィッシング／スミッシング／ヴィッシング
定義：偽サイト誘導、SMS悪用、音声通話悪用による詐取手口。
出題ポイント：媒体の違いで並べて問う（SMS＝スミッシング等）。 Source
ランサムウェア
定義：データを暗号化して身代金を要求するマルウェア。
出題ポイント：「ウイルス＝全部ランサム」ではない／目的（恐喝）で判別。 Source
ソーシャルエンジニアリング（スピアフィッシング/ベイト等）
定義：人の心理や行動の隙を突く攻撃。
出題ポイント：「技術的攻撃ではない」点が重要（ここを逆に書く罠）。 Source
個人情報保護法／要配慮個人情報／匿名加工情報
定義：個人データ取扱のルール／特に慎重な情報／個人を識別できない形に加工した情報。
出題ポイント：匿名加工＝“戻せない/識別できない”が前提、という理解を狙われる。 Source
マスキング
定義：一部を伏せ字・置換して情報露出を抑える方法。
出題ポイント：マスキング＝匿名加工と同じではない（再識別可能性の扱いに注意）。 Source
知的財産権（著作権・特許権・商標権・意匠権）
定義：創作・発明・ブランド等を保護する権利の総称。
出題ポイント：何を守る権利か（文章＝著作権、発明＝特許…）の対応問題が多い。 Source
肖像権／パブリシティ権
定義：本人の容貌等を無断利用されない権利／著名人の経済的価値の権利。
出題ポイント：著作権ではないのに“画像だから著作権”と誤解させる罠がある。 Source
不正競争防止法／営業秘密／限定提供データ
定義：不正な競争行為を防ぐ法律／秘密管理された有用情報／限定的に提供するデータの保護。
出題ポイント：著作権と守備範囲が違う（企業情報・データ保護）点で問われる。 Source
AI社会原則（人間中心・安全性・公平性・透明性・アカウンタビリティ等）
定義：AIを社会で適切に使うための価値基準・原則。
出題ポイント：透明性＝“全部公開”ではなく、説明可能性や責任の所在を問う文脈が多い。 Source
AIガバナンス／AIマネジメントシステム
定義：AIのリスク・責任・運用を管理する枠組み。
出題ポイント：ガバナンス＝技術より運用・組織・プロセス。ここを逆にする選択肢に注意。 Source
AI Developer / AI Provider / AI Business User
定義：開発者／提供者／利用者（事業側）の役割区分。
出題ポイント：責任分界の問題で出る。誰が何を担うか（提供・開発・利用）を整理。 Source
AI新法（人工知能関連技術の研究開発及び活用の推進に関する法律）
定義：AIの研究開発・活用を推進し、リスクも踏まえた枠組みを扱う法律（シラバスに新規追加）。
出題ポイント：EUのAI Act等と混同させる問題に注意（**日本の“AI新法”**として問われる）。 Source
5章：プロンプト・LLM運用（プロンプトエンジニアリング）
LM／LLM
定義：LMは言語モデル一般、LLMは大規模データ・多数パラメータの言語モデル。
出題ポイント：LLM＝ChatGPT“だけ”ではない／概念の大小関係を狙う。 Source
プロンプトエンジニアリング
定義：望ましい出力を得るために指示（プロンプト）を設計・改善する技術。
出題ポイント：モデルを再学習させることではない（ここ超ひっかけ）。 Source
Zero-shot／Few-shot
定義：例なしで指示する／少数例を与えて指示する。
出題ポイント：Few-shot＝学習（training）ではない。あくまで入力内の例示。 Source
n-gramモデル
定義：直前n語など局所的な並びから次を予測する古典的言語モデル。
出題ポイント：LLM以前の基礎として出る／長距離文脈が苦手、が定番。 Source
プレトレーニング
定義：大量データで汎用的能力を身につける事前学習。
出題ポイント：ファインチューニングとの順序（先に事前学習）を問われる。 Source
ハイパーパラメータ／Temperature／Top-p
定義：学習や生成の挙動を決める設定値／出力のランダム性／確率上位累積で候補を絞る方法。
出題ポイント：Temperature高い＝創造的だがブレやすい、のトレードオフがひっかけ定番。 Source
