暗記表
生成AIの暗記表149項目
生成AIの要点を、GUGA のシラバスと公表資料・法令に基づく一問一答で確かめます。。キーワードと章で絞り込み、表の行をクリックすると 要点の全文が開きます。各項目から○×一問一答へ直行できます。
149項目
| 項目(クリックで詳細) | 覚え方 | ひっかけ注意 | 問題 |
|---|---|---|---|
| ChatGPTとGPTシリーズの進化 | – | – | ○×一問一答へ |
| ChatGPTとGPTシリーズの進化 | – | – | ○×一問一答へ |
| ChatGPTとGPTシリーズの進化 | – | 「OpenAI の発表によれば、ChatGPT は、InstructGPT とは違い、人のフィードバックを使わずに学習されたモデルである」は誤り。 人のフィードバックを使っている。OpenAI の発表「Introducing ChatGPT」は、ChatGPT を InstructGPT の兄弟のモデルとし、InstructGPT と同じ手法の RLHF(人間のフィードバックによる強化学習)で学習したが、データの集め方には少し違いがあると説明している。RLHF は、人が答えを比べて「こちらが良い」と示したデータをもとに、モデルの答え方を人の好みに近づける方法。上司の添削を受け続けて答え方が磨かれた新人にたとえられる。 | ○×一問一答へ |
| ChatGPTとGPTシリーズの進化 | – | – | ○×一問一答へ |
| ChatGPTとGPTシリーズの進化 | – | 「GPT-3 の論文の評価では、GPT-3 が生成したニュース記事は、人が読めばすぐに人の書いた記事と見分けられる水準にとどまった」は誤り。 GPT-3 の論文の要旨は、GPT-3 が、人の評価者にとって人が書いた記事と見分けるのが難しいニュース記事を生成できることを示し、その社会への影響も論じている。それらしい文章を大量に作れるようになったことは、便利さと同時に、偽の記事やなりすましに悪用されるおそれも生んだ。読む側が出どころを確かめる姿勢が大事になる。 | ○×一問一答へ |
| ChatGPTとGPTシリーズの進化 | – | – | ○×一問一答へ |
| ChatGPTとGPTシリーズの進化 | – | 「InstructGPT の論文は、人のフィードバックによる調整によって、モデルが単純な間違いをしなくなったと結論づけている」は誤り。 InstructGPT の論文は、InstructGPT はまだ単純な間違いをするとしつつ、人のフィードバックによるファインチューニングは言語モデルを人の意図に合わせる有望な方向だと述べている。間違いがなくなったとは結論づけていない。指導を受けて答え方が良くなった新人でも、計算や固有名詞のうっかりミスはありうるので、確認は続ける。 | ○×一問一答へ |
| ChatGPTとGPTシリーズの進化 | – | – | ○×一問一答へ |
| ChatGPTとGPTシリーズの進化 | – | 「GPT-6 Astra は、Google DeepMind が Gemini の後継として開発した推論モデルである」は誤り。 GPT-6 Astra は OpenAI のモデルである(API のモデル ID は gpt-6-astra)。Google DeepMind のモデルは Gemini で、2026年11月時点では Gemini 4 系が案内されている。名前に似た言葉が入っていても、開発した会社は別である。モデルの話を読むときは、まず「どの会社の、どのサービスの話か」を確かめると取り違えを防げる。 | ○×一問一答へ |
| ChatGPTとGPTシリーズの進化 | – | 「2026年11月時点で、OpenAI のモデルの中で最も新しく最も高性能なものは GPT-6 Astra であり、その後継のモデルはまだ出ていない」は誤り。 OpenAI の API の変更履歴によれば、2026年11月17日に GPT-6.2 Astra が公開された。モデルの一覧は GPT-6.2 Astra を「最も高性能なモデル」とし、GPT-6 Astra はほかのモデルの欄に移っている。生成AIのモデルは数か月で入れ替わるので、名前を丸暗記するより、公式の一覧で「いまの最新はどれか」を確かめる習慣が大事である。 | ○×一問一答へ |
| ChatGPTとGPTシリーズの進化 | – | – | ○×一問一答へ |
| ChatGPTとGPTシリーズの進化 | – | 「2026年10月に GPT-5.5 が ChatGPT のアカウントで使う Codex から退役したのにあわせて、OpenAI の API でも GPT-5.5 の提供が終わった」は誤り。 OpenAI の ChatGPT のモデルの案内は、2026年10月14日の GPT-5.5 の退役は ChatGPT でサインインした Codex の利用者が対象で、OpenAI の API と API キーで認証した Codex には影響しないとしている。API とは、プログラムからモデルを呼び出す窓口のこと。同じ会社の商品でも、店頭の販売終了とネット通販での販売は別に決まる、というのに近い。 | ○×一問一答へ |
| ChatGPTとGPTシリーズの進化 | – | – | ○×一問一答へ |
| LMとLLM・オンプレミス/オープンソースLLM | – | – | ○×一問一答へ |
| LMとLLM・オンプレミス/オープンソースLLM | – | 「大規模言語モデル(LLM)の「大規模」は、利用者の数が多いことを表し、少量の訓練データで構築した言語モデルも利用者が多ければ LLM と呼ばれる」は誤り。 LLM は、文章や単語の出現確率を扱う言語モデルを、非常に大量の訓練データを用いて構築したものと定義されている。IPA の豆知識も、LLM を非常に大規模な AI モデルとし、規模をパラメータの数で表すとしている。お店の人気(利用者の数)ではなく、仕入れた材料と厨房の大きさ(データとモデル)の話である。 | ○×一問一答へ |
| LMとLLM・オンプレミス/オープンソースLLM | – | – | ○×一問一答へ |
| LMとLLM・オンプレミス/オープンソースLLM | – | – | ○×一問一答へ |
| LMとLLM・オンプレミス/オープンソースLLM | – | – | ○×一問一答へ |
| LMとLLM・オンプレミス/オープンソースLLM | – | 「LLM を使った対話型AIは、翻訳なら翻訳用、要約なら要約用というように、用途ごとに別のモデルを用意しなければ使えない」は誤り。 IPA の豆知識は、従来の AI は用途別の使い分けが必要だったのに対し、生成AIはひとつで翻訳・要約などの複数の用途に対応できるため、しばしば汎用 AI とも言われると説明している。工具でいえば、ねじ回し・はさみ・栓抜きを別々に持ち歩く代わりに、1本で何役もこなす多機能ナイフを持つようなものである。 | ○×一問一答へ |
| LMとLLM・オンプレミス/オープンソースLLM | – | – | ○×一問一答へ |
| LMとLLM・オンプレミス/オープンソースLLM | – | 「デジタル庁のガイドラインでは、定型約款や規約への同意だけで利用できるクラウドサービス型の生成AIであっても、業務で使う場合は要機密情報を原則として自由に入力してよいとされている」は誤り。 デジタル庁のガイドライン(DS-920)は、不特定多数に提供され、定型約款や規約等への同意のみで利用できるクラウドサービス型の生成AIシステムを業務で使う場合、原則として要機密情報を取り扱わないとしている。誰でも申し込める無料のサービスに、取引先との契約書や人事の情報を貼り付けない、という考え方である。 | ○×一問一答へ |
| LMとLLM・オンプレミス/オープンソースLLM | – | – | ○×一問一答へ |
| LMとLLM・オンプレミス/オープンソースLLM | – | 「国外にサーバ装置を設置している生成AIサービスでも、日本の利用者が使う限り、データには日本の法令だけが適用される」は誤り。 デジタル庁のガイドライン(DS-920)は、国外にサーバ装置を設置している場合は現地の法令が適用され、現地の政府等による検閲や接収を受ける可能性があるとしている。使う人が日本にいても、データを預ける先が海外ならその国のルールが及びうる。サービスを選ぶときは、データがどの国で保管・処理されるかを確かめる。 | ○×一問一答へ |
| LMとLLM・オンプレミス/オープンソースLLM | – | – | ○×一問一答へ |
| LMとLLM・オンプレミス/オープンソースLLM | – | – | ○×一問一答へ |
| LMとLLM・オンプレミス/オープンソースLLM | – | 「オープンウェイトやオープンソースとして公開されている AI モデルは、誰でも自由に使えるものなので、商用で使う前にライセンスを確かめる必要はない」は誤り。 AI事業者ガイドライン(別添)は、学習済みのモデルを選ぶ際に、商用利用可能なライセンスかどうかを確かめるよう求めている。公開されているモデルにもライセンスがあり、OpenAI の gpt-oss も Apache 2.0 のライセンスで提供されている。無料で配られている写真素材にも「商用利用は不可」などの条件があるのと同じで、公開されていることと何にでも使ってよいことは別である。 | ○×一問一答へ |
| RLHF・学習データの課題・スケーリング則 | – | – | ○×一問一答へ |
| RLHF・学習データの課題・スケーリング則 | – | – | ○×一問一答へ |
| RLHF・学習データの課題・スケーリング則 | – | 「RLHF の報酬モデルは、人の評価を使わず、インターネット上の大量の文章から次のトークンを予測することで学習される」は誤り。 報酬モデルの学習に使うのは、人(ラベラー)がモデルの出力を比べてどれが好ましいかを示したデータである。次のトークンの予測は事前学習の目的である。InstructGPT の論文は、この手法が人の好みを報酬の信号として使ってモデルをファインチューニングすると述べている。採点基準を作るのに、本の続きを当てる練習ではなく、実際の上司の評価を集める、という違いである。 | ○×一問一答へ |
| RLHF・学習データの課題・スケーリング則 | – | 「InstructGPT の3段目では、報酬モデルの点数を高めるよう、正解のラベルを付けたデータによる教師あり学習だけでモデルを調整した」は誤り。 3段目は教師あり学習ではなく強化学習である。InstructGPT の論文は、教師ありで調整したモデルを、報酬モデルの報酬を最大にするよう PPO というアルゴリズムでファインチューニングしたと述べている。正解を1つ見せてまねさせる(教師あり)のではなく、何度も答えを出させて点数の高い答え方を伸ばしていく、という学び方の違いである。 | ○×一問一答へ |
| RLHF・学習データの課題・スケーリング則 | – | – | ○×一問一答へ |
| RLHF・学習データの課題・スケーリング則 | – | 「InstructGPT の論文の人による評価では、パラメータが100倍以上多い GPT-3(175B)の出力のほうが、1.3B の InstructGPT の出力より好まれた」は誤り。 結果が逆である。人による評価では、パラメータが100分の1以下(約135分の1)の 1.3B の InstructGPT の出力が、175B の GPT-3 の出力より好まれた。パラメータとはモデルの中で学習によって決まる数値のことで、その数が規模の目安になる。体格の大きい選手より、指導を受けて基本を身につけた選手のほうが試合で評価された、という結果にたとえられる。 | ○×一問一答へ |
| RLHF・学習データの課題・スケーリング則 | – | – | ○×一問一答へ |
| RLHF・学習データの課題・スケーリング則 | – | 「GPT-3 の論文は、学習データとベンチマークの試験データの重なりを、絞り込みの処理によってすべて取り除けたと報告している」は誤り。 GPT-3 の論文は、絞り込みの不具合で、見つけた重なりの一部しか学習データから取り除けなかったと述べ、ベンチマークの試験データの一部で学習していた可能性があるとしている。ベンチマークとは、性能を比べるための共通の試験問題のこと。試験問題が事前に教材に混ざっていると、本当の実力より高い点が出てしまうおそれがある。 | ○×一問一答へ |
| RLHF・学習データの課題・スケーリング則 | – | – | ○×一問一答へ |
| RLHF・学習データの課題・スケーリング則 | – | 「学習データから人種や性別などのセンシティブな属性を取り除けば、関連する情報から属性が類推されることはなく、バイアスは生じなくなる」は誤り。 AI事業者ガイドラインは潜在的なバイアスの例として、明らかなセンシティブ属性を取り除いたデータであっても、関連する情報からセンシティブ属性が類推される場合や、複数の属性の組み合わせによってバイアスが生じる場合(交差バイアス)を挙げている。採用の書類から性別の欄を消しても、部活動や名前などから性別が推し量れてしまう、といった状況にあたる。 | ○×一問一答へ |
| RLHF・学習データの課題・スケーリング則 | – | – | ○×一問一答へ |
| RLHF・学習データの課題・スケーリング則 | – | – | ○×一問一答へ |
| RLHF・学習データの課題・スケーリング則 | – | 「スケーリング則の論文は、モデルの性能を最も大きく左右するのは、ネットワークの幅や深さといった構造の細部であると結論づけた」は誤り。 論文の要旨は、ネットワークの幅や深さなどの構造の細部は、広い範囲で影響が小さいと述べている。性能を大きく左右するのは、モデルの大きさ・データセットの大きさ・計算量である。建物にたとえると、細い高層にするか太い低層にするかより、延べ床面積をどれだけ確保するかのほうが効いた、という結果である。 | ○×一問一答へ |
| RLHF・学習データの課題・スケーリング則 | – | – | ○×一問一答へ |
| Transformerと自己注意機構・派生モデルの系譜 | – | – | ○×一問一答へ |
| Transformerと自己注意機構・派生モデルの系譜 | – | 「Transformer は、RNN の再帰の仕組みを土台にし、そこへ注意機構を付け足すことで性能を高めたモデルである」は誤り。 再帰の仕組みを土台にしたのではなく、取り除いた点が新しい。論文は、それまでの有力なモデルが再帰型や畳み込み型のネットワークに注意機構を組み合わせていたのに対し、Transformer は再帰と畳み込みを使わず注意機構に基づいて組んだと述べている。RNN(再帰型ニューラルネットワーク)は、文を前から1語ずつ順に読み進めるモデルで、伝言ゲームのように前の語の情報を順に受け渡す。 | ○×一問一答へ |
| Transformerと自己注意機構・派生モデルの系譜 | – | – | ○×一問一答へ |
| Transformerと自己注意機構・派生モデルの系譜 | – | – | ○×一問一答へ |
| Transformerと自己注意機構・派生モデルの系譜 | – | 「注意の仕組みでは、Query と各 Key の適合度から重みを求め、その重みで Key を足し合わせたものを出力とする」は誤り。 重みを掛けて足し合わせるのは Key ではなく Value である。Key は Query と照らし合わせて「どれだけ注目するか」を決めるための見出しの役で、出力の材料になる中身は Value が受け持つ。図書館のたとえなら、本の見出し(Key)で読む量を決め、実際に読み取るのは本文(Value)である。 | ○×一問一答へ |
| Transformerと自己注意機構・派生モデルの系譜 | – | – | ○×一問一答へ |
| Transformerと自己注意機構・派生モデルの系譜 | – | 「Transformer は、文の先頭から1語ずつ順番に処理する必要があるため、RNN よりも並列に計算しにくい」は誤り。 説明が逆である。論文は、再帰の層は文の長さに比例した回数の順番の処理が必要だが、自己注意の層はすべての位置を一定の回数の処理でつなぐとしている。1語ずつ順に処理しなければならないのは RNN のほうである。行列に並ぶ受付窓口が1つしかない RNN に対し、Transformer は窓口をたくさん開けて同時に受け付けるイメージである。 | ○×一問一答へ |
| Transformerと自己注意機構・派生モデルの系譜 | – | – | ○×一問一答へ |
| Transformerと自己注意機構・派生モデルの系譜 | – | 「Transformer では、デコーダが入力の文を連続的な表現に変換し、エンコーダがその表現から出力の文を1語ずつ生成する」は誤り。 エンコーダとデコーダの役割が逆である。論文は、エンコーダが入力の系列を連続的な表現に対応づけ、デコーダがその表現をもとに出力の系列を1要素ずつ生成すると説明している。通訳にたとえると、エンコーダは話を聞いて中身を頭の中で整理する役、デコーダは整理した中身を別の言葉で1語ずつ話す役である。 | ○×一問一答へ |
| Transformerと自己注意機構・派生モデルの系譜 | – | – | ○×一問一答へ |
| Transformerと自己注意機構・派生モデルの系譜 | – | 「Transformer は自己注意だけで文全体を見渡せるため、入力に語の位置の情報を加える必要はない」は誤り。 論文は、再帰も畳み込みも持たないモデルで語順を使えるよう、位置の情報(位置エンコーディング)を入力に加えるとしている。自己注意は語どうしの関係を一度に見るが、そのままでは何番目の語かが分からない。「犬が人をかんだ」と「人が犬をかんだ」は同じ語でも意味が違うので、順番の情報を別に付ける必要がある。 | ○×一問一答へ |
| Transformerと自己注意機構・派生モデルの系譜 | – | 「Transformer は、画像の分類の精度を高めるために提案されたモデルで、論文でも画像認識のタスクで性能が示された」は誤り。 論文が性能を示したのは画像認識ではなく、英語からドイツ語・フランス語への機械翻訳という自然言語処理のタスクである。さらに英語の構文解析(文の組み立ての分析)にもうまく当てはまることを示した。自然言語処理とは、人が日常で使う言葉をコンピュータで扱う技術のことで、翻訳アプリやメールの自動要約もその例である。 | ○×一問一答へ |
| Transformerと自己注意機構・派生モデルの系譜 | – | – | ○×一問一答へ |
| Transformerと自己注意機構・派生モデルの系譜 | – | – | ○×一問一答へ |
| Transformerと自己注意機構・派生モデルの系譜 | – | 「BERT は、GPT と同じく、前にある語だけに注意を向ける一方向(左から右)の Transformer として事前学習するモデルである」は誤り。 一方向ではなく双方向である。BERT の論文は、BERT の構造を多層の双方向の Transformer エンコーダとし、GPT が前の語だけに注意を向ける左から右への構造だったのに対し、BERT はすべての層で左右両方の文脈を使うと述べている。双方向とは、ある語の意味を、その前と後ろの両方の語から決めること。穴あきの文の空欄を、前の文だけでなく後ろの文も読んで埋めるやり方にあたる。 | ○×一問一答へ |
| トークン化・埋め込み・確率的な次トークン予測 | – | – | ○×一問一答へ |
| トークン化・埋め込み・確率的な次トークン予測 | – | 「トークンは必ず1つの単語と一致する単位であり、単語をさらに細かく分けてトークンにすることはない」は誤り。 トークンは単語と一致するとは限らない。Transformer の論文が使ったバイトペア符号化やワードピースのように、単語より細かいサブワードの単位に区切る方法が使われる。長い社名や専門用語を、よく出てくる部品に分けて覚えると、知らない言葉にも対応しやすい。トークンは、モデルにとっての「文字と単語の間くらいの部品」と考えるとよい。 | ○×一問一答へ |
| トークン化・埋め込み・確率的な次トークン予測 | – | – | ○×一問一答へ |
| トークン化・埋め込み・確率的な次トークン予測 | – | – | ○×一問一答へ |
| トークン化・埋め込み・確率的な次トークン予測 | – | – | ○×一問一答へ |
| トークン化・埋め込み・確率的な次トークン予測 | – | 「埋め込み(Embedding)とは、トークンを数値に変えずに文字列のまま保存しておき、意味の近い文字列を辞書で探す仕組みのことである」は誤り。 埋め込みは、文字列のまま扱うのではなく、トークンや文章を数値の並び(ベクトル)に変えることである。OpenAI は埋め込みモデルを「テキストをベクトル表現に埋め込むモデル」と案内している(text-embedding-3 など)。数値にすることで、言い方が違っても意味の近い文章を見つけられる。「経費の精算方法」と「立て替えたお金の戻し方」を近い内容として探せる、といった使い方である。 | ○×一問一答へ |
| トークン化・埋め込み・確率的な次トークン予測 | – | – | ○×一問一答へ |
| トークン化・埋め込み・確率的な次トークン予測 | – | 「GPT-3 のような自己回帰型の言語モデルは、まず文章全体を一度にまとめて決め、そのあと各トークンの確率を計算する」は誤り。 自己回帰型のモデルは、文章全体を先に決めるのではなく、それまでに生成したトークンを入力に加えながら、次のトークンを1つずつ生成する。Transformer の論文はデコーダを各ステップで自己回帰的とし、GPT-3 は自己回帰型の言語モデルである。しりとりのように、前に出た語を見てから次の語を決めることを繰り返して文章ができあがる。 | ○×一問一答へ |
| トークン化・埋め込み・確率的な次トークン予測 | – | 「Transformer では、ソフトマックス関数でトークンをベクトルに変換し、埋め込みで次のトークンの予測確率を求める」は誤り。 役割が逆である。Transformer の論文は、学習した埋め込みでトークンをベクトルに変え、ソフトマックス関数でデコーダの出力を次のトークンの予測確率に変えるとしている。工場にたとえると、埋め込みは材料(言葉)を機械が扱える形に整える入口、ソフトマックスは完成品の候補に「どれを出すか」の点数を付ける出口である。 | ○×一問一答へ |
| トークン化・埋め込み・確率的な次トークン予測 | – | – | ○×一問一答へ |
| トークン化・埋め込み・確率的な次トークン予測 | – | 「生成AIは、同じ基準やポリシーで運用していれば、モデルの性質上、どの場面でも必ず同じ判断を下す」は誤り。 AI事業者ガイドライン(別添)は、AI が同じ基準やポリシーで運用されているにもかかわらず、モデルの確率的性質に起因して、場面によって異なる判断を下すことがあると指摘している。確率的とは、決まった1つの答えではなく、確率にもとづいて選ぶということ。問い合わせへの回答を自動化するなら、同じ質問に違う案内をしていないか、定期的に確かめる必要がある。 | ○×一問一答へ |
| ハルシネーション・生成パラメータ・コンテキストウィンドウ | – | – | ○×一問一答へ |
| ハルシネーション・生成パラメータ・コンテキストウィンドウ | – | 「最新の生成AIでは、ハルシネーションを完全に防ぐ方法が確立しているため、出力の事実確認は不要になっている」は誤り。 IPA の「AI利用者のためのセキュリティ豆知識」は、生成AIが出鱈目を答える現象はハルシネーションと呼ばれ、完全に防ぐ方法はまだ分かっていないとし、生成AIを知識はあっても正誤の判断ができない発展途上の新人だと思って使うよう勧めている。新人の作った資料をそのまま社外に出さないのと同じで、数字や固有名詞は元の資料で確かめる。 | ○×一問一答へ |
| ハルシネーション・生成パラメータ・コンテキストウィンドウ | – | – | ○×一問一答へ |
| ハルシネーション・生成パラメータ・コンテキストウィンドウ | – | – | ○×一問一答へ |
| ハルシネーション・生成パラメータ・コンテキストウィンドウ | – | 「RAG を使えば生成AIは必ず検索した資料どおりに答えるため、RAG を導入した後はハルシネーションが起こらなくなる」は誤り。 AI事業者ガイドラインは RAG について、ハルシネーションの「抑制」が期待されるとしているにとどまり、IPA の豆知識も、ハルシネーションを完全に防ぐ方法はまだ分かっていないとしている。規程集を手元に置いた新人でも、読み違えたり、別の条文と混ぜたりすることはある。RAG を使っても、答えと元の資料を見比べる確認は残る。 | ○×一問一答へ |
| ハルシネーション・生成パラメータ・コンテキストウィンドウ | – | – | ○×一問一答へ |
| ハルシネーション・生成パラメータ・コンテキストウィンドウ | – | 「AI事業者ガイドライン(別添)は、ハルシネーションを害しかない現象として扱い、それが発見や想像につながる面には一切触れていない」は誤り。 AI事業者ガイドライン(別添)は脚注で、画像生成AIの場合はハルシネーションによって想定と異なるものが創出されることによる発見や想像もあるとし、創薬の分野で予測精度を高めるとの研究結果にも触れている。報告書では困る「思いがけない出力」も、デザイン案の発想出しでは意外なアイデアのきっかけになる、という見方である。 | ○×一問一答へ |
| ハルシネーション・生成パラメータ・コンテキストウィンドウ | – | – | ○×一問一答へ |
| ハルシネーション・生成パラメータ・コンテキストウィンドウ | – | 「2026年11月時点の OpenAI の API の説明では、temperature の値を低くするほど、出力はよりランダムになるとされている」は誤り。 向きが逆である。OpenAI の API の説明は、temperature は0〜2で指定し、0.8 のような高い値は出力をよりランダムにし、0.2 のような低い値はより焦点の合った決定的な出力にするとしている。top_p は確率の合計が上位の一定の割合(0.1 なら上位10%分)に入る候補だけから選ぶ方法で、どちらか一方だけを変えるよう勧めている。くじ引きなら、高い temperature は出にくい札も混ぜて引き、低い temperature は出やすい札ばかり引くイメージである。 | ○×一問一答へ |
| ハルシネーション・生成パラメータ・コンテキストウィンドウ | – | 「2026年11月時点では、OpenAI の API のどのモデルでも、temperature と top_p の値を利用者が自由に設定できる」は誤り。 OpenAI の API の変更履歴(2026年9月3日)は、GPT-6 Astra が temperature や top_p の任意の値に対応していないと案内している。生成パラメータを設定できるかどうかはモデルによって違う。同じメーカーの家電でも、機種によって調整できるつまみが違うのと同じで、使うモデルの資料で確かめる必要がある。 | ○×一問一答へ |
| ハルシネーション・生成パラメータ・コンテキストウィンドウ | – | – | ○×一問一答へ |
| ハルシネーション・生成パラメータ・コンテキストウィンドウ | – | – | ○×一問一答へ |
| ハルシネーション・生成パラメータ・コンテキストウィンドウ | – | 「チャットAIへのプロンプトは、裏にあるAIモデルの種類にかかわらず、際限なく長くすることができる」は誤り。 IPA の豆知識の用語集は、プロンプトは際限なく長くできるわけではなく、チャットAIの裏にいるAIモデルによって扱える限界長(コンテキストウィンドウ長)があると説明している。長い会議の記録を何本も貼り付けると、上限を超えた分は扱えない。長い資料は分けて渡したり、要点を先にまとめたりする工夫が要る。 | ○×一問一答へ |
| ハルシネーション・生成パラメータ・コンテキストウィンドウ | – | – | ○×一問一答へ |
| ハルシネーション・生成パラメータ・コンテキストウィンドウ | – | 「コンテキストウィンドウの大きさはすべてのモデルで共通であり、モデルを選んでも一度に扱える量は変わらない」は誤り。 OpenAI のガイドは、モデルによってコンテキストウィンドウの大きさが異なるとし、モデルごとの大きさはモデルの資料で確かめるよう案内している。机の広さが部屋ごとに違うように、扱える量もモデルごとに違う。分厚い契約書をまるごと読ませたいときは、上限の大きいモデルを選ぶ、といった判断が要る。 | ○×一問一答へ |
| マルチモーダルモデルと推論モデル(推論時の計算) | – | – | ○×一問一答へ |
| マルチモーダルモデルと推論モデル(推論時の計算) | – | – | ○×一問一答へ |
| マルチモーダルモデルと推論モデル(推論時の計算) | – | 「2026年11月時点の OpenAI の GPT-6.2 Astra は、文章と画像を入力でき、出力も文章・画像・音声から選べる」は誤り。 GPT-6.2 Astra のモデルのページは、出力は文章だけとし、画像は入力のみ、音声と動画は対応していないとしている。画像を読めることと画像を作れることは別の能力である。写真を見て説明文を書くのが得意な担当者に、イラストを描いてもらえるとは限らないのと同じで、作る作業は画像のモデルに頼む。 | ○×一問一答へ |
| マルチモーダルモデルと推論モデル(推論時の計算) | – | – | ○×一問一答へ |
| マルチモーダルモデルと推論モデル(推論時の計算) | – | – | ○×一問一答へ |
| マルチモーダルモデルと推論モデル(推論時の計算) | – | – | ○×一問一答へ |
| マルチモーダルモデルと推論モデル(推論時の計算) | – | 「推論モデルの推論の強さ(reasoning effort)を上げると、考える量が減るため、応答が速くなり、使うトークンも少なくなる」は誤り。 推論の強さを上げるとモデルが考える量が増え、時間がかかりトークンも多く使う。OpenAI の案内は、軽い設定は短く範囲のはっきりした作業に、高い設定は手順・情報源・比較が多い難しい作業に向くとしている。会議の議題を決めるのに、5分で済ませるか、半日かけて資料を読み込むかの違いで、深く考えるほど時間も手間もかかる。 | ○×一問一答へ |
| マルチモーダルモデルと推論モデル(推論時の計算) | – | – | ○×一問一答へ |
| マルチモーダルモデルと推論モデル(推論時の計算) | – | 「OpenAI の案内では、推論モデルを使うときは、どの課題でも常に最も高い推論の強さを選ぶのがよいとされている」は誤り。 OpenAI の ChatGPT のモデルの案内は、既定の推論の強さから始め、計画・分析・確認が必要な課題のときに上げるよう勧め、ほとんどの課題には Max や Ultra は要らないとしている。社内の簡単な連絡にまで役員会と同じ審議をかけないのと同じで、課題の重さに合わせて考える量を選ぶ。 | ○×一問一答へ |
| マルチモーダルモデルと推論モデル(推論時の計算) | – | – | ○×一問一答へ |
| マルチモーダルモデルと推論モデル(推論時の計算) | – | 「思考の連鎖(Chain-of-Thought)のプロンプトは、途中の考えを書かせずに最終的な答えだけを出させることで、計算や推論の精度を高める方法である」は誤り。 思考の連鎖は、最終的な答えだけでなく、途中の推論の手順の連なりを生成させる方法である。Wei らの論文は、途中の手順を書いた例をプロンプトに示すことで、算数・常識・記号の推論の性能が上がったと述べている。上司に結論だけでなく「なぜそう判断したか」を順に説明させると、考えの抜けに気づきやすいのと似ている。 | ○×一問一答へ |
| マルチモーダルモデルと推論モデル(推論時の計算) | – | – | ○×一問一答へ |
| 主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot) | – | 「2026年11月時点でも、OpenAI の Operator は ChatGPT とは別の単体のサービスとして申し込み、利用することができる」は誤り。 Operator は2025年1月23日に発表されたが、2025年7月に ChatGPT agent に統合され、ChatGPT agent も ChatGPT Work に置き換えられた。2026年11月時点で Operator を単体のサービスとして使うことはできない。エージェントとは、指示を受けて複数の手順を自分で進める AI のこと。看板を掛け替えながら機能が引き継がれていった、と覚えるとよい。 | ○×一問一答へ |
| 主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot) | – | – | ○×一問一答へ |
| 主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot) | – | – | ○×一問一答へ |
| 主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot) | – | – | ○×一問一答へ |
| 主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot) | – | 「OpenAI の Codex は、文章の指示から画像を生成・編集するための OpenAI のモデルである」は誤り。 Codex は OpenAI のソフトウェア開発のためのコーディングエージェントである。文章の指示から画像を生成・編集するのは、API の画像生成(Image Generation)で使う GPT Image のモデルである。同じ OpenAI の名前が並ぶので混同しやすいが、Codex は「プログラムの担当」、GPT Image は「絵の担当」と役割で覚えるとよい。 | ○×一問一答へ |
| 主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot) | – | – | ○×一問一答へ |
| 主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot) | – | – | ○×一問一答へ |
| 主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot) | – | 「2026年11月時点で、OpenAI の API の画像生成に使う現行のモデルは DALL·E 3 である」は誤り。 OpenAI の API の変更履歴によれば、DALL·E 2 と DALL·E 3 は2026年5月12日に API から削除された。現行の画像生成は GPT Image のモデルで、2026年11月4日には GPT-Image-2.6 の新しいモデルが公開されている。古い記事で見かけた名前が、いまも使えるとは限らない。社内の手順書に古いモデル名が残っていないか見直すきっかけにもなる。 | ○×一問一答へ |
| 主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot) | – | – | ○×一問一答へ |
| 主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot) | – | 「Gemini は、Anthropic が開発した生成AIのモデルである」は誤り。 Gemini は Google(Google DeepMind)のモデルである。Anthropic のモデルは Claude である。IPA の豆知識も、チャットAIの代表例として Google 社の Gemini、Anthropic 社の Claude、OpenAI 社の ChatGPT、Microsoft 社の Copilot を挙げている。名刺の社名と人の名前を結びつけるように、サービス名と会社名を組で覚えると取り違えにくい。 | ○×一問一答へ |
| 主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot) | – | – | ○×一問一答へ |
| 主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot) | – | – | ○×一問一答へ |
| 主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot) | – | 「Microsoft の Copilot Chat(Basic)は、Microsoft Graph を通じて、メール・ファイル・会議などの組織のデータに自動で基づいて応答する」は誤り。 Microsoft Learn の概要は、Copilot Chat(Basic)は主に Web のデータを使い、Microsoft Graph 経由の組織データは使えないとしている。組織のコンテンツは、貼り付け・アップロード、Teams や Outlook で開いた内容、従量課金制のエージェントの3つの方法で使う。Graph で自動的に基づくのは Microsoft 365 Copilot。受付の案内係に、書類を手渡すか、開いて見せるか、書類庫の係を呼ぶイメージである。 | ○×一問一答へ |
| 主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot) | – | – | ○×一問一答へ |
| 主要な生成AIサービス(Operator・Codex・Gemini・Claude・Copilot) | – | 「Microsoft 365 Copilot は、組織のデータに基づいて応答するため、利用者本人がアクセスを許可されていないファイルの内容も含めて回答に使う」は誤り。 Microsoft Learn の概要は、Copilot のすべての体験が、利用者のアクセス許可によって範囲を決めたアクセス(セキュリティとコンプライアンスの適用)に支えられていると説明している。自分が開けない人事のフォルダの中身を、Copilot が代わりに読んで教えることはない。ただし、共有の設定が広すぎるとその範囲で使われるので、権限の見直しは大事である。 | ○×一問一答へ |
| 事前学習とファインチューニング(指示チューニング) | – | – | ○×一問一答へ |
| 事前学習とファインチューニング(指示チューニング) | – | 「AI事業者ガイドラインの用語の定義では、必要に応じて継続的にパラメータを調整するのが事前学習で、汎化性能を形作ってパラメータを最適化するのが事後学習とされる」は誤り。 事前学習と事後学習の説明が逆である。汎化性能を形作りパラメータを最適化するのが事前学習、必要に応じた継続的なパラメータの調整を行うのが事後学習である。研修のたとえなら、まず全員が受ける共通研修で幅広い基礎を作り(事前学習)、その後に部署ごとの追加の指導で調整する(事後学習)順番である。 | ○×一問一答へ |
| 事前学習とファインチューニング(指示チューニング) | – | – | ○×一問一答へ |
| 事前学習とファインチューニング(指示チューニング) | – | 「大規模言語モデルの事前学習の目的は、もともと「利用者の指示に役立つ形で安全に従うこと」そのものであるため、事前学習だけで指示に沿った応答が得られる」は誤り。 InstructGPT の論文は、次のトークンを予測する目的は「利用者の指示に役立つ形で安全に従う」という目的とは異なり、ずれている(misaligned)と述べている。そこで、人が書いた手本でファインチューニングするなどして指示に合わせる。文章の続きを当てるのが得意な人でも、「この報告を3行でまとめて」という頼みに素直に応じる練習は別に要る、ということである。 | ○×一問一答へ |
| 事前学習とファインチューニング(指示チューニング) | – | – | ○×一問一答へ |
| 事前学習とファインチューニング(指示チューニング) | – | – | ○×一問一答へ |
| 事前学習とファインチューニング(指示チューニング) | – | 「GPT-3 の論文は、タスクごとに大きなデータセットを新たに用意する必要がない点を、ファインチューニングの主な利点として挙げている」は誤り。 GPT-3 の論文は、それまで主流だったファインチューニングでは数千〜数十万件の正解付きの例を使うのが一般的だとし、主な欠点として、タスクごとに新しい大きなデータセットが必要になることを挙げている。データセットが要らないのではなく、要ることが欠点である。たとえば社内の問い合わせ振り分けに使うなら、過去の問い合わせと正しい振り分け先の組を大量に用意しなければならない。 | ○×一問一答へ |
| 事前学習とファインチューニング(指示チューニング) | – | – | ○×一問一答へ |
| 事前学習とファインチューニング(指示チューニング) | – | 「BERT の論文では、質問応答などのタスクごとにファインチューニングするとき、事前学習で得たパラメータは使わず、ゼロから学習し直している」は誤り。 事前学習で得たパラメータを捨てるのではなく、初めの値として使う。BERT の論文は、ファインチューニングでは事前学習済みのパラメータでモデルを初期化し、各タスクの正解付きのデータですべてのパラメータを調整すると述べ、出力の層を1つ足すだけで幅広いタスクで最高水準の結果を出したとしている。一般教養を身につけた新人を、部署ごとの短い研修で営業にも経理にも育てるイメージである。 | ○×一問一答へ |
| 事前学習とファインチューニング(指示チューニング) | – | – | ○×一問一答へ |
| 事前学習とファインチューニング(指示チューニング) | – | 「GPT-3 の論文の few-shot の設定では、いくつかの例を使ってモデルの重みを更新(ファインチューニング)してからタスクを解かせている」は誤り。 GPT-3 の論文は、すべてのタスクで重みの更新もファインチューニングも行わず、タスクと例を文章で与えるだけで評価したと述べている。few-shot は、使う時にいくつかの例を条件として与える設定である。研修をやり直すのではなく、仕事を頼むときに「たとえばこういうふうに」と見本を数件見せるだけ、という違いである。 | ○×一問一答へ |
| 事前学習とファインチューニング(指示チューニング) | – | – | ○×一問一答へ |
| 事前学習とファインチューニング(指示チューニング) | – | – | ○×一問一答へ |
| 事前学習とファインチューニング(指示チューニング) | – | 「RAG(検索拡張生成)で参照するデータソースを追加するには、通常のファインチューニングと同じく、モデルの再トレーニングが必要になる」は誤り。 AI事業者ガイドライン(別添)は、RAG では通常のファインチューニングと異なり、モデルの再トレーニングを行わずに参照するデータソースを追加できるため、コストの低減等が期待されるとしている。RAG は、答える前に社内文書などを検索して読み込む仕組み。新しい規程ができたら、新人を研修し直すのではなく、規程集のファイルに1冊足すだけでよい、という違いである。 | ○×一問一答へ |
| 拡散モデル・基盤モデル・マルチモーダルモデル | – | – | ○×一問一答へ |
| 拡散モデル・基盤モデル・マルチモーダルモデル | – | – | ○×一問一答へ |
| 拡散モデル・基盤モデル・マルチモーダルモデル | – | 「拡散モデルで学習するのは、データにノイズを加えていく拡散過程のほうであり、ノイズを取り除く逆拡散過程は学習しない固定の手順である」は誤り。 学習するものと固定のものが逆である。DDPM では、ノイズを加える拡散過程は決まった手順で固定され、ノイズを取り除く逆拡散過程の手順を学習する。ノイズを足すのは誰でもできる簡単な作業だが、乱れた画像から元の絵を取り戻すのは難しいので、そちらをモデルに練習させる、と考えると覚えやすい。 | ○×一問一答へ |
| 拡散モデル・基盤モデル・マルチモーダルモデル | – | – | ○×一問一答へ |
| 拡散モデル・基盤モデル・マルチモーダルモデル | – | 「潜在拡散モデルは、画像を圧縮せずにピクセルの空間で直接ノイズの除去を繰り返すことで、計算量を減らしながら高い解像度を実現した」は誤り。 潜在拡散モデルは、ピクセルの空間で直接ではなく、画像を圧縮した潜在空間で拡散モデルを動かす。論文は、ピクセルの空間で動く拡散モデルは学習・生成の計算が重いことを、この工夫の理由に挙げている。潜在空間とは、画像の特徴を少ない数値に詰め込んだ「要約版の空間」のことで、写真をそのまま扱うより、要点メモを扱うほうが軽いのと同じである。 | ○×一問一答へ |
| 拡散モデル・基盤モデル・マルチモーダルモデル | – | – | ○×一問一答へ |
| 拡散モデル・基盤モデル・マルチモーダルモデル | – | – | ○×一問一答へ |
| 拡散モデル・基盤モデル・マルチモーダルモデル | – | 「基盤モデルは、1つの決まったタスクだけを高い精度でこなすように作られた専用のモデルであり、ほかのタスクに合わせて派生させることは想定されていない」は誤り。 AI事業者ガイドラインは、基盤モデルを、下流の幅広いタスクに適応させた個別のモデルを生み出すコアの技術基盤としている。1つのタスク専用のモデルではない。たとえば同じ大規模言語モデルをもとに、問い合わせ対応のチャットボットにも、議事録の要約の仕組みにも仕立てられる。この「使い回せる土台」であることが基盤モデルの特徴である。 | ○×一問一答へ |
| 拡散モデル・基盤モデル・マルチモーダルモデル | – | – | ○×一問一答へ |
| 拡散モデル・基盤モデル・マルチモーダルモデル | – | – | ○×一問一答へ |
| 拡散モデル・基盤モデル・マルチモーダルモデル | – | 「モダリティとは、生成AIのモデルの大きさ(パラメータの数)を表す言葉で、マルチモーダルモデルとはパラメータの数が非常に多いモデルを指す」は誤り。 モダリティはモデルの大きさではなく、データの種類(テキスト・音声・画像・動画・センサ情報など)を指す。マルチモーダルモデルは、2つ以上の異なるモダリティの情報を統合して扱えるモデルである。人にたとえると、目で見て耳で聞いて文字も読める、という「感覚の種類の多さ」の話で、頭の大きさの話ではない。 | ○×一問一答へ |
| 拡散モデル・基盤モデル・マルチモーダルモデル | – | – | ○×一問一答へ |
| 拡散モデル・基盤モデル・マルチモーダルモデル | – | 「AI事業者ガイドラインが引用する広島AIプロセスの定義では、「高度なAIシステム」に基盤モデルは含まれず、生成AIシステムだけを指す」は誤り。 定義は「最先端の基盤モデル及び生成AIシステムを含む、最も高度なAIシステム」であり、基盤モデルも含まれる。広島AIプロセスは、G7 が始めた高度な AI のルールづくりの枠組みのこと。土台の基盤モデルと、それを組み込んだ生成AIのサービスの両方が、ルールの対象として意識されている、と覚えるとよい。 | ○×一問一答へ |
| 画像・音楽・音声・動画の生成AI | – | – | ○×一問一答へ |
| 画像・音楽・音声・動画の生成AI | – | 「潜在拡散モデル(LDM)の論文は、画像の欠けた部分を埋めるインペインティングには使えないことを課題として挙げた」は誤り。 LDM の論文の要旨は、潜在拡散モデルが画像のインペインティングで新たな最高水準を達成し、無条件の画像生成や超解像などでも高い性能を示したと述べている。インペインティングは「穴埋め」、超解像は「ぼやけた画像をくっきりさせる」作業で、別のタスクである。古い写真の破れた所を直すのが前者、小さな写真を引き伸ばすのが後者にあたる。 | ○×一問一答へ |
| 画像・音楽・音声・動画の生成AI | – | 「OpenAI は、GPT Image のモデルが画像の中の文字を正確に配置できるようになったため、文字の配置に関する限界はもう無いと説明している」は誤り。 OpenAI の Image generation のガイドは、限界として、文字の正確な配置と明瞭さ、繰り返し登場するキャラクターやブランドの要素の一貫性、レイアウトが重要な構図での要素の配置などを挙げている。チラシを作らせたら、日付や価格の文字が崩れていないか、ロゴの形が毎回同じかを人が確かめてから使う。 | ○×一問一答へ |
| 画像・音楽・音声・動画の生成AI | – | – | ○×一問一答へ |
| 画像・音楽・音声・動画の生成AI | – | 「C2PA は、生成AIで作った画像を各国の政府に登録して、著作権の保護を受けるための公的な制度である」は誤り。 C2PA は、コンテンツの出どころと編集の履歴を示すためのオープンな技術標準(Content Credentials)を作る団体と、その規格の名前である。政府への登録や、著作権を与える制度ではない。食品の産地ラベルが「どこで作られたか」を示すだけで、商標の登録とは別物であるのと同じように、C2PA は来歴を示す仕組みである。 | ○×一問一答へ |
| 画像・音楽・音声・動画の生成AI | – | – | ○×一問一答へ |
| 画像・音楽・音声・動画の生成AI | – | – | ○×一問一答へ |
| 画像・音楽・音声・動画の生成AI | – | – | ○×一問一答へ |
| 画像・音楽・音声・動画の生成AI | – | 「文化庁の「AIと著作権に関する考え方について」は、人の声そのものを、著作権で保護される著作物として位置づけている」は誤り。 文化庁の考え方は、既存のクリエイター等の作風や声を、著作権法上の権利の対象とならない部分(作風等)として整理している。そのうえで、俳優・声優等の声を含んだ実演・レコード等の利用と AI の関係は、今後も検討を続けるとしている。声をまねた音声を作るときは、著作権だけで判断せず、本人の了解や悪用のおそれも考える。 | ○×一問一答へ |
| 画像・音楽・音声・動画の生成AI | – | – | ○×一問一答へ |
| 画像・音楽・音声・動画の生成AI | – | – | ○×一問一答へ |
| 画像・音楽・音声・動画の生成AI | – | – | ○×一問一答へ |
| 画像・音楽・音声・動画の生成AI | – | 「生成AIで作られた「国防総省付近で爆発が起きた」という偽画像は、SNS で拡散したものの、金融市場には影響を与えなかった」は誤り。 AI事業者ガイドライン(別添)は、この偽画像が SNS とインターネットで瞬く間に拡散し、海外のメディアや大手金融メディアを装った偽アカウントも広げたことで、平均株価が一時100ドル以上下落したと紹介している。1枚の偽画像が市場まで動かしうる。会社の公式アカウントで、確かめていない事件・事故の画像を拡散しないことが大事である。 | ○×一問一答へ |
| 画像・音楽・音声・動画の生成AI | – | – | ○×一問一答へ |