最終更新：2026年10月
生成AIパスポート試験のシラバス第1章「AI（人工知能）」から、練習問題6問を無料で公開します。
第1章で問われるのは、AIという言葉そのものの整理です。AIの定義とダートマス会議、ルールベースと機械学習の違い、教師あり学習・教師なし学習・強化学習の学び方、ニューラルネットワーク、過学習とその対策、AIの4つのレベル、3回のAIブーム、シンギュラリティが範囲です。
この章でつまずきやすいのは、似た位置にある用語の取り違えです。強化学習と教師あり学習、シンギュラリティとAI効果、第一次と第二次のAIブームの技術は、試験で入れ替えて出されます。今回の6問は、用語の定義を直接聞くのではなく、場面や説明文から用語を選ばせる形にしました。
まず問題文と選択肢だけを読んで答えを決め、それから「解答と解説を見る」を開いてください。6問中1問は複数選択（2つ選択）です。
問題1単一選択
機械学習の手法のうち、強化学習が向いている場面として、最も適切なものを1つ選びなさい。
- 過去の製品画像に人が「良品」「不良品」の判定を付けて読ませ、新しい製品の画像を判定させる
- 会員の購買履歴を読ませ、買い方の似た会員どうしを、いくつかのまとまりに分けさせる
- ボードゲームのAIに自分自身と何度も対局させ、勝ち負けの結果をもとに指し手の選び方を改めさせる
- 多くの項目からなるアンケートの結果を、情報をなるべく残したまま少ない項目にまとめ直させる
解答と解説を見る
正解：回答 3
回答 1 不正解 これは教師あり学習が向いている場面です。教師あり学習は、入力データと、それに対する正解のラベルを組にして学ぶ手法です。ここでは人が付けた「良品」「不良品」の判定が正解のラベルにあたり、新しい画像にも同じ判定を返せるように学びます。
回答 2 不正解 これは教師なし学習のうち、クラスタリングが向いている場面です。クラスタリングは、正解のラベルを与えずに、特徴の近いデータを同じまとまりに分ける手法です。行動の結果を手がかりに学ぶ強化学習とは、学び方が異なります。
回答 3 正解 強化学習は、行動した結果として得られる報酬を手がかりに、報酬が大きくなる行動の選び方を身につける手法です。ここでは指し手が行動、勝ち負けが報酬にあたります。一手ごとの正解を人が教えなくても、対局を繰り返すことで勝ちにつながる指し手を選べるようになります。
回答 4 不正解 これは教師なし学習のうち、次元削減が向いている場面です。次元削減は、多くの項目で表されたデータを、情報をなるべく保ちながら、より少ない項目で表し直す手法です。行動と報酬のやり取りはないので、強化学習の場面ではありません。
前提知識
教師あり学習について
- 入力データと、それに対する正解のラベルを組にして学ぶ手法です。
- 人が判定を付けた過去のデータから学び、新しいデータに同じ種類の判定を返します。
クラスタリングについて
- 教師なし学習の手法の1つです。正解のラベルを与えずに、特徴の近いデータを同じまとまりに分けます。
- 購買履歴から、似た買い方をする顧客のグループを見つける、といった使い方をします。
次元削減について
- 教師なし学習の手法の1つです。多くの項目で表されたデータを、情報をなるべく保ちながら、より少ない項目で表し直します。
強化学習について
- 行動の結果として得られる報酬を手がかりに、報酬が大きくなる行動の選び方を身につける手法です。
- 一つひとつの行動に正解を与えるのではなく、結果の良し悪しだけを与えます。ゲームの対局やロボットの動作のように、行動を繰り返し試せる場面で使われます。
判断のポイント
見分ける軸は、学ぶときの手がかりが何かです。人が付けた正解のラベルなら教師あり学習、ラベルを与えずにデータの構造を見つけるならクラスタリングや次元削減などの教師なし学習です。行動を試し、その結果として得られる報酬を手がかりに行動の選び方を改めていくのが強化学習で、勝ち負けの結果から指し手を改めるボードゲームのAIがこれにあたります。
参考資料：What is Machine Learning?（教師あり学習・教師なし学習・強化学習）、Machine Learning Glossary: reinforcement learning (RL)
問題2複数選択
AI（人工知能）という語の意味や由来の説明として、適切なものを2つ選びなさい。
- ロボットのように体を持ち、現実の世界で動作する機械に組み込まれた知能を指す
- 1956年のダートマス会議で研究分野の名として掲げられ、広まった呼び名である
- データから学習する仕組みを持つものを指し、人が書いたルールで動く仕組みは含まない
- 研究者によって説明の仕方が異なり、ただ1つの定義に統一されてはいない
解答と解説を見る
正解：回答 2・4
回答 1 不正解 AIは、考える、判断するといった知的な働きをコンピュータで実現しようとする研究分野と技術を指します。ロボットのような特定の形をした機械に搭載されている必要はありません。スマートフォンの音声応答や検索エンジンのように、体を持たないソフトウェアもAIに含まれます。
回答 2 正解 「人工知能（Artificial Intelligence）」という語は、1956年の夏にアメリカのダートマス大学で開かれた研究会議で、研究分野の名として掲げられました。この語を提案したのは、会議の中心人物だったジョン・マッカーシーです。この会議をきっかけに、AIという呼び名が研究者の間に広まりました。
回答 3 不正解 AIが知能を実現する仕組みは、大きくルールベースと機械学習の2つに分けられます。ルールベースは、人があらかじめ書いた「もし〜ならば〜する」という規則に従って判断する仕組みで、これもAIに含まれます。専門家の知識をルールとして蓄えたエキスパートシステムも、AIの代表例です。
回答 4 正解 AIは「知的な機械、特に知的なコンピュータプログラムを作る科学と技術」と大まかに説明されますが、その定義は研究者によって異なります。そもそも「知能」とは何かの定義が定まっていないため、人工的な知能を1つの言葉で定義することも難しいとされています。
前提知識
AI（人工知能）の定義について
- 大まかには「知的な機械、特に知的なコンピュータプログラムを作る科学と技術」と説明されます。
- ただし定義は研究者によって異なり、1つに統一されてはいません。「知能」そのものの定義が定まっていないことが、その理由として挙げられています。
- ロボットのような特定の形に搭載されている必要はなく、体を持たないソフトウェアもAIに含まれます。
ダートマス会議について
- 1956年の夏に、アメリカのダートマス大学で開かれた研究会議です。
- ジョン・マッカーシーらが提案し、「人工知能（Artificial Intelligence）」という語が研究分野の名として掲げられました。AI研究の出発点とされています。
ルールベースと機械学習について
- AIが知能を実現する仕組みは、大きくルールベースと機械学習に分けられます。
- ルールベースは人が書いた規則に従って判断する仕組み、機械学習はデータから規則性を学ぶ仕組みです。どちらもAIに含まれます。
判断のポイント
見分ける軸は、AIという語を狭く捉えすぎていないかです。AIは、知的な働きをコンピュータで実現しようとする研究分野と技術の総称で、1956年のダートマス会議で研究分野の名として掲げられました。定義は研究者によって異なり、ロボットの体を持つものや、データから学習するものだけに限られるわけではありません。
参考資料：平成28年版 情報通信白書 人工知能（AI）とは（総務省）、A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence
問題3単一選択
ある迷惑メールの判定システムでは、送信元のドメインや本文に含まれる特定の語の数など、判定の手がかりにする項目を人が決めて与えています。それらの項目からどう判定するかは、過去のメールのデータをもとに自動で決めさせています。AIの4つのレベルのうち、このシステムが当てはまるものを1つ選びなさい。
- レベル1（単純な制御プログラム）
- レベル2（古典的な人工知能）
- レベル3（機械学習を取り入れた人工知能）
- レベル4（ディープラーニングを取り入れた人工知能）
解答と解説を見る
正解：回答 3
回答 1 不正解 レベル1は、決められた条件に応じて動作を切り替えるだけの単純な制御プログラムです。室温が設定温度を超えたら冷房を強める、といったものに「AI」と名付けている段階です。データをもとに判定のしかたを決める仕組みは持たないので、このシステムには当てはまりません。
回答 2 不正解 レベル2は、探索や推論、蓄えた知識を使い、入力と出力の多様な組み合わせを扱えるようにしたAIです。ただし、どう判断するかの方法は人があらかじめ定めます。このシステムは判定のしかたをデータから決めているので、レベル2ではありません。
回答 3 正解 レベル3は、データをもとに、入力と出力の関係を自ら学ぶAIです。ただし、判断の手がかりとなる特徴量は、人が設計して与える必要があります。手がかりにする項目を人が決め、判定のしかたは過去のメールから学ばせるこのシステムは、レベル3にあたります。
回答 4 不正解 レベル4は、判定のしかたに加えて、判断の手がかりとなる特徴量そのものもデータから学ぶAIです。このシステムでは、どの項目を手がかりにするかを人が決めて与えているので、レベル4には届いていません。
前提知識
AIの4つのレベルについて
- AIと呼ばれるものを、仕組みの違いで4段階に分けた考え方です。
- レベル1は単純な制御プログラム、レベル2は探索・推論や知識を使う古典的な人工知能、レベル3は機械学習を取り入れた人工知能、レベル4はディープラーニングを取り入れた人工知能です。
特徴量について
- 判断の手がかりとしてモデルに与える、データの中の項目です。迷惑メールの判定なら、送信元のドメインや特定の語の数などが特徴量になります。
- レベル3とレベル4を分けるのは、この特徴量を人が設計するか、AIがデータから学ぶかです。
機械学習とディープラーニングについて
- 機械学習は、データから入力と出力の関係を学ぶ仕組みです。
- ディープラーニングは、人工ニューロンを何層にも重ねたニューラルネットワークで、特徴量そのものもデータから学ぶ機械学習の手法です。
判断のポイント
見分ける軸は、判定のしかたと特徴量を、それぞれ誰が決めているかです。判定のしかたを人が定めるならレベル1かレベル2、データから学ぶならレベル3以上です。さらに、特徴量を人が設計して与えるならレベル3、特徴量もデータから学ぶならレベル4です。このシステムは、項目を人が決め、判定のしかたをデータから学ぶので、レベル3にあたります。
参考資料：AI（人工知能）教材 1-7 人工知能の世間的な分類（厚生労働省掲載、コンピュータソフトウェア協会作成）、平成28年版 情報通信白書 人工知能（AI）研究の歴史（総務省）
問題4単一選択
1950年代後半から1960年代にかけての第一次AIブームが終わり、AIの冬と呼ばれる時期に入った主な理由として、最も適切なものを1つ選びなさい。
- 迷路やパズルのような問題は解けても、現実の複雑な課題は解けなかったから
- 専門家の知識を人がルールとして書き出す作業が膨大で、追いつかなかったから
- ディープラーニングが登場し、探索と推論による手法が使われなくなったから
- 学習用のデータに合わせすぎて、新しいデータでは正しく判断できなかったから
解答と解説を見る
正解：回答 1
回答 1 正解 第一次AIブームの中心は、探索と推論でした。ルールと目標がはっきり決まった迷路やパズル、定理の証明のような問題は解けるようになりました。しかし、さまざまな要因が絡み合う現実社会の課題は解けないことが明らかになり、期待がしぼんでAIの冬を迎えました。
回答 2 不正解 これは第二次AIブーム（1980年代）が終わった理由です。第二次ブームの中心だった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書き込む必要がありました。必要な知識をすべて書き出すことは難しく、使える知識が特定の分野に限られたため、1995年ごろから再び冬の時代を迎えました。
回答 3 不正解 ディープラーニングが実用化されたのは、2000年代以降の第三次AIブームです。第一次ブームが終わった1960年代から70年代には、まだ登場していません。時代の順番が合わないので、第一次ブームが終わった理由にはなりません。
回答 4 不正解 これは過学習（オーバーフィッティング）の説明で、データから学ぶ機械学習で起きる問題です。第一次ブームの探索と推論は、データから学ぶ仕組みではなく、人が問題をコンピュータで扱える形に書き表して解くものでした。そのため、ブームが終わった理由にはあたりません。
前提知識
第一次AIブームについて
- 1950年代後半から1960年代のブームで、中心は探索と推論です。
- 探索は、取り得る手を順に調べて答えへの道筋を見つける手法です。推論は、分かっている事実と決まりを組み合わせて結論を導く手法です。
- 迷路やパズルのような問題は解けましたが、現実社会の複雑な課題は解けず、冬の時代を迎えました。
第二次AIブームについて
- 1980年代のブームで、中心はエキスパートシステムです。専門家の知識をルールとして蓄え、それをたどって結論を出します。
- 必要な知識を人がすべて書き出すことは難しく、1995年ごろから再び冬の時代を迎えました。
第三次AIブームについて
- 2000年代以降のブームです。ビッグデータを使った機械学習が実用化され、続いてディープラーニングが登場しました。
過学習について
- 学習用データの細かなクセまで覚え込み、新しいデータでの精度が下がる状態です。データから学ぶ機械学習で起きる問題です。
判断のポイント
見分ける軸は、ブームごとの中心技術と、その限界の組み合わせです。第一次ブームは探索と推論で、ルールのはっきりした問題しか解けなかったことが限界でした。知識をルールとして書き出しきれなかったのは第二次ブームの限界で、ディープラーニングや過学習は第三次ブームの機械学習に関わる話です。
参考資料：令和6年版 情報通信白書 第1〜3次AIブームと冬の時代（総務省）、平成28年版 情報通信白書 人工知能（AI）研究の歴史（総務省）
問題5単一選択
シンギュラリティ（技術的特異点）に関する記述として、不適切なものを1つ選びなさい。
- ヴァーナー・ヴィンジは、1993年の論文で技術的特異点を論じ、この語を広めた
- レイ・カーツワイルは、2045年ごろにシンギュラリティが訪れるという予測を示した
- 人間を超える知能が生まれると、その先の技術や社会の変化を人間が見通せなくなるとされる
- AIで実現された技術が身近に広まると、AIと呼ばれなくなっていく現象を指す
解答と解説を見る
正解：回答 4
回答 1 不正解 この記述は適切です。数学者でSF作家のヴァーナー・ヴィンジは、1993年の論文「The Coming Technological Singularity」で、人間を超える知能が技術によって生み出される時点を論じました。この論文が、シンギュラリティという語を広く知らせるきっかけになりました。
回答 2 不正解 この記述は適切です。レイ・カーツワイルは2005年の著書『The Singularity Is Near』で、2045年ごろにシンギュラリティが訪れると予測しました。2024年の続編『The Singularity Is Nearer』でも、この2045年という時期を変えていません。この予測をめぐる議論が「2045年問題」です。
回答 3 不正解 この記述は適切です。シンギュラリティは、AIなどの技術が人間の知能を超え、それ以降の変化を人間がこれまでの考え方で予測できなくなるとされる転換点を指します。ヴィンジも、この時点を境に従来の予測の枠組みが通用しなくなると論じました。
回答 4 正解 この記述は不適切です。説明されているのは、シンギュラリティではなくAI効果です。AI効果は、かつてAIの成果とされた音声の文字起こしなどが、普及して仕組みが知られると「ただの処理であってAIではない」と見なされるようになる受け取られ方を指します。
前提知識
シンギュラリティ（技術的特異点）について
- AIなどの技術が人間の知能を超え、それ以降の技術や社会の変化を人間が予測できなくなるとされる転換点です。
ヴァーナー・ヴィンジについて
- 数学者でSF作家です。1993年の論文「The Coming Technological Singularity」で技術的特異点を論じ、シンギュラリティという語を広めました。
レイ・カーツワイルと2045年問題について
- レイ・カーツワイルは、2005年の著書で、2045年ごろにシンギュラリティが訪れると予測しました。2024年の続編でもこの時期を維持しています。
- この予測をめぐる議論を、2045年問題と呼びます。
AI効果について
- AIで実現された技術が普及して仕組みが知られると、AIとは呼ばれなくなる受け取られ方です。
- シンギュラリティが「AIが人間を超える時点」を指すのに対し、AI効果は「実現した技術への人の見方の変化」を指します。
判断のポイント
見分ける軸は、その記述が「AIが人間の知能を超える転換点」の話か、「実現した技術がAIと呼ばれなくなる」話かです。ヴィンジの1993年の論文、カーツワイルの2045年の予測、変化が予測できなくなるという特徴は、いずれもシンギュラリティの説明として適切です。身近になった技術がAIと呼ばれなくなる現象はAI効果なので、シンギュラリティの説明としては不適切です。
参考資料：The Coming Technological Singularity: How to Survive in the Post-Human Era（Vernor Vinge, 1993）、Brain-machine interfaces as a challenge to the “moment of singularity”（カーツワイルの2045年予測への言及）、CV: Adages and Coinages（Larry Tesler によるAI効果の定式化）
問題6単一選択
ある開発チームは、画像の分類で最も高い精度を出した手法を、売上の予測や文章の分類にも使えば、どの課題でも最も高い精度が出るはずだと考えました。この見込みが成り立つとは限らないことの根拠として、最も適切なものを1つ選びなさい。
- 転移学習
- ノーフリーランチ定理
- 過学習（オーバーフィッティング）
- 汎化性能
解答と解説を見る
正解：回答 2
回答 1 不正解 転移学習は、ある課題で学習させたモデルの知識を、関連する別の課題に流用して学習させ直す手法です。別の課題に知識を活かす方法であって、ある手法がどの課題でも最も高い精度を出すかどうかを論じるものではありません。
回答 2 正解 ノーフリーランチ定理は、あらゆる問題に対して、ほかのどの手法よりも常に優れた性能を出す手法は存在しない、という考え方です。ある種類の問題で優れた手法は、別の種類の問題ではその分だけ劣ることを示しています。画像の分類で最も優れた手法でも、売上の予測や文章の分類で最も優れているとは限らない、という根拠になります。
回答 3 不正解 過学習は、モデルが学習用データの細かなクセまで覚え込み、同じ課題の新しいデータで精度が下がる状態です。1つのモデルの学習のしすぎを指す言葉で、手法と課題の向き不向きを論じるものではありません。
回答 4 不正解 汎化性能は、学習に使っていない新しいデータに対しても、どれだけ正しく予測できるかを表す性能です。同じ課題の中で未知のデータにどれだけ対応できるかを測るもので、異なる課題どうしで手法の優劣が入れ替わることを示すものではありません。
前提知識
ノーフリーランチ定理について
- あらゆる問題に対して、ほかのどの手法よりも常に優れた性能を出す手法は存在しない、という考え方です。
- 1997年にウォルパートとマクレディが最適化の分野で示した定理が知られています。機械学習のアルゴリズムについても、1996年にウォルパートが同じ趣旨の結果を示しています。
- ある種類の問題で性能が高い手法は、別の種類の問題ではその分だけ性能が低くなります。
- そのため、課題ごとに手法を比べて選ぶ必要があります。
転移学習について
- ある課題で学習させたモデルの知識を、関連する別の課題に流用して学習させ直す手法です。少ないデータでも学習を進めやすくなります。
過学習（オーバーフィッティング）について
- 学習用データの細かなクセまで覚え込み、新しいデータでの精度が下がる状態です。
汎化性能について
- 学習に使っていない新しいデータに対して、どれだけ正しく予測できるかを表す性能です。過学習が起きると、汎化性能は下がります。
判断のポイント
見分ける軸は、問われているのが「1つのモデルの学習のしかた」か、「手法と課題の組み合わせ」かです。過学習と汎化性能は、1つの課題の中でモデルが新しいデータにどれだけ対応できるかの話です。転移学習は、学習済みの知識を別の課題に流用する手法です。どの課題でも最も優れた手法はない、という手法と課題の関係を述べているのは、ノーフリーランチ定理です。
参考資料：No Free Lunch Theorems for Optimization（Wolpert & Macready, 1997）、The Lack of a Priori Distinctions Between Learning Algorithms（Wolpert, 1996）
この問題を無料アプリで解く
同じ30問を、順番と選択肢をシャッフルして解けます。採点と正誤の記録、ブックマーク、途中で中断しての再開ができます。登録は不要で、記録はお使いの端末の中だけに保存されます。
この章の要点を記事で確認する
解説を読んでも腑に落ちなかった用語は、章の要点をまとめた記事で全体の中の位置を確かめると整理しやすくなります。
▶ 生成AIパスポート 第1章「AI（人工知能）」の要点｜機械学習・ニューラルネットワーク・AIの歴史
他の章の問題も解く
- 第2章 生成AI（ジェネレーティブAI） 6問
- 第3章 現在の生成AIの動向 6問
- 第4章 情報リテラシー・基本理念とAI社会原則 6問
- 第5章 テキスト生成AIのプロンプト制作と実例 6問
- 無料30問のトップページに戻る
この無料30問は、当サイトの有料講座（本番形式 60問×6セット）とは別に書き下ろした問題です。同じ問題は含まれていません。解説は生成AIパスポート試験のシラバス（2026年2月試験より適用）の範囲に沿って、法令・公的機関の資料・論文・各社の公式ドキュメントを確認して作成しており、各問題の末尾に参考資料のリンクを載せています。法令やサービスの内容は更新されることがあるため、受験前には公式の情報もあわせてご確認ください。
本番形式の360問で仕上げる
生成AIパスポート 模擬試験360問（本番形式60問×6回）【2026年シラバス対応】
本番と同じ60問・60分の模擬試験を6回分、全360問。全問を2026年シラバスから書き下ろし、RAG・AIエージェント・MCP・AI新法といった追加範囲も含めています。正解・不正解を問わず全選択肢に解説をつけているので、間違えた理由がその場で分かります。
当ブログ限定クーポン：通常 2,600円 → 1,500円
以上です。最後までお読みいただきありがとうございました。
この記事がお役に立ちましたら、コーヒー1杯分（300円）の応援をいただけると嬉しいです。いただいた支援は、より良い記事作成のための時間確保や情報収集に活用させていただきます。