生成AIパスポート 第2章 生成AI｜要点まとめ
第2章のテーマは「生成AIそのもの」。この試験の中心となる章です。第1章で学んだ機械学習の延長として、LLM・Transformer・拡散モデルがどう動いているのか、そして主要サービス（GPT・Claude・Gemini など）にどんな特徴があるのかを押さえていきます。
この章のポイント
第2章の出題範囲は広めですが、大きく次の4つに分けられます。
- 生成AIの基本概念：従来AIとの違い、生成AIで何ができるか、トークンとコンテキストウィンドウの考え方
- 代表モデルの種類：LLM、拡散モデル（Diffusion）、GAN、VAE、マルチモーダルAIの違い
- Transformerと学習プロセス：自己注意機構（Self-Attention）、事前学習、ファインチューニング、RLHF
- 主要サービスと進化：GPTシリーズ、Claude、Gemini、Copilot、Sora／Veo3 などの位置づけ
特にTransformerの構造と学習プロセスの流れは頻出です。「BERTとGPTの違いは？」「RLHFは何のために使う？」といった形で問われます。
重要キーワードと解説
- 生成AI（Generative AI）：学習データのパターンから新しいコンテンツ（文章・画像・音声・動画・コード）を生成できるAI
- LLM（Large Language Model）：Transformerをベースに大量テキストで次トークン予測を学習した大規模言語モデル。GPT・Claude・Gemini が代表例
- Transformer／Self-Attention：入力系列の全ての位置同士の関係を並列に学習できる構造。RNNより長距離依存に強いのが特徴で、生成AIの中核技術
- トークン／コンテキストウィンドウ：LLMがテキストを扱う最小単位がトークン。一度に扱える上限がコンテキストウィンドウ
- 事前学習（Pre-training）／ファインチューニング：大規模コーパスで言語の構造を覚えさせる初期段階と、特定用途データで再学習する追加段階
- RLHF（人間のフィードバックからの強化学習）：人間の評価を報酬信号に変換して強化学習。ChatGPTが自然な応答をするためのアライメント技術
- 拡散モデル（Diffusion Model）：ノイズから段階的に画像を復元するモデル。Stable Diffusion・DALL-E が代表例で、現在の画像生成の主流
- GAN／VAE：拡散モデル登場以前の主要生成モデル。GANは生成器と識別器の競争、VAEは潜在空間でのエンコード／デコード
- マルチモーダルAI：テキスト・画像・音声・動画を統合処理できるAI。GPT-4o、Gemini が代表例
- ハルシネーション：LLMが事実でない情報をもっともらしく生成してしまう現象。第4章でも重要論点
よく出る論点（チェックリスト）
- LLM・拡散モデル・GAN・VAEの違いを、得意な出力形式とアーキテクチャで区別できる
- Transformerの自己注意機構が何を計算しているのか（Query・Key・Value）を説明できる
- 事前学習→ファインチューニング→RLHFという学習の3段階の流れを言える
- BERT（双方向）とGPT（自己回帰）の違いを学習方式で説明できる
- GPT・Claude・Gemini・Copilot の提供元と特徴をひとことで述べられる
- Few-shot／Zero-shot／Chain of Thought の違い（第5章とも関連）
確認問題で実力チェック
第2章は技術用語が多く、一度に覚えるのは大変です。本サイトの「分野別学習」で第2章の70問を解きながら、解説で用語のつながりを確認していくのが効率的です。
「分野別学習」から第2章を選ぶと、この章の問題だけを集中して解けます。