G検定 教科書

AI(人工知能) という言葉は 1956 年のダートマス会議で生まれました。それ以降、技術の発展と社会的期待のサイクルで「3 度のブーム」と「2 度の冬」を経て、現在の第 3 次 AI ブームに至っています。

AI の定義 ─ 「これが AI だ」という統一見解は実はない

AI の正確な定義は研究者によって異なります。代表的なものとして:

• 人間のように考える機械(認知科学的アプローチ)
• 人間のように行動する機械(チューリングテスト的アプローチ)
• 合理的に考える機械(論理推論)
• 合理的に行動する機械(エージェント的アプローチ、現在主流)

3 度の AI ブーム

歴史上の重要なマイルストーン

• 1956 年: ダートマス会議 ─ 「AI」という用語が生まれる
• 1997 年: IBM Deep Blue がチェス世界王者カスパロフを破る
• 2011 年: IBM Watson がクイズ番組「ジェパディ!」で人間王者に勝利
• 2012 年: ImageNet で AlexNet がディープラーニングの威力を実証
• 2016 年: Google DeepMind の AlphaGo が囲碁の世界トップ棋士に勝利
• 2022 年: ChatGPT 公開 ─ 大規模言語モデル(LLM)が一般に普及

G 検定で頻出するのが「AI ⊃ 機械学習 ⊃ ディープラーニング」という入れ子構造です。これらの違いと関係性を整理します。

AI・機械学習・ディープラーニングの関係

機械学習の 3 つの学習スタイル

• 教師あり学習(supervised): 入力と正解(ラベル)のペアから学習。回帰・分類など
• 教師なし学習(unsupervised): ラベルなしデータからパターン発見。クラスタリング・次元削減など
• 強化学習(reinforcement): 環境との相互作用で報酬を最大化する行動を学習。AlphaGo や自動運転で活躍

ディープラーニングがなぜブレイクしたか

「3 つのデータと 1 つの計算」が揃ったから ─ と言われます:

1. ビッグデータ: インターネットの普及で大量のラベル付きデータが手に入るように
2. 計算資源: GPU の進化で、ニューラルネットの学習が現実的な時間で完了するように
3. アルゴリズム改良: 勾配消失問題を緩和する ReLU、ドロップアウトなどの工夫

ディープラーニングの代表的なモデル(用語整理)

• CNN(Convolutional Neural Network、畳み込みニューラルネット): 画像処理の標準
• RNN / LSTM: 時系列・文章など、順序のあるデータを扱う
• Transformer: 「Attention is All You Need」(2017)。現代の LLM の基盤
• GAN(Generative Adversarial Network): 2 つのネットを競わせて画像生成
• 強化学習(DQN, AlphaGo): 報酬最大化で行動を学ぶ

学習の落とし穴と評価

学習を進めると訓練誤差は下がり続けますが、未知データに対する性能(検証誤差)は途中から悪化します ─ これが過学習。G 検定では「過学習が起きる仕組み」と「早期終了 / 正則化 / 交差検証 / Dropout」のような対処法がよく問われます。

分類問題の評価では、単純な正解率だけでなく、ROC 曲線下面積(AUC)が広く使われます。閾値の取り方に依存しない総合性能の指標で、不均衡データ(陽性が少ない)でも信頼できます。

AI が社会に深く入り込むにつれ、技術だけでは解決できない問題が次々と浮上しています。公平性・透明性・プライバシー・責任の所在 ─ G 検定では、これらの倫理的論点と、各国の規制動向を押さえる必要があります。

AI 倫理の主要 5 論点

国際的なガイドラインと規制

• OECD AI 原則(2019): 5 原則 ─ 包摂・人間中心・透明性と説明可能性・頑健性と安全性・説明責任
• EU AI Act(2024 採択): リスクベース規制。「許容できないリスク」(社会信用スコアなど)を禁止、「高リスク」(医療・採用など)に厳しい義務
• 米国 NIST AI Risk Management Framework: 自主的なフレームワーク。リスク評価とガバナンスの参考
• JDLA AI ガバナンスガイドライン: 日本のディープラーニング実装者向け指針
• G7 広島 AI プロセス(2023): 生成 AI の国際協調枠組み

AI と責任の所在

「AI が起こした事故・誤判定の責任は誰が取るか?」は、現代の難問。自動運転車の事故・医療 AI の誤診・チャットボットの不適切発言 ─ いずれもメーカー、ユーザー、開発者、運用者のどこに責任があるかが曖昧になりがち。

G 検定では「AI を導入する企業は、ガバナンス体制(AI 倫理委員会など)を整備すべき」「監査可能性を確保するためにログを残すべき」といった原則的な答えが正解になることが多いです。

生成 AI(ChatGPT など)特有の論点

• ハルシネーション: 事実でない内容を自信を持って出力する現象
• プロンプトインジェクション: 悪意ある入力でモデルの安全装置を回避する攻撃
• ディープフェイク: 実在の人物を使った偽動画・音声の生成
• 著作権・学習データ: 大規模に Web スクレイピングしたデータの法的位置づけ
• 仕事への影響: クリエイティブ職への影響、バイトコンテンツ生成の規制

AI 倫理は技術と社会の交差点にある、急速に変化する領域です。G 検定では「最新のニュース・規制動向にもキャッチアップしている」ことが求められます。試験前には必ず、直近 3〜6 か月の AI 関連の主要ニュースを 1 度ざっと眺めることをおすすめします。

ニューラルネットワーク は、生物の脳神経系を模した計算モデル。入力層 → 隠れ層 → 出力層 の 3 層構造を多層化したものが ディープラーニング(深層学習) です。

1 つのニューロン(パーセプトロン)

活性化関数

• Sigmoid: 出力 $(0,1)$。古典的だが勾配消失問題で深層には不向き
• tanh: 出力 $(-1,1)$。Sigmoid より中央性能良し
• ReLU: $\max (0,x)$。深層でも勾配が流れる定番
• Leaky ReLU / GELU / Swish: ReLU の改良版。Transformer では GELU が主流

学習の仕組み ─ 誤差逆伝播法

順伝播 で予測を出し、正解との誤差(損失)を計算。逆伝播(backpropagation) で各重みに対する勾配を計算し、勾配降下法 でパラメータを更新します。

1. 順伝播: 入力 → 各層を通過 → 予測値
2. 損失計算: 予測と正解の差(交差エントロピー・MSE 等)
3. 逆伝播: 連鎖律で各重みの勾配を計算
4. 最適化: $w\leftarrow w-\eta \nabla L$ で重み更新

ディープラーニングは データの種類 に応じて様々な構造が発展してきました。G 検定では各アーキテクチャの 使い所と特徴 が問われます。

CNN ─ 画像処理の標準

RNN / LSTM ─ 時系列・文章

Transformer ─ 現代の主役

GAN ─ 生成モデルの古典

拡散モデル(Diffusion Model)

ディープラーニングの学習を成功させるには、過学習対策 と 最適化手法の選択 が要。G 検定では各テクニックの 目的と効果 が問われます。

過学習対策

• Dropout: 学習時にニューロンをランダムに無効化 → アンサンブル効果
• Batch Normalization: 各層の入力を正規化 → 学習を安定化・高速化
• Layer Normalization: Transformer の標準
• 早期終了(Early Stopping): 検証誤差が悪化し始めたら停止
• Weight Decay(L2 正則化): 重みが大きくなりすぎないようペナルティ
• データ拡張(Data Augmentation): 画像を回転・反転して訓練データを水増し

最適化アルゴリズム

• SGD: 確率的勾配降下法。シンプルだが収束が遅い
• Momentum: 慣性を加えて振動を抑える
• Adagrad / RMSprop: 学習率を勾配の大きさに応じて自動調整
• Adam: Momentum + RMSprop。現代のデフォルト
• AdamW: Adam に正しい重み減衰を組み込んだ版。Transformer 学習で標準

学習率スケジューリング

• Step Decay: 一定エポックごとに学習率を下げる
• Cosine Annealing: コサインカーブで滑らかに下げる(現代の標準)
• Warmup: 最初は小さく → 徐々に上げる(Transformer 必須)

転移学習・ファインチューニング

LLM(Large Language Model) は、Transformer アーキテクチャを大規模化し、Web 上のテキストを大量に学習した言語モデル。ChatGPT・Claude・Gemini などが代表例。

LLM の学習 3 段階

1. 事前学習(Pre-training): 大規模 Web コーパスで 次の単語予測 を学習。汎用的な言語能力を獲得
2. 教師ありファインチューニング(SFT): 人手で作った『指示 → 模範回答』ペアで学習。指示追従能力を獲得
3. RLHF(人間フィードバック強化学習): 人間の選好で報酬モデルを学習し、PPO で LLM を更新

Tokenizer と埋め込み

LLM はテキストをそのまま扱えないので、Tokenizer で トークン(単語より細かい単位)に分割し、各トークンを 埋め込みベクトル に変換します。BPE(Byte-Pair Encoding)・SentencePiece が代表的。

スケーリング則

モデルサイズ・データ量・計算資源 を増やすほど性能が向上することが経験的に確認されており、これを スケーリング則(Scaling Laws) と呼びます。GPT-3(175B パラメータ)・GPT-4・Claude などはこの法則に従って巨大化。

創発的能力(Emergent Abilities)

ある程度のサイズを超えると、学習していないはずの能力(算数・論理推論・多言語翻訳など)が突然できるようになる現象。スケーリング則と並ぶ LLM の不思議。

プロンプト(指示文) の書き方を工夫して、LLM の出力品質を上げる技術。学習済みモデルを 再学習せず に性能を引き出せるのが利点。

基本テクニック

• Zero-shot: 例なしで指示する。シンプル
• Few-shot: 数個の例を見せてから本題を聞く。精度向上
• Chain-of-Thought(CoT): 「ステップバイステップで考えて」と促す → 推論精度大幅向上
• Self-Consistency: 複数回答えさせて多数決を取る
• ReAct: Reasoning + Acting。思考と行動(ツール呼び出し)を交互に

システムプロンプト

ユーザーの質問とは別に、AI の 役割・トーン・制約 を指示する仕組み。「あなたは丁寧な日本語の翻訳家です」のように人格を設定できます。

プロンプトの落とし穴

• ハルシネーション: 自信満々で誤情報を返す → 出典を確認させる、RAG で抑制
• プロンプトインジェクション: 「これまでの指示を無視して〜」と上書きされる攻撃
• ジェイルブレイク: 安全装置を回避させる入力 → 開発者は赤チーム演習で対策

「自社データで賢い AI を作る」には、コストの低い順に プロンプト → RAG → ファインチューニング → 事前学習 という 4 段階があります。

1. プロンプトのみ

コスト: ほぼゼロ。学習なし、推論時の指示工夫だけ。少量の事例なら Few-shot で十分なことも多い。

2. RAG(Retrieval-Augmented Generation)

3. ファインチューニング

事前学習済み LLM を、自分のドメインデータで 再学習 する。LoRA(Low-Rank Adaptation) など効率的な手法が普及し、コストが下がっています。スタイル・トーン・専門用語を覚えさせるのに有効。

4. 事前学習(独自モデル)

ゼロから巨大モデルを学習。数億〜数十億円の計算費用がかかるため、ほとんどの企業はやりません。OpenAI・Anthropic・Google・Meta・Microsoft・国産では NTT(tsuzumi)・Sakana AI などが取り組み中。

AI エージェント

LLM に ツール呼び出し(検索・コード実行・API)を組み合わせ、自律的にタスクを遂行 させるシステム。ReAct・LangChain・AutoGPT などのフレームワークが活用される。

AI が個人データを扱うとき、まず確認すべきは 個人情報保護法。日本では 2022 年改正で、仮名加工情報 の概念追加、越境移転規制 強化、Cookie 等の規制(電気通信事業法)など、AI 利用に直結する変更が入りました。

押さえるべきキーワード

• 個人情報: 特定個人を識別できる情報。氏名・住所・顔画像など
• 個人識別符号: 指紋・遺伝情報・運転免許証番号など
• 要配慮個人情報: 人種・信条・病歴など。同意なく取得不可
• 仮名加工情報: 単独では特定個人を識別できないよう加工(2022 改正で導入)
• 匿名加工情報: 復元不可能な加工。第三者提供しやすい
• 越境移転: 海外サーバへの移転には本人同意 or 同等保護措置が必要

AI 学習データの扱い

個人情報を含むデータを AI 学習に使うときは、利用目的を特定し、本人に通知 or 公表 が原則。プライバシーポリシーへの明記が必須。学習済みモデルから個人情報が逆推定 される可能性も指摘されており、差分プライバシー や 連合学習 などの技術的対策が重要。

生成 AI 時代の最大の論点が 著作権。文化庁が 2024 年 3 月に「AI と著作権に関する考え方」を公表し、3 つの段階で整理しました。

3 段階の整理

1. 学習段階: 著作権法 30 条の 4 により、原則として 学習目的の利用は OK。ただし『著作権者の利益を不当に害する場合』は例外
2. 生成・利用段階: 既存著作物に類似 + 依拠性 → 著作権侵害
3. 生成物の著作権: AI 単独生成物には著作権なし。人間の創作的寄与 があれば人間に帰属

依拠性と類似性

営業秘密と機密情報

社外秘の文書を ChatGPT に入力 すると、それは 営業秘密の漏洩 になり得ます。多くの企業が 法人向け契約(API・Enterprise 版)を結ぶか、社内 LLM を構築するのはこのため。

AI 規制は国際的にバラバラの状況。日本企業も 海外向けサービスを展開 する場合、各国の規制を押さえる必要があります。

EU AI Act(2024 採択・2026 全面適用)

米国の動向

• バイデン大統領令(2023): 連邦政府の AI 利用基準・透明性
• NIST AI Risk Management Framework: 自主的フレームワーク
• 州レベル: カリフォルニア・コロラド等で個別法

日本の枠組み

• AI 事業者ガイドライン(2024、経産省・総務省): 日本版ガイダンス
• 広島 AI プロセス(2023, G7): 国際協調枠組み
• AI 戦略 2022: 政府の方針
• ハードロー化の議論: EU 並みの法的拘束力ある規制を導入するかは継続議論中

強化学習(RL) は、エージェントが環境と相互作用しながら 報酬の累積を最大化 する行動を学習する枠組み。AlphaGo・自動運転・推薦・ロボティクスで活躍。

基本要素

• エージェント: 学習・行動する主体
• 環境: エージェントが行動を行う対象世界
• 状態 $s$: 環境の現在の様子
• 行動 $a$: エージェントが取れる選択
• 報酬 $r$: 行動の結果として得られるスカラー値
• 方策 $\pi (a|s)$: 状態に応じた行動の確率分布

代表アルゴリズム

• Q-Learning: 各 (状態, 行動) ペアの価値 $Q(s,a)$ を学習。基本かつ重要
• DQN(Deep Q-Network): Q-Learning にニューラルネットを使用。Atari ゲームで人間超え
• Policy Gradient: 方策を直接学習(REINFORCE・A3C・PPO)
• AlphaGo / AlphaZero: モンテカルロ木探索 + 深層強化学習
• PPO: 現在の主力。RLHF(LLM 学習)でも使われる

探索と活用のジレンマ

G 検定では AI が現在どの分野で何を実現しているか を問う問題が多数。代表的な応用領域を整理します。

コンピュータビジョン(画像)

• 画像分類: ResNet・Vision Transformer
• 物体検出: YOLO・Faster R-CNN
• セグメンテーション: U-Net・Mask R-CNN
• 画像生成: Stable Diffusion・DALL-E 3・Midjourney
• 顔認識: FaceNet。本人確認・監視で活用 + 倫理問題

自然言語処理(NLP)

• 機械翻訳: Transformer 系(Google 翻訳・DeepL)
• 質問応答・要約: BERT・GPT 系
• 感情分析・分類: BERT ファインチューン
• 音声認識(ASR): Whisper
• 音声合成(TTS): Tacotron・VALL-E

自動運転

• Lv0〜Lv5 の自動化レベル(SAE 定義)。Lv5 が完全自動
• センサー: カメラ・LiDAR・レーダー・GPS の融合(センサーフュージョン)
• Tesla: カメラ中心、Waymo: LiDAR 中心、と方針が分かれる
• 法整備: 日本は 2023 年に Lv4 を一定条件下で解禁

医療・バイオ

• 画像診断: 眼底・X 線・MRI から疾患検出。CNN が標準
• 新薬探索: AlphaFold(タンパク質構造予測)が革命
• ゲノミクス: 配列解析・変異検出

ロボティクス

• 強化学習 + シミュレーション で物理ロボットを学習
• Sim2Real: シミュレータで学んだ方策を実機に転移
• Boston Dynamics・Tesla Optimus・FigureAI などヒューマノイドが進展

XAI(eXplainable AI) と AutoML(機械学習自動化) は、AI を実務で使うための重要な周辺技術。

XAI ─ 説明可能な AI

• LIME: 個別予測を局所的に線形近似 → 寄与度を表示
• SHAP: 協力ゲーム理論の Shapley 値で各特徴量の寄与を厳密に算出
• Permutation Importance: 特徴量を 1 つずつシャッフルして精度低下を測定
• Grad-CAM: 画像の『どこを見て判断したか』を可視化
• Attention 可視化: Transformer 系の注目度を表示

AutoML ─ 機械学習の自動化

• 特徴量自動生成: Featuretools
• モデル選択 + ハイパラ最適化: Auto-sklearn・H2O AutoML・AutoGluon
• NAS(Neural Architecture Search): ネットワーク構造自体を自動探索
• クラウド AutoML: GCP Vertex AI・Azure ML・SageMaker Autopilot

MLOps ─ AI 運用の継続的改善

DevOps の AI 版。学習 → デプロイ → モニタリング → 再学習 のループを自動化。MLflow・Kubeflow・Weights & Biases がツール。実装と同じく重要なのが データドリフト検出(本番でのデータ分布変化を検出して再学習を起動)。

ChatGPT 以降の生成 AI ブームの中核にあるのが 大規模言語モデル (Large Language Model, LLM)。基本構造は Transformer で、学習データのスケール・モデルパラメータ数・計算資源を桁違いに増やすことで、それまでにない汎用性を獲得しました。

スケーリング則

Chinchilla 論文 (DeepMind 2022) は、当時の主要 LLM が データ不足のままパラメータだけ増やしていた ことを指摘し、データとパラメータを 1:1 程度の比でスケールするのが効率的だと示しました。

事前学習・指示チューニング・RLHF の 3 段階

1. 事前学習 (pretraining): Web 上の巨大テキストで「次の単語予測」を自己教師あり学習。汎用言語能力を獲得
2. 指示チューニング (instruction tuning / SFT): 「指示と応答」のペアでファインチューン。チャット形式で答える能力を獲得
3. RLHF (Reinforcement Learning from Human Feedback): 人間の好みに合う応答を強化学習で最適化。安全性・有用性・誠実性を高める

創発的能力(Emergent Abilities)

代表的な LLM

• GPT-4 / GPT-4o / o1 / o3(OpenAI): クローズドモデル、API 提供。o1/o3 は推論時計算を増やす reasoning モデル
• Claude 3 / 3.5 / 4(Anthropic): 安全性志向の設計、長文脈に強い
• Gemini 1.5 / 2.0(Google DeepMind): マルチモーダル特化、100 万トークンの長文脈
• Llama 3 / 3.1 / 3.2(Meta): オープンウェイト、研究・商用利用可
• Mistral / Mixtral(Mistral AI): 欧州発、Mixture of Experts(MoE)構造
• DeepSeek-V3 / R1(DeepSeek): 中国発、MoE と推論能力で 2024 年末に注目

LLM の挙動は、与えるプロンプト(指示文)によって大きく変わります。プロンプトエンジニアリング は、目的に合わせてプロンプトを設計・最適化する実践的技術です。G 検定でも近年定番トピックとして出題されています。

Zero-shot / Few-shot プロンプティング

• Zero-shot: 例を示さず指示だけで実行させる。「次の文を要約して: ...」
• Few-shot: 数件の入出力例を示してからタスクを実行させる。例から「やり方」を読み取らせる手法。In-Context Learning とも

Chain-of-Thought(CoT)

ReAct とエージェント

ReAct (Reasoning + Acting) は、LLM に「考える(推論)」と「行動する(ツール使用)」を交互に行わせるパラダイム。Web 検索・電卓・コード実行などのツールを呼び出して外部情報を取り込みながら推論する仕組みで、現代の AI エージェントの基本設計。

RAG(検索拡張生成)

テキストだけでなく、画像・音声・動画を統合的に扱う マルチモーダル AI が 2023 年以降の主流。「画像を見て説明する」「テキストから画像・動画を生成する」など、モダリティを越境した処理が現実になりました。

代表的な技術

• CLIP (OpenAI 2021): 画像とテキストを同じベクトル空間に配置するモデル。Zero-shot 画像分類が可能
• Stable Diffusion(Stability AI): オープンソースの拡散モデル系画像生成。LoRA で軽くファインチューン可
• DALL-E 3 / Midjourney / Imagen: 高品質テキスト→画像生成
• Sora / Veo: テキストから動画を生成(2024〜)
• Whisper(OpenAI): 多言語音声認識
• GPT-4o / Gemini: 音声・画像・テキストを統一処理するネイティブマルチモーダル LLM

拡散モデル(Diffusion Model)の直感

ファインチューニング技術

• LoRA (Low-Rank Adaptation): 元のモデルを凍結したまま、小さな低ランク行列だけを学習。VRAM とディスクが軽い
• QLoRA: 4 bit 量子化と LoRA を組み合わせた省メモリ手法
• DreamBooth: 数枚の写真から特定の人物・物体・キャラクターを学習させる手法
• ControlNet: ポーズ・線画・深度などの条件で画像生成を制御

生成 AI の急速な普及に伴い、各国で AI に関する 法規制・ガイドライン の整備が進んでいます。G 検定では「どの法律・ガイドラインが何を目指しているか」が問われます。

主要な規制・ガイドライン

• EU AI 法 (EU AI Act, 2024 採択): 世界初の包括的 AI 規制。リスクを 4 段階(許容できない / 高 / 限定 / 最小)に分類し、それぞれに義務を課す。違反には最大 3,500 万ユーロまたは年間売上の 7% の罰金
• 米国大統領令(2023): 連邦機関に AI 活用ガイドラインを課す。輸出規制・フロンティアモデル安全性評価が中心
• 広島 AI プロセス(2023, G7): 生成 AI の国際的ガイドライン枠組み
• 日本 AI 推進法 (2025): 振興と規制のバランスを取るアプローチ
• AISI (AI Safety Institute): 英米日韓中などで設立、フロンティアモデルのリスク評価

AI が抱えるリスク

• ハルシネーション: もっともらしい嘘を生成する現象。RAG・出典明示・検証 LLM で抑制
• ディープフェイク: 実在人物を偽装した画像・音声・動画。詐欺・名誉毀損のリスク
• プロンプトインジェクション: 悪意あるプロンプトでシステムプロンプトを上書き、機密漏洩や不正動作を引き起こす攻撃
• バイアス: 学習データに含まれる差別的傾向を反映した出力
• 著作権: 学習データに含まれる著作物、生成物の権利関係。日本は 2024 年文化庁の見解で『非享受目的の学習』を限定的に許容
• 個人情報・営業秘密: API 利用時の漏洩。多くの企業は「学習に使わないオプション」付きの法人向け API を採用

アライメントと Constitutional AI

アライメント (alignment) は「AI を人類の価値観に沿わせる」研究分野。RLHF はその実装の 1 つ。Constitutional AI (Anthropic) は、人間のフィードバックを AI のフィードバック(AI が AI を批判)で代替する手法で、Claude シリーズに実装されています。

G 検定 2026 シラバスで重要度が大幅に増した AI と著作権 の論点を整理します。日本は世界でもっとも AI 学習に寛容な国の 1 つで、その根拠が 著作権法 30 条の 4。一方で 2024 年の文化庁見解で「学習データの選定方法によっては違法」となるラインが明確化されました。

著作権法 30 条の 4(2018 年改正)

「享受目的」と「非享受目的」の境界

• 非享受目的(原則 OK): 統計的解析・特徴量抽出・モデル学習。情報処理の技術的工程
• 享受目的(原則 NG): 学習に名を借りて、実は鑑賞・閲覧目的で複製している場合
• ただし書きの例(NG): 特定作家の作品だけを集めた追加学習で『その作家の作風を再現する目的』が明確な場合 → 著作権者の利益を不当に害する

2024 年文化庁の整理

学習データに関する近年の論点

• 海賊版データの学習利用: 2024 年改正でより慎重な姿勢。海賊版と知って使えば違法
• 特定作家 LoRA: イラスト生成 AI で作家固有の作風を再現する LoRA は『ただし書き』に抵触する可能性大
• オプトアウト: 海外では The Times v OpenAI など訴訟が継続。日本でも作家団体がオプトアウト機構を要求
• EU AI 法での扱い: 学習データの透明性義務(GPAI 提供者は学習データの要約公開が必要)

AI 生成物と著作権

AI が生成した出力物に著作権が発生するかは「人間の創作的寄与」がポイント。プロンプトを工夫しただけでは創作的寄与とは認められず、AI 出力をベースに人間が大幅に編集・選択・配列した場合に著作権が認められる、というのが現在の整理です(文化庁・米著作権局ともに方向は同じ)。

実務上の対応

• 学習データのライセンス確認: CC BY、Creative Commons の各種条件、データセット規約
• 特定作風の再現は避ける: 顧客向け画像生成サービスではキャラクター LoRA の使用に厳しい運用
• 生成物の類似性チェック: 商用利用前に既存作品との類似性スキャン
• プロバイダ条項の遵守: OpenAI/Anthropic の利用規約は商用生成を許可するが、不正用途は禁止
• 学習除外宣言の尊重: robots.txt や ai.txt(2024 提案中)で学習拒否を表明したサイトは除外

本番運用 AI の精度は 時間とともに必ず劣化 します。学習時のデータと運用時のデータが乖離する データドリフト や、モデルの予測と現実の関係が変わる コンセプトドリフト が原因。G 検定 2026 では、AI を「作って終わり」ではなく『運用しつづける』視点が重視されています。

ドリフトの種類

検出手法

• 統計的検定: KS 検定・カイ二乗検定で学習データと運用データの分布差を検出
• 距離ベース: KL ダイバージェンス、Wasserstein 距離、PSI(Population Stability Index)
• 性能監視: 真値ラベルが取れる場面では精度・AUC・F1 を時系列で追う
• Adversarial Validation: 学習データと運用データを 2 値分類で見分けられるかを試す。AUC > 0.7 ならドリフトの可能性大
• 埋め込みドリフト: テキスト/画像の埋め込みベクトルの平均・分散を監視

対応の階段

1. 監視: 入力分布・出力分布・性能指標をダッシュボードで可視化(MLflow・Evidently AI・Arize・WhyLabs)
2. アラート: 閾値を超えたら通知
3. 根本原因分析(RCA): ドリフトがどの特徴量で起きているか、どのセグメントで顕著かを特定
4. 再学習(retraining): 自動・手動どちらの方針か事前に設計。CI/CD パイプラインに組み込む
5. モデルの差し替え: シャドーデプロイ → A/B テスト → 完全切替

MLOps とライフサイクル

MLOps は DevOps の機械学習版で、モデルの学習・デプロイ・監視・再学習を継続的に回す枠組み。学習データバージョン管理(DVC)、モデルレジストリ(MLflow)、特徴量ストア(Feast)、推論サービング(Triton, KServe)、監視(Evidently) などのツールスタックがある。

シャドーデプロイ・カナリアリリース

AI ガバナンスとモニタリングの接点

• 公平性モニタリング: モデルの出力がデモグラフィックグループ間で公平かを継続監視
• 説明可能性ログ: 重要な判断について SHAP 値や Attention などの説明を記録
• 監査証跡(audit trail): モデル・データ・推論結果のバージョンを保存し、問題発生時に再現可能に
• EU AI 法の高リスク AI の義務: 継続的な性能監視とログ保存が法的に要求される

AI エージェント は LLM に 記憶・計画・ツール使用 の能力を持たせ、自律的にタスクを完遂 するシステム。2024-2025 年で大きく進化し、ビジネス活用の中心トピックに。

エージェントの 4 構成要素

Function Calling と Tool Use

OpenAI Function Calling(2023)・Anthropic Tool Use(2024)で、LLM が 構造化された JSON でツール呼び出し を出力できるように。これにより、確実なツール連携が可能に。Function Calling は現代 LLM の基本機能 として定着しました。

• Web 検索: SerpAPI / Brave / Google Custom Search
• コード実行: Python サンドボックス・E2B・Code Interpreter
• データベース: SQL / NoSQL / Vector DB
• 業務システム: CRM・ERP・チャットツール連携

AI エージェント実装は 2023-2025 年で標準化が進行中。複数のフレームワークと標準が並走しています。

MCP(Model Context Protocol)

主要エージェントフレームワーク

• LangChain / LangGraph: 最も普及。グラフベースのワークフロー定義
• LlamaIndex: RAG・ドキュメント検索特化
• AutoGen(Microsoft): マルチエージェント会話の標準
• CrewAI: 役割ベースのチーム編成型エージェント
• Claude Code / Devin: 自律コーディングエージェント
• OpenAI Agents SDK: OpenAI 公式の軽量フレームワーク

高度なプロンプト戦略

• Plan-and-Execute: 大計画 → 小タスク分解 → 実行 → 結果評価
• Reflexion(Shinn et al. 2023): 失敗から自己反省して次回改善
• Tree of Thoughts: 複数の思考分岐を木探索で評価
• Self-Consistency: 複数生成から多数決で正解を選ぶ
• Chain-of-Thought(CoT): 段階的に推論を出力 → 精度向上

1 つの LLM ではなく、複数の専門エージェントが協調 して問題を解くアーキテクチャが 2024-2025 年で実用化されています。

マルチエージェントの設計パターン

実用例

• Devin(Cognition Labs): 自律ソフトウェア開発エージェント
• Claude Code: Anthropic のコーディングエージェント
• Manus: 中国発の汎用 AI エージェント(2025)
• ChatDev: ソフトウェア開発を会社の組織で模倣
• OpenAI Operator: ブラウザ操作型エージェント

AGI への道

ガバナンス上の論点

• 自律エージェントの権限範囲: どこまで自動実行を許すか
• アクション監査: エージェントの全操作のログと監査
• Human-in-the-Loop: 重要判断は人間に確認
• Misalignment リスク: エージェントが指示を誤解して暴走する懸念
• EU AI Act: 自律システムは『ハイリスク AI』に分類

規制業界(金融・医療・法務)での AI は、規制適合・説明可能性・監査ログが要件となります。

金融 AI の主要ユースケース

• 与信スコアリング: ロジスティック回帰 → GBM → DL モデル(説明可能性必須)
• 不正検知(AML/Fraud): 異常検知・グラフニューラルネット
• アルゴリズム取引: HFT・最適執行・ポートフォリオ最適化
• チャットボット: コンタクトセンター効率化・FAQ 自動応答
• ESG スコアリング: ニュース・SNS・財務情報を NLP で統合評価

医療 AI の進展

• 画像診断: 内視鏡・X 線・CT・MRI の AI 補助
• 創薬: AlphaFold(タンパク質構造)・分子生成
• 電子カルテ NLP: 症状抽出・診断支援
• ゲノム解析: 個別化医療・がん遺伝子変異検出
• 規制: 日本では PMDA が SaMD として承認

法務 AI

LegalForce / Lawyer AI などが契約書レビュー・判例検索・法律相談で実用化。Harvey(米国弁護士向け)は OpenAI と提携し、グローバル展開。生成 AI のハルシネーション が法務では致命的なため、人間によるレビュー必須。

実物の流通・運用に関わる業界では、予測・最適化・ロボティクス の AI が中心。

製造業

• 外観検査: ディープラーニングによる欠陥検出(Cognex / Keyence)
• 予知保全: センサデータから故障予測(QC 教科書 Ch10 参照)
• 最適生産計画: 需要予測 + 最適化ソルバー
• ロボット制御: VLA モデル + 強化学習
• 設計支援: Generative Design(Autodesk)

物流・小売

• 需要予測: 商品 × 店舗 × 日付の階層モデル
• 配送ルート最適化: 動的経路問題(VRP)+ 強化学習
• 自動倉庫: Amazon Robotics・Kiva ロボット
• 価格最適化: 動的プライシング・在庫連動
• パーソナル推薦: 協調フィルタリング + 深層学習
• 店舗 AI: 無人レジ(Amazon Go)・棚卸自動化

デジタルツインと最適化

デジタルツイン は物理プロセスの仮想複製。AI シミュレーションで『実物に投入する前に最適化』が可能。トヨタ・GE・シーメンスが製造業で先行、近年は都市計画(スマートシティ)にも展開。

人を扱う領域 での AI は、効率化と倫理のバランスが特に重要です。

EdTech と AI 教育

• 個別最適化学習: スタディサプリ・atama+ などの実用例
• AI チューター: ChatGPT・Khanmigo(Khan Academy)
• 自動採点: 記述式回答の AI 採点
• プロクタリング: オンライン試験の不正検出
• 学習分析: 大量の学習ログから個別の弱点を特定

HR Tech と採用 AI

公共分野

• 犯罪予測: COMPAS 論争 ─ 公平性指標の選択が政治的に
• 福祉申請評価: オランダ・ロッテルダム事件など各国で社会問題化
• 自治体相談チャットボット: 多言語対応・行政効率化
• 災害予測: 衛星画像 + AI で被害予測
• 選挙監視: ディープフェイク対策・SNS 不正アカウント検出

生成 AI の経済影響 は IMF・OECD・McKinsey 等が定量分析を進めています。

影響の規模

• McKinsey(2023): 生成 AI が世界 GDP に 年 2.6-4.4 兆ドル 寄与
• Goldman Sachs(2023): 全世界の 3 億人雇用 が AI で自動化される可能性
• OpenAI / Penn(2023): 米国の 80% の労働者 が GPT で 10% 以上の業務影響を受ける
• IMF(2024): 先進国の 40% の雇用 が AI に晒される

影響を受けやすい職種

• ハイインパクト: プログラマー・ライター・翻訳者・コンサルタント・経理
• 中程度: 営業・カスタマーサポート(支援ツール化)
• 低インパクト: 介護・建設・配管(身体性が必要)
• 新規創出: AI エンジニア・プロンプトエンジニア・AI 倫理オフィサー

AI 安全性(AI Safety) は、AI が人類に対して有害な影響を及ぼさないよう設計する研究分野。AGI(汎用人工知能)の議論と深く関わります。

主要な研究機関

• OpenAI: Superalignment チーム(2024 解散)、SSI(Sutskever)
• Anthropic: Constitutional AI・Mechanistic Interpretability
• DeepMind Safety: Reward Hacking 研究
• MIRI: AGI 安全性の理論
• AISI(AI Safety Institute): 英国・米国・日本などで設立

Alignment の主要課題

解釈可能性研究

Mechanistic Interpretability は、ニューラルネット内部で どのような計算が行われているか をリバースエンジニアリングする研究。Anthropic の Sparse Autoencoders / Dictionary Learning で『特徴』を抽出する研究が 2024-2025 年で大きく進展。

G 検定教科書 10 章を歩き終えました。総まとめと、合格後の学習継続について。

10 章の地図

1. Ch1: 人工知能の歴史と概論
2. Ch2: AI の社会実装と倫理
3. Ch3: ディープラーニングの基礎
4. Ch4: 生成 AI と LLM
5. Ch5: AI 関連法規と知的財産
6. Ch6: AI の強化と社会実装
7. Ch7: 生成 AI と LLM ─ 2024 年以降の動向
8. Ch8: AI エージェントと自律システム
9. Ch9: AI と業界別ユースケース
10. Ch10: AI の未来と総まとめ

学習継続のヒント

• Andrew Ng の AI for Everyone(Coursera): 経営者向けの優れた入門
• Stanford CS221 / CS231n: 公開講義動画
• JDLA G 検定公式テキスト 2026: 試験対策の本道
• OpenAI / Anthropic / DeepMind ブログ: 最新トピックを追う
• 主要カンファレンス: NeurIPS / ICML / ICLR / CVPR の論文
• X(Twitter): 各 AI ラボの研究者をフォロー

AI は社会を急速に変えていますが、その方向を決めるのは人間 です。本書で得た知識を使い、社会にとって望ましい AI の活用を、ぜひあなた自身の現場で進めてください。続く 11 章では、AI と人間の共生 ─ 教育・労働・創造性・ウェルビーイングの観点から、より深い視点を扱います。

生成 AI の登場(2022 年 ChatGPT・2023 年 GPT-4 ・ Stable Diffusion)で、AI と人間の共同創作(Co-Creation) が現実になりました。

Co-Creation の主要分野

• ライティング: ブログ・小説・脚本(Notion AI・Sudowrite)
• 画像: イラスト・写真合成(Midjourney・DALL-E 3)
• 音楽: 作曲・編曲(Suno・Udio)
• 動画: 短編作成(Sora・Runway・Veo)
• 3D: ゲーム・建築(NVIDIA Picasso・3D-GAN)
• コーディング: ペアプログラミング(GitHub Copilot・Cursor・Claude Code)

著作権と『創作の主体』論争

学習データの権利

• 米国: Authors Guild vs OpenAI 訴訟、NYT vs OpenAI 訴訟など
• EU AI Act: 学習データの透明性義務(2024)
• 日本: 改正著作権法 30 条の 4(機械学習目的の利用は原則 OK)
• Opt-out: クリエイターが学習からの除外を申し出る制度
• LLM の引用権: 出力時の引用元明示の議論

AI チューターが個別最適化された学習を提供できる時代に、学校教育の役割 は根本から問い直されています。

AI 教育ツールの現状

• Khanmigo(Khan Academy): GPT-4 ベースの個別 AI チューター
• ChatGPT Edu: 教育機関向け OpenAI
• atama+: 日本発の AI 個別最適化教材
• Duolingo Max: 語学学習に AI 対話
• Quizlet AI: フラッシュカード自動生成

AI 時代に育てるべき能力

学校教育の変化

• ChatGPT 禁止 → 活用奨励 へ転換した大学が増加(2023-2024)
• 論述試験の見直し: 自宅課題からオーラル試験・対面試験へ
• AI リテラシー教育: 高校・大学で必須カリキュラム化
• プロンプト学: 大学院でも研究分野として確立
• STEM 教育の重み変化: 計算力 → 問題発見力へ

生涯学習とリスキリング

AI による職業変化 に対応する リスキリング(reskilling) が国家戦略に。日本では デジタル人材育成プラットフォーム『マナビ DX』(経産省)・厚労省の 教育訓練給付金 拡充など。AI を 学び方そのものに使う メタ学習が一般化しています。

ウェルビーイング(well-being) は『心身の健康と幸福』。AI が日常に深く入り込む中で、人間の幸福を守る設計が問われています。

AI コンパニオン現象

• Replika・Character.AI: AI との対話・人間関係のシミュレーション
• 精神的支援: 孤独感緩和・鬱予防の効果報告
• 懸念: 過度の依存・社会的孤立の悪化・現実逃避
• 自殺関連事件: 2024 年米国で AI 関連の自殺事件が報じられ、業界に衝撃
• 規制議論: メンタルヘルス目的 AI へのガイドライン整備

AI と労働者のウェルビーイング

デジタル ウェルビーイング

• Screen Time / Digital Wellbeing: スマホ OS 標準機能
• Attention Economy 批判: SNS の中毒性デザイン批判
• Slow AI: 性急に使わず熟慮する文化
• Right to Disconnect: フランス 2017 年法整備、勤務時間外の連絡権
• AI Free Zone: 学校・職場で AI を使わない時間帯設定

G 検定 2026 で頻出する論点

• AI 著作権: クリエイターの権利保護と利活用のバランス
• 生成 AI の規制動向: EU AI Act・米大統領令・日本のガイドライン
• AI と教育: ChatGPT を活用した学習法・学校現場の混乱
• 労働市場への影響: McKinsey/Goldman Sachs 推計
• メンタルヘルスと AI: AI コンパニオン・依存症問題
• 気候変動 vs AI: 大規模モデル学習の環境負荷

結びに ─ 11 章を終えて

G 検定教科書 11 章の旅を終えました。技術 → 社会 → 哲学 へと視点を広げ、人間と AI が共に生きる未来 を考える素材を提供してきました。AI は道具であり、それをどう使うかは人間の選択。本書がその選択を支える一助になれば幸いです。