人工知能をめぐる動向
G検定 学習ガイド ／ 30問 ／ 更新：2026年9月8日
探索、知識表現、機械学習の発展を、何ができるようになり、どこで限界が現れたかという流れで学びます。年号だけでなく、代表的なシステムと使われた技術を結び付けましょう。
理解のポイント
深さ優先探索と幅優先探索は調べる順序が異なります。Mini-Maxは相手の合理的な行動を考え、αβ法は結果に影響しない枝を省きます。探索の効率化と、学習による性能改善を分けて考えるのがポイントです。
このページは解答を確認しながら読む教材です。答えを見ずに挑戦したい場合は、演習ページの単元一覧から該当する単元を選んでください。
30問の解答と解説
問題文を開くと、正解・考え方・各選択肢の理由を確認できます。
01各辺のコストが等しい有限グラフで、始点から辺の数が最小の経路を探したい。深さの浅い順に調べる手法を選べ。
探索・推論 ／ 問題ID：g-003
正解：幅優先探索
幅優先探索は始点から1本で到達する頂点、2本で到達する頂点、と層ごとに調べます。訪問済み頂点を管理すれば循環も扱えます。辺のコストが同じという条件の下で、最初に到達した経路が最短になります。
選択肢ごとの理由
- 幅優先探索（正解）
深さごとに探索するため、辺数の最短経路が得られます。
- 深さ優先探索
一つの枝を深く進むため、最初の発見が最短とは限りません。
- 勾配降下法
微分可能な目的関数の最適化手法です。
- k-means法
データをクラスタに分ける手法です。
覚える要点：幅優先の最短性は、辺のコストが等しい条件に注意。
公式シラバスを確認02意味ネットワークで「猫は哺乳類の一種」と表す関係として、最も適切なものを選べ。
知識表現とエキスパートシステム ／ 問題ID：g-004
正解：is-a
is-aは種類や上位概念との関係を表します。猫は哺乳類に分類されるのでis-aです。「車輪は車の一部」はpart-of、「車は車輪を持つ」はhas-aに相当します。
選択肢ごとの理由
- is-a（正解）
下位概念から上位概念への分類関係です。
- part-of
猫は哺乳類の部品ではありません。
- has-a
所有や構成要素を持つ関係であり、分類ではありません。
- 同義関係
猫と哺乳類は同義ではなく、概念の広さが異なります。
覚える要点：「一種」はis-a、「一部」はpart-of。
公式シラバスを確認03迷惑メール判定を機械学習で作る場合の特徴として、最も適切なものを選べ。
機械学習 ／ 問題ID：g-005
正解：過去のメールから判定規則を学ぶ
機械学習では、データに含まれるパターンを使って予測する仕組みを作ります。条件を人が書き切るルールベースとは規則の得方が異なります。ただし、偏ったデータや新しい迷惑メールの傾向によって性能は変化します。
選択肢ごとの理由
- 過去のメールから判定規則を学ぶ（正解）
データから規則性を学ぶことが特徴です。
- 人がすべての判定条件を必ず列挙する
すべての条件を人が記述するのは主にルールベースの考え方です。
- 学習後は利用環境が変わっても性能が一定になる
データ分布が変化すれば再評価が必要です。
- データの偏りは判定結果に影響しない
学習データの偏りを引き継ぐことがあります。
覚える要点：機械学習はデータから学ぶため、データの質も問われる。
公式シラバスを確認04生成AIの利用例として、最も適切なものを選べ。
ディープラーニング ／ 問題ID：g-006
正解：説明文に応じて新しい画像を出力する
生成AIは学習したパターンをもとに文章や画像などのコンテンツを生成します。識別だけを目的とするモデルと区別します。ただし、生成された内容が必ず正確・新規・権利上安全とは限りません。
選択肢ごとの理由
- 説明文に応じて新しい画像を出力する（正解）
入力条件に応じてコンテンツを生成しています。
- 画像に写る物体を既定のラベルに分類するだけの処理
これは識別タスクの例です。
- 売上の合計を決められた式で計算する処理
固定的な集計は生成AIを必要としません。
- 保存されたファイルを名前の完全一致で検索するだけの処理
完全一致検索自体はコンテンツ生成ではありません。
覚える要点：生成することと、分類することを区別する。
公式シラバスを確認05深さ優先探索の特徴を選べ。
探索・推論 ／ 問題ID：g-084
正解：一つの枝を深く探索し、行き止まりで戻る
深さ優先探索は一つの経路を先へ進めます。深い解に早く届く場合がある一方、別の枝の浅い解を後回しにすることがあります。循環や無限の深さには対策が必要です。
選択肢ごとの理由
- 一つの枝を深く探索し、行き止まりで戻る（正解）
スタックや再帰で実装できます。
- 常に浅い頂点をすべて先に調べる
幅優先探索の説明です。
- 常に最小コスト経路を最初に発見する
一般には保証されません。
- 学習済み重みが必須である
探索自体に機械学習は不要です。
覚える要点：深さ優先は、まず一つの枝を深く進む。
公式シラバスを確認06Mini-Max法が想定する基本的な状況を選べ。
探索・推論 ／ 問題ID：g-085
正解：互いに最善を尽くす二人対戦
Mini-Maxでは、自分の番は評価を最大に、相手の番は自分の評価を最小にする手を選ぶと想定します。相手が都合よく動いてくれることを前提にしない考え方です。
選択肢ごとの理由
- 互いに最善を尽くす二人対戦（正解）
最悪の応答を考慮して自分の手を選びます。
- 相手が必ずランダムに動く一人作業
合理的な対戦相手の仮定と異なります。
- 正解ラベル付き画像の分類
ゲーム木評価とは異なります。
- 同じ値だけの時系列予測
対戦の意思決定ではありません。
覚える要点：自分は最大化、相手は自分の利益を最小化。
公式シラバスを確認07αβ法をMini-Max探索に使う主な狙いを選べ。
探索・推論 ／ 問題ID：g-086
正解：結果に影響しない枝を省く
αβ法は、すでに得た評価から最終選択を改善しないとわかる枝を省きます。手の並び順で効率は変わりますが、正しい枝刈りならMini-Maxの選択結果は保たれます。
選択肢ごとの理由
- 結果に影響しない枝を省く（正解）
枝刈りで探索量を減らします。
- 常に最善手の値を変える
正しく使えばMini-Maxの結果を保ちます。
- すべての葉を複製する
計算量が増えてしまいます。
- 評価関数を必ず学習する
枝刈りの方法であり学習は必須ではありません。
覚える要点：答えを変えずに、調べなくてよい枝を省く。
公式シラバスを確認08モンテカルロ法に共通する考え方を選べ。
探索・推論 ／ 問題ID：g-087
正解：反復サンプリングで量を推定する
モンテカルロ法はランダムな試行を重ねて確率や期待値などを推定します。試行数を増やすと推定の安定が期待できますが、有限回の試行で必ず厳密解になるわけではありません。
選択肢ごとの理由
- 反復サンプリングで量を推定する（正解）
解析が難しい対象を標本から近似します。
- 常に全候補を漏れなく列挙する
総当たりとは異なります。
- 誤差が一切ない解だけを返す
標本数に応じた推定誤差があります。
- 微分可能な関数にしか使えない
乱数を使う方法で微分は必須ではありません。
覚える要点：乱数による多数の試行で、求めたい量を近似。
公式シラバスを確認09ブルートフォースの説明として適切なものを選べ。
探索・推論 ／ 問題ID：g-088
正解：候補を網羅的に調べる総当たり
総当たりは実装や考え方が単純で、小さな問題では有効です。一方、組合せが指数的に増える問題では計算時間が急増するので、枝刈りや近似手法を検討します。
選択肢ごとの理由
- 候補を網羅的に調べる総当たり（正解）
候補が増えると計算負荷が大きくなります。
- 候補を一つも調べず最適解を知る
そのような保証はありません。
- 同じ候補のみ永遠に調べる
網羅的な探索ではありません。
- データを群に分ける学習
クラスタリングの説明です。
覚える要点：小さな問題には有効でも、組合せ爆発に注意。
公式シラバスを確認10探索木で各状態から3通りの行動があり、深さ4の葉をすべて数える。重複状態を無視した葉の数はどれか。
探索・推論 ／ 問題ID：g-089
正解：81
各段で候補が3倍になるので、葉は3×3×3×3=81です。深さを1増やすだけでさらに3倍になります。探索が組合せ爆発を起こす理由を小さな計算で確認できます。
選択肢ごとの理由
- 81（正解）
3を4回掛けた3⁴です。
- 12
分岐数と深さの積ではありません。
- 27
これは深さ3の葉数です。
- 4
深さだけでは葉の数になりません。
覚える要点：分岐数b、深さdなら葉は概ねbのd乗。
公式シラバスを確認11STRIPSで行動を表すときの基本的な組合せを選べ。
探索・推論 ／ 問題ID：g-090
正解：行動の前提条件と事実の追加・削除
STRIPSは計画を立てるための表現です。例えば「物を置く」には物を持っているという前提があり、置いたという事実を追加し、持っているという事実を削除します。
選択肢ごとの理由
- 行動の前提条件と事実の追加・削除（正解）
実行可能性と効果を記述します。
- 状態を表す平均値と標準偏差
統計量であり計画の作用ではありません。
- 学習用の入力画像と正解ラベル
教師あり学習の例です。
- 乱数系列を決めるシード値のみ
行動の意味を表せません。
覚える要点：行動は、条件と効果で記述する。
公式シラバスを確認12SHRDLUの研究で扱った世界として適切なものを選べ。
探索・推論 ／ 問題ID：g-091
正解：ブロックを扱う限定世界
SHRDLUはブロックの世界で指示を理解し操作するシステムとして知られます。限定世界で知識と言語と行動を結び付けた点と、現実世界への拡張の難しさをセットで捉えます。
選択肢ごとの理由
- ブロックを扱う限定世界（正解）
言語理解や操作を研究する簡略環境です。
- 地球全体の完全な経済モデル
そのような汎用モデルではありません。
- 医薬品の全臨床試験
医学のシステムではありません。
- 高解像度写真だけの集合
画像分類データセットではありません。
覚える要点：SHRDLUはブロック世界の言語理解。
公式シラバスを確認13MYCINが代表例として挙げられる技術を選べ。
知識表現とエキスパートシステム ／ 問題ID：g-092
正解：専門知識を使う規則型システム
MYCINは感染症の診断などを支援するエキスパートシステムの代表例です。専門家の知識を明示的な規則にして推論する流れを理解するための歴史的な例です。
選択肢ごとの理由
- 専門知識を使う規則型システム（正解）
専門領域の判断を規則で支援します。
- ノイズを除去する拡散モデル
生成モデルではありません。
- 領域の値を集約するプーリング
ネットワーク層の名称ではありません。
- 分散の大きい軸を求める主成分分析
次元削減手法ではありません。
覚える要点：MYCIN＝専門知識のルールによる推論。
公式シラバスを確認14DENDRALが扱った代表的な課題を選べ。
知識表現とエキスパートシステム ／ 問題ID：g-093
正解：化合物の構造推定
DENDRALは化合物の構造を推定する初期のエキスパートシステムです。汎用の知能を一度に実現するのでなく、特定領域の専門知識を使う研究の流れに位置付けます。
選択肢ごとの理由
- 化合物の構造推定（正解）
化学の専門知識を利用しました。
- 文章からの画像生成
生成AIの応用とは異なります。
- 自動車の顔認識
代表的な用途ではありません。
- 翻訳文の流暢さ評価
翻訳システムではありません。
覚える要点：DENDRALは化学、MYCINは医学の専門知識。
公式シラバスを確認15ELIZAの応答が自然に見えたことから直ちに結論できないものを選べ。
知識表現とエキスパートシステム ／ 問題ID：g-094
正解：人と同じ意味理解があったこと
ELIZAは入力のパターンに応じた返答で対話を模倣しました。自然に感じる応答を作れることと、内容を深く理解していることを区別する例になります。
選択肢ごとの理由
- 人と同じ意味理解があったこと（正解）
表面的な応答規則と意味理解は別です。
- パターンに基づく返答が可能なこと
ルールで返答を作れます。
- 利用者が人格を感じる場合があること
人間側の受け止め方としてあり得ます。
- 対話の形式を模倣できること
応答として観測できる性質です。
覚える要点：自然に見える返答だけでは、意味理解はわからない。
公式シラバスを確認16ある領域の概念とその関係を体系化し、機械でも意味を共有しやすくするものを選べ。
知識表現とエキスパートシステム ／ 問題ID：g-095
正解：オントロジー
オントロジーでは、例えば「製品」「部品」「製造者」といった概念と関係を定義します。異なるシステム間で同じ語を異なる意味で使う混乱を減らす助けになります。
選択肢ごとの理由
- オントロジー（正解）
概念や関係の明示的な整理です。
- ドロップアウト
学習中に一部のユニットを無効化します。
- イテレーション
学習更新の単位です。
- パディング
入力の端に値を補います。
覚える要点：概念の辞書に、関係の定義も加える。
公式シラバスを確認17「タイヤは自動車の一部である」の関係を選べ。
知識表現とエキスパートシステム ／ 問題ID：g-096
正解：part-of
部分と全体の関係はpart-ofです。「自動車は乗り物の一種」という分類ならis-aです。文章の「一部」と「一種」を入れ替えていないか確認します。
選択肢ごとの理由
- part-of（正解）
部分から全体への関係です。
- is-a
タイヤは自動車の一種ではありません。
- 同義語
同じ意味の語ではありません。
- 原因と結果
ここでは構成関係を表しています。
覚える要点：part-ofは構成、is-aは分類。
公式シラバスを確認18Cycプロジェクトの方向性として適切なものを選べ。
知識表現とエキスパートシステム ／ 問題ID：g-097
正解：常識を知識として蓄積し推論する
Cycは日常の常識的な知識を明示的に蓄積する試みです。常識は一見単純でも暗黙の前提が多く、体系的な記述が難しいことを理解する例でもあります。
選択肢ごとの理由
- 常識を知識として蓄積し推論する（正解）
常識知識の記述を目指します。
- 画像の画素数だけを増やす
知識ベースとは異なります。
- すべての知識を乱数で置換する
意味のある知識を失います。
- 音声の圧縮率だけを測る
音声符号化ではありません。
覚える要点：常識の明示化は、大量の知識と前提を必要とする。
公式シラバスを確認19Webの情報に機械が扱いやすい意味や関係を付ける構想を選べ。
知識表現とエキスパートシステム ／ 問題ID：g-098
正解：セマンティックWeb
セマンティックWebは、Webページを人が読むだけでなく、概念や関係を機械が処理できるようにする構想です。文字列の一致だけではわからない意味関係を扱うため、知識表現が関係します。
選択肢ごとの理由
- セマンティックWeb（正解）
情報の意味的な関係を機械が扱う方向性です。
- バッチ学習
データをまとめて学ぶ方式です。
- 深さ優先探索
探索の順序です。
- 量子化
数値表現を軽くする方法です。
覚える要点：文字列だけでなく、意味と関係も扱うWeb。
公式シラバスを確認20次元の呪いが問題になる例として適切なものを選べ。
機械学習 ／ 問題ID：g-099
正解：特徴が増えるほど空間が広がり、データが疎になる
高次元では空間の組合せが急増します。同じ件数でも、低次元ほど近隣の例を十分に得られません。特徴選択や次元削減などを検討する背景になります。
選択肢ごとの理由
- 特徴が増えるほど空間が広がり、データが疎になる（正解）
密に覆うために多くのデータが必要になります。
- 特徴が増えるほど必要なデータ件数は少なくなる
逆に不足が深刻化する場合があります。
- 次元が高いほど、距離は常に有効な類似度になる
距離の区別が難しくなることがあります。
- 説明変数が複数になると、モデルを学習できなくなる
適切な方法で高次元を扱えます。
覚える要点：特徴を増やせばよいとは限らない。
公式シラバスを確認21データマイニングの目的として最も適切なものを選べ。
機械学習 ／ 問題ID：g-100
正解：有用な規則やパターンを発見する
データマイニングは大量のデータなどから有用な関連やパターンを見いだします。発見された関連が因果関係かどうかは別の検討が必要です。
選択肢ごとの理由
- 有用な規則やパターンを発見する（正解）
分析によって知見を得ることを目指します。
- データを暗号化するだけ
保護技術であり知見の発見とは異なります。
- ファイルを名前順に並べるだけ
有用な規則の発見とは限りません。
- GPUの温度を下げること
ハードウェア管理です。
覚える要点：パターンの発見を、そのまま因果の証明にしない。
公式シラバスを確認22推薦エンジンの業務上の役割として適切なものを選べ。
機械学習 ／ 問題ID：g-101
正解：利用者に合う商品・情報を推薦する
推薦は、過去の行動や商品の特徴などから関連しそうな候補を提示します。利用者にとっての価値だけでなく、多様性や偏りへの配慮も評価の観点になります。
選択肢ごとの理由
- 利用者に合う商品・情報を推薦する（正解）
情報を選ぶ負担を減らします。
- ユーザーの意思を必ず代行して購入する
推薦と自動購入は異なります。
- 商品をすべて同じ価格にする
推薦の本質ではありません。
- どの入力にも同じ正解を保証する
予測やランキングには誤りがあります。
覚える要点：推薦は候補選びの支援であり、正解の保証ではない。
公式シラバスを確認23学習用メールに古い迷惑メールしか含まれない場合の問題を選べ。
機械学習 ／ 問題ID：g-102
正解：新しい迷惑メールへの性能が不足し得る
機械学習は過去のデータから規則性を学びます。対象の振る舞いが変わると性能が落ち得るため、最近の事例で再評価し、データやモデルの更新を検討します。
選択肢ごとの理由
- 新しい迷惑メールへの性能が不足し得る（正解）
学習した分布と運用分布が違います。
- 古いほど未来を必ず正確に予測できる
時間による傾向変化があります。
- モデルの種類によらず常に100%検出できる
保証はありません。
- 正解ラベルを消せば問題は解決する
新しい傾向の情報は増えません。
覚える要点：時間の経過で、問題の分布も変わる。
公式シラバスを確認24ImageNetとILSVRCの関係として適切なものを選べ。
ディープラーニング ／ 問題ID：g-103
正解：ImageNet関連データの画像認識競技がILSVRC
ImageNetは多数の画像をカテゴリとともに整理したデータセットです。ILSVRCは大規模画像認識の競技で、画像認識モデルの発展を比較する場となりました。
選択肢ごとの理由
- ImageNet関連データの画像認識競技がILSVRC（正解）
データセットと競技を区別します。
- ImageNetとILSVRCはいずれも活性化関数
関数ではありません。
- ImageNetは正則化、ILSVRCは損失関数
学習手法ではありません。
- ILSVRCは画像を使わず対話だけを評価する競技
画像認識に関する競技です。
覚える要点：ImageNetはデータ、ILSVRCは競技。
公式シラバスを確認25LeNetに最も関係が深いものを選べ。
ディープラーニング ／ 問題ID：g-104
正解：文字認識に用いる畳み込みネットワーク
LeNetは文字認識などで用いられた初期のCNNです。局所的な特徴と層を通じた変換を組み合わせる研究が、後の画像認識の発展につながりました。
選択肢ごとの理由
- 文字認識に用いる畳み込みネットワーク（正解）
CNNの歴史的なモデルです。
- 価格協調行為を対象とする競争法の規制
法律の用語ではありません。
- 人間らしい対話の能力を判定する競技
ローブナーとは異なります。
- 文書の話題を推定する潜在的ディリクレ配分
トピックモデルではありません。
覚える要点：LeNetはCNNと文字認識の歴史に位置付ける。
公式シラバスを確認26ネオコグニトロンの位置付けとして適切なものを選べ。
ディープラーニング ／ 問題ID：g-105
正解：視覚に着想を得た階層型ネットワーク
ネオコグニトロンは階層的な視覚認識モデルとして提案されました。現在の深層学習だけを見るのではなく、局所特徴と階層構造という発想の発展を捉えます。
選択肢ごとの理由
- 視覚に着想を得た階層型ネットワーク（正解）
後のCNNにつながる歴史的な研究です。
- Transformerの別名
Attention中心のモデルとは異なります。
- 個人情報を匿名化する制度
法制度ではありません。
- 音声圧縮のファイル形式
符号化形式ではありません。
覚える要点：CNNには、階層的な視覚認識研究の流れがある。
公式シラバスを確認27AlphaGoについて適切な説明を選べ。
ディープラーニング ／ 問題ID：g-106
正解：ニューラルネットと探索を使う囲碁AI
AlphaGoは方策や価値の学習と探索を組み合わせた例です。複雑な問題に対して、機械学習だけ・探索だけと切り分けず、手法を組み合わせることが重要です。
選択肢ごとの理由
- ニューラルネットと探索を使う囲碁AI（正解）
学習と探索を組み合わせて判断します。
- すべての盤面を完全に列挙しただけの表
巨大な状態空間を単純列挙したものではありません。
- 画像圧縮だけを行うモデル
囲碁の意思決定システムです。
- 囲碁での成功により全職業の能力を保証したAI
他分野への汎用性は別です。
覚える要点：AlphaGoは学習と探索の組合せ。
公式シラバスを確認28深層学習の発展を支えた条件の組合せとして適切なものを選べ。
ディープラーニング ／ 問題ID：g-107
正解：データ・計算資源・学習手法の進展
大きなモデルを訓練できる計算資源、学習に使えるデータ、最適化などの技術の進展が組み合わさって性能が伸びました。一つの要因だけで歴史を説明しないようにします。
選択肢ごとの理由
- データ・計算資源・学習手法の進展（正解）
複数の要因が組み合わさりました。
- データの完全な不要化・計算装置の廃止
学習にはデータと計算が必要です。
- すべてのルールの手入力だけ
深層学習の発展の説明ではありません。
- 評価をしないこと・入力を使わないこと
有用な学習につながりません。
覚える要点：データ・計算・手法の三つを組み合わせて理解。
公式シラバスを確認29知識ベースに矛盾した規則が加わったときの課題を選べ。
知識表現とエキスパートシステム ／ 問題ID：g-108
正解：規則の整合性や優先順位を管理する
エキスパートシステムでは知識を獲得するだけでなく維持する作業も重要です。新たなルールが既存のルールと衝突しないか、例外の優先関係をどうするかを考えます。
選択肢ごとの理由
- 規則の整合性や優先順位を管理する（正解）
追加した知識同士が衝突し得ます。
- 規則は増やすだけで必ず正しくなる
矛盾や重複が生じます。
- 知識の更新をすると推論が必ず不能になる
適切に管理して更新できます。
- 計算速度を上げれば矛盾は消える
論理的矛盾は速度では解消しません。
覚える要点：知識は量だけでなく、整合性と保守が重要。
公式シラバスを確認30Mini-Maxで手Aの先の相手応答が評価3と5、手Bが2と9となる。相手は自分の評価を下げるとき、選ぶ手と評価を選べ。
探索・推論 ／ 問題ID：g-109
正解：A・3
Aなら相手は3、Bなら2にする応答を選びます。そこで自分は最低保証が高いAを選びます。各手の最大値ではなく、相手の最悪の応答を先に考えます。
選択肢ごとの理由
- A・3（正解）
各手の最小値を比べ、max(3,2)=3を選びます。
- A・5
相手が有利な応答を選ぶと誤解しています。
- B・9
最良の場合だけを見ています。
- B・2
最低保証がより低い手です。
覚える要点：相手の最小値を求めてから、自分の最大値を選ぶ。
公式シラバスを確認