基本情報の生成AI・LLMを攻略！頻出用語と科目Aの覚え方

基本情報技術者試験の勉強中に、生成AI、LLM、基盤モデル、拡散モデルが一度に出てくると、どれが技術でどれが使い方なのか混乱しやすいですよね。

結論は、用語を「広い土台」「言語や画像を扱うモデル」「AIへの指示」「利用時のリスク」に分けることです。基本情報の科目Aでは、難しい数式よりも定義と役割の違いを見分けられる状態を目指しましょう。

この記事では、基本情報 生成AI LLMの範囲を現行のIPAシラバスに沿って整理し、選択肢を切るための覚え方まで解説します。

基本情報の生成AI・LLMを整理

シラバスの出題位置

IPAの基本情報技術者試験シラバスVer.9.2では、基礎理論の「AIに関する技術」に、機械学習、ディープラーニング、自然言語処理や画像生成への応用が並んでいます。

用語例には、生成モデル、GAN、基盤モデル、拡散モデル、言語モデル、大規模言語モデル（LLM）、自己教師あり学習、プロンプトエンジニアリングが明記されています。まずは、これらが同じ意味ではないと理解することが大切です。

現行範囲は、IPAの基本情報技術者試験シラバスVer.9.2で確認できます。用語を知っているだけでなく、考え方や仕組みを理解するのが学習目標です。

また、2025年度の科目A公開問題では、生成AIサービスに入力した情報を学習へ利用させたくない場合の「オプトアウト」が問われました。モデルの仕組みだけでなく、安全な利用方法も試験範囲だと考えて準備しましょう。

AIから生成AIまでの関係

AIは、人の知的な働きをコンピュータで実現する技術全体を指す最も広い言葉です。その中に、データから規則性を学ぶ機械学習があり、機械学習の手法の一つとして多層ニューラルネットワークを使うディープラーニングがあります。

生成AIは、文章、画像、音声、動画などの新しいコンテンツを生成するAIです。現在の代表的な生成AIではディープラーニングが広く使われていますが、「AIの範囲」と「何を生成するか」は別の観点だと押さえると混乱しにくいですね。

用語	試験向けの意味	見分ける語
AI	知的な処理を実現する技術の総称	最も広い概念
機械学習	データから規則性を学ぶ手法	教師あり・教師なし・強化学習
ディープラーニング	多層ニューラルネットワークを使う機械学習	多層・誤差逆伝播
生成AI	文章や画像などを新しく生成するAI	コンテンツを生成

基盤モデル・LLM・拡散モデル

基盤モデルは、大量かつ多様なデータで事前学習し、さまざまな用途へ適応できる土台のモデルです。特定の一つの仕事だけをこなす専用モデルではなく、追加学習や指示によって複数の用途へ展開できる点がポイントです。

LLMはLarge Language Modelの略で、大量のテキストから言葉の並び方や関係を学び、文章の生成・要約・翻訳・質問応答などに使われる大規模な言語モデルです。LLMは基盤モデルになり得ますが、基盤モデルには画像や音声を扱うものもあるため、両者は完全な同義語ではありません。

拡散モデルは、データへ少しずつノイズを加える過程と、そのノイズを取り除いてデータを復元する過程を学ぶ生成モデルです。代表的には画像生成で使われます。科目Aでは、LLMを「言語」、拡散モデルを「ノイズから画像などを生成」と結び付けると区別しやすいでしょう。

用語	役割	代表的な対象	覚え方
基盤モデル	多様な用途の土台	言語・画像・音声など	基盤＝使い回せる土台
LLM	言語の理解と生成	文章・コードなど	LはLanguage
拡散モデル	ノイズ除去を学んで生成	主に画像など	ノイズから形を戻す
GAN	生成器と識別器を競わせる	画像など	作る側と見破る側

プロンプトと追加学習

プロンプトは生成AIへ与える入力や指示です。プロンプトエンジニアリングは、目的、前提、出力形式、制約などを設計し、望む出力を得やすくする考え方を指します。

ここで重要なのは、プロンプトを工夫することと、モデル自体を追加学習することは別だという点です。通常のプロンプトエンジニアリングは入力を変える方法であり、モデルの重みを更新するファインチューニングではありません。

用語	何をするか	モデルの重み
事前学習	大量データから広いパターンを学ぶ	更新する
ファインチューニング	追加データで特定用途へ調整する	更新する
転移学習	学習済みの知識を別の課題へ活用する	活用方法により更新する
プロンプトエンジニアリング	入力する指示を設計する	通常は更新しない

基本情報の生成AI・LLMの覚え方

仕組み・使い方・リスクで分ける

用語を一語ずつ暗記するより、三つの箱へ分類すると記憶がつながります。「仕組み」は基盤モデル・LLM・拡散モデル、「使い方」はプロンプトエンジニアリング・ファインチューニング、「リスク」はハルシネーション・ディープフェイクです。

問題文に「大量データで事前学習した汎用的な土台」とあれば基盤モデル、「言語を扱う大規模モデル」ならLLM、「入力する指示を工夫」ならプロンプトエンジニアリングというように、定義中の決め手を拾います。

• 仕組み：何を学び、どう生成するモデルか
• 使い方：入力を変えるのか、追加学習するのか
• リスク：誤情報なのか、偽コンテンツなのか

ひっかけ選択肢を切る

科目Aの選択肢では、近い言葉の説明を入れ替えるパターンに注意します。正しい説明を長文で覚えるより、「これは違う」と判断できる境界を持つ方が得点へつながりやすいかなと思います。

特に、生成AIの出力が自然だから正しいとは限りません。ハルシネーションへの対策は、人が根拠や一次情報を確認することです。プロンプトを詳しくしても、誤りを完全に防げるわけではありません。

ひっかけ	正しい切り分け
LLMは全ての基盤モデルの総称	LLMは言語モデルで、基盤モデルの一種になり得る
拡散モデルは文章専用	代表的には画像生成で使われる
プロンプトでモデルを再学習する	プロンプトは入力の設計で、通常は重みを更新しない
ハルシネーションは偽動画	もっともらしい誤情報の生成を指す
ディープフェイクは単なる誤回答	本物らしい偽画像・音声・動画などを指す
オプトアウトで回答が正確になる	入力情報を学習利用させない設定などに関係する

ミニ問題で定着させる

最後に、用語の境界を確認する三問を解いてみましょう。先に答えを見ず、問題文の決め手になる語を探してみてください。

一問ごとに「仕組み・使い方・リスク」のどの箱かを判断すると、知識を思い出しやすくなります。

大量かつ多様なデータで事前学習し、複数用途へ適応できる土台のモデルは？

基盤モデルです。「事前学習」「複数用途の土台」が決め手になります。

AIへの指示を具体化して出力を調整する考え方は？

プロンプトエンジニアリングです。追加データでモデルを学習させるファインチューニングとは異なります。

生成AIが事実でない内容をもっともらしく答える現象は？

ハルシネーションです。出力をうのみにせず、根拠や一次情報を人が確認します。

次に進む勉強順

最初に用語表を自分の言葉で説明し、次に選択肢の誤りを指摘し、最後に問題演習へ進むのがおすすめです。正解を覚えるだけでなく、他の選択肢がなぜ違うのかまで言えるようにしましょう。

AI以外も含めた学習の優先順位は基本情報のテクノロジ系勉強法、科目A全体の進め方は科目Aを効率よく攻略する勉強法で確認できます。資格選びまで考えたい方は基本情報技術者試験とG検定の違いも参考にしてください。

基本情報の生成AI・LLM対策は、用語数の多さに圧倒される必要はありません。土台は基盤モデル、言語はLLM、画像生成の代表は拡散モデル、入力の工夫はプロンプトエンジニアリングと整理すれば、科目Aの選択肢を落ち着いて比較できますよ。