G検定 · LESSON 1
什么是人工智能・围绕人工智能的动向11%（当サイト設定） · 6 个主题
学习人工智能的定义、人工智能领域的主要问题、搜索与推理、知识表示与专家系统、机器学习以及深度学习的发展脉络。
1.1人工智能的定义
人工智能的定义（AI 的级别划分、AI 效应、人工智能与机器人的区别）
概念
人工智能的定义因研究者而异，没有统一的定义。在 AI 的级别划分中，可整理为：级别 1（简单的控制程序）、级别 2（古典人工智能：搜索、推理、知识的利用）、级别 3（引入机器学习的 AI）、级别 4（用深度学习自行学习特征量的 AI）。AI 效应是指某项技术实现、原理被理解后，就被视为“那不是智能”的现象。机器人是拥有身体的机器，AI 是对其“思考”部分的研究。
原理、步骤
- 按“自己学习什么”整理级别 1〜4 的区别
- 举出 AI 效应的例子（过去的“AI”被视为普通技术）
- 区分机器人学与 AI 研究对象的不同
工作中的示例
空调温度的自动调节属于级别 1，将棋的搜索程序属于级别 2，从图像中自行学习特征的图像识别属于级别 4。
易混淆点、考试注意事项
- 人工智能的定义在专家之间也没有统一
- 级别 3 由人设计特征量，级别 4 学习特征量本身
- AI 效应是对技术评价降低的心理现象，并非技术的倒退
小测验
Q1. 按人工智能的级别划分（4 个阶段）来考虑。使用人设计的特征量（词的出现次数等），从数据中学习垃圾邮件判定规则的机制，属于哪个级别？
- 引入了深度学习的人工智能
- 引入了机器学习的人工智能
- 简单的控制程序
- 经典的人工智能
查看答案和解析
正确答案：B 引入了机器学习的人工智能
从样本数据中学习输入与输出的关系的是级别 3。特征量由人设计。（判断要点：从数据中学习，但特征量由人设计）
Q2. 按人工智能的级别划分（4 个阶段）来考虑。连有助于判定的特征量本身也从图像数据中学习，从而辨别照片中物体的机制，属于哪个级别？
- 经典的人工智能
- 引入了机器学习的人工智能
- 引入了深度学习的人工智能
- 简单的控制程序
查看答案和解析
正确答案：C 引入了深度学习的人工智能
连特征量（特征表示）也自动学习的是级别 4 的深度学习。（判断要点：连特征量的设计也交给了学习）
参考链接
1.2人工智能领域讨论的问题
人工智能领域讨论的问题（图灵测试、中文房间、框架问题、符号接地问题、奇点）
概念
图灵测试是指如果无法分辨对话对象是机器还是人，就认为机器具有智能的测试。中文房间（塞尔）是主张仅靠符号操作不能称为“理解”的思想实验，是对强 AI 的反驳。框架问题是只挑出与某项工作相关事项的困难，符号接地问题是符号（词语）能否与其所指的现实世界对象联系起来的问题。奇点是 AI 超越人类智能的转折点，库兹韦尔预测为 2045 年。
原理、步骤
- 把各问题的提出者与主张要点对应起来
- 区分围绕“理解”的讨论（中文房间）与“选择”的问题（框架问题）
- 结合身体性的讨论理解符号接地
工作中的示例
扫地机器人在“收拾房间”时，难以从无数可能发生的事情中只考虑相关的事项，这是框架问题的例子。
易混淆点、考试注意事项
- 中文房间是塞尔，图灵测试是图灵
- 框架问题由麦卡锡和海斯提出
- 勒布纳奖是基于图灵测试的对话比赛
小测验
Q1. 考虑人工智能讨论中涉及的问题。一个不懂中文的人即使按照规则书排列符号作出完美的回答，也不能说他理解了含义。这个思想实验叫什么？
- 框架问题
- 符号接地问题
- 知识获取瓶颈
- 中文房间
查看答案和解析
正确答案：D 中文房间
中文房间（塞尔）主张，即使通过了图灵测试也不一定是理解了。（判断要点：探讨按规则操作符号与理解之区别的思想实验）
Q2. 考虑人工智能讨论中涉及的问题。把专家的知识访谈出来做成规则的工作很费工夫，而且隐性知识很多，因此专家系统没有普及。这个问题叫什么？
- 框架问题
- 知识获取瓶颈
- 符号接地问题
- 中文房间
查看答案和解析
正确答案：B 知识获取瓶颈
知识获取瓶颈是把专家知识输入计算机的工作的困难，是第二次热潮结束的原因之一。（判断要点：把知识作为规则提取出来的工作的局限）
参考链接
1.3搜索与推理
搜索与推理（搜索树、广度优先与深度优先搜索、Mini-Max 法、αβ 剪枝、蒙特卡洛法、STRIPS、SHRDLU）
概念
搜索是用树结构（搜索树）表示状态来寻找解的方法。广度优先搜索按由浅到深的顺序检查，能找到最短的解，但占用较多内存。深度优先搜索沿一个分支深入检查，内存占用少，但不一定最短。在游戏中使用 Mini-Max 法（选择使自己得分最大、对手得分最小的着法）和剪除不需要分支的 αβ 剪枝。蒙特卡洛法随机下到终局（Playout）来评价着法的好坏。STRIPS 是行动规划（Planning）的方法，SHRDLU 是用自然语言操作积木世界的系统。
原理、步骤
- 整理广度优先与深度优先在内存和最短性上的区别
- 确认 αβ 剪枝中 α 剪枝、β 剪枝的含义
- 理解蒙特卡洛法为何在围棋中有效
工作中的示例
寻找迷宫最短路径时选择广度优先搜索，内存有限时选择深度优先搜索。
易混淆点、考试注意事项
- αβ 剪枝以更少的搜索得到与 Mini-Max 法相同的结果
- 蒙特卡洛法在围棋等难以由人设计评价函数的场景中有效
- SHRDLU 由维诺格拉德开发
小测验
Q1. 正在选择搜索的方法。在游戏搜索树中使用 Mini-Max 法，希望剪掉不需要评估的分支以减少计算。最合适的方法是哪项？
- 深度优先搜索
- αβ 剪枝
- 蒙特卡洛法
- 广度优先搜索
查看答案和解析
正确答案：B αβ 剪枝
αβ 剪枝在不改变 Mini-Max 法结果的前提下，省去无需评估的分支（α 剪枝、β 剪枝），提高搜索效率。（判断要点：剪掉 Mini-Max 法中不需要的分支）
Q2. 关于 IBM 的沃森（Watson）的说明，最合适的是哪项？
- 以通过日本大学入学考试为目标开发的、日本研究项目的 AI
- 在美国智力问答节目中战胜人类冠军的问答系统
- 结合深度学习和强化学习、在围棋中战胜职业棋手的系统
- 使用专用硬件进行搜索、在国际象棋中战胜世界冠军的系统
查看答案和解析
正确答案：B 在美国智力问答节目中战胜人类冠军的问答系统
沃森于 2011 年在智力问答节目《危险边缘》（Jeopardy!）中获胜。【其他选项】围棋是 AlphaGo，大学入试是东 Robo 君，国际象棋是深蓝（Deep Blue）。
参考链接
1.4知识表示与专家系统
知识表示与专家系统（语义网络、本体、MYCIN、DENDRAL、Cyc、沃森）
概念
知识表示是把知识变成计算机可处理的形式。语义网络把概念表示为节点，把关系（is-a：上下位，part-of：整体与部分）表示为链接。本体是对概念与关系的体系化定义，分为由人严格定义的重量级本体和从数据自动构建的轻量级本体。专家系统把专家的知识规则化，以 MYCIN（血液感染症的诊断）、DENDRAL（化学结构的推定）最为有名。Cyc 是试图描述全部一般常识的计划，IBM 的沃森是在问答节目中战胜人类的问答系统。
原理、步骤
- 确认 is-a 与 part-of 关系的性质（传递律）
- 理解专家系统的局限（知识获取瓶颈）
- 把各系统与其用途对应起来
工作中的示例
由“狗 is-a 哺乳动物”“哺乳动物 is-a 动物”推出“狗 is-a 动物”，是语义网络中推理的例子。
易混淆点、考试注意事项
- MYCIN 针对感染症，DENDRAL 针对化学（鉴定未知有机化合物）
- 知识获取瓶颈是引出并写下专家知识的困难
- 沃森被视为利用轻量级本体的例子
小测验
Q1. 以「前提条件・行动・结果」的组合描述行动，求出从初始状态到目标状态的行动序列的早期自动规划方法是哪项？
- STRIPS
- Cyc 项目
- MYCIN
- SHRDLU
查看答案和解析
正确答案：A STRIPS
STRIPS 是规划（自动规划）的方法。【其他选项】SHRDLU 是用自然语言操作积木世界的系统，MYCIN 是诊断感染症的专家系统，Cyc 是描述常识的长期项目。
Q2. 在本体研究中，关于“轻量本体”的思路，最合适的是哪项？
- 最重视减少本体的知识量以节省存储容量的思路
- 认为最好完全不使用知识、只根据数据统计建立预测模型的思路
- 不拘泥于准确性，通过数据分析自动发现概念之间关系的思路
- 通过反复的哲学思考，由人严格定义概念之间的关系，构建正确知识体系的思路
查看答案和解析
正确答案：C 不拘泥于准确性，通过数据分析自动发现概念之间关系的思路
轻量本体是像网络挖掘那样自动发现关系的思路。由人严格定义的是重量本体。
参考链接
1.5机器学习
机器学习（大数据、维度灾难、统计自然语言处理）
概念
机器学习是从数据中学习模式的方法，随着互联网普及获得的大量数据（大数据）而发展。维度灾难是指特征量（维度）增加后，所需数据量和计算量急剧增加、学习变得困难的问题。统计自然语言处理是从大量文本数据（语料库）中以概率方式处理语言的方法，大幅改进了机器翻译等。
原理、步骤
- 整理机器学习发展的原因（数据、计算资源）
- 确认应对维度灾难的对策（降维、特征选择）
- 理解基于规则的翻译与统计翻译的区别
工作中的示例
机器翻译从编写语法规则的方式，进化到从大量对译数据中学习的统计方式，再到神经机器翻译。
易混淆点、考试注意事项
- 维度灾难是“维度增加后数据变稀疏”的问题
- 增加特征量并不总能提高准确度
- 统计自然语言处理并不理解单词的含义
小测验
Q1. 机器学习在第三次 AI 热潮中受到关注的背景，最合适的是哪项？
- 因为理论证明了机器学习即使数据很少也一定能给出正确答案
- 因为把专家知识作为规则收集的工作已能自动进行
- 因为互联网的普及使大数据变得可以获取，计算机的性能也提高了
- 因为对任何问题都能在短时间内计算搜索树的所有分支
查看答案和解析
正确答案：C 因为互联网的普及使大数据变得可以获取，计算机的性能也提高了
数据量和计算资源的增加，使从数据中学习的机器学习与深度学习变得实用。
Q2. 关于“维度灾难”的说明，最合适的是哪项？
- 特征量维度越多，训练所需的数据量急剧增加，性能难以提高的现象
- 层越深，从靠近输出的层开始梯度变小，靠近输入的层不再学习的现象
- 过于贴合训练数据，对未知数据的预测准确度下降的现象
- 学习新任务后，以前学过的任务的知识丢失的现象
查看答案和解析
正确答案：A 特征量维度越多，训练所需的数据量急剧增加，性能难以提高的现象
维度增加后数据在空间中变得稀疏，所需数据量呈指数增长。对策是降维和特征选择。【其他选项】依次为梯度消失、过拟合、灾难性遗忘。
参考链接
1.6深度学习
深度学习（ILSVRC、AlexNet、AlphaGo、生成式 AI）
概念
在 2012 年的图像识别竞赛 ILSVRC 中，多伦多大学辛顿团队的 AlexNet（深度学习）以大幅超越传统方法的准确度夺冠，成为第三次 AI 热潮的契机。2016 年 DeepMind 的 AlphaGo 在围棋中战胜了顶尖棋手。此后，基于 Transformer 的大语言模型和图像生成等生成式 AI 迅速发展。
原理、步骤
- 理解深度学习自行学习特征量这一点
- 把划时代的事件与年份结合起来记忆
- 掌握通向生成式 AI 的技术脉络（Transformer）
工作中的示例
在培训中，按图像识别、游戏、语言的顺序，说明从 2012 年 AlexNet 的成功到如今生成式 AI 的发展脉络。
易混淆点、考试注意事项
- AlexNet 夺冠的是 ILSVRC 2012
- AlphaGo 结合了深度学习、强化学习和蒙特卡洛树搜索
- 深度学习的思想本身由来已久，是计算资源和数据使其实用化
小测验
Q1. 关于统计机器翻译与基于规则的机器翻译之区别的说明，最合适的是哪项？
- 统计机器翻译用人写的语法规则翻译，基于规则的翻译从大量双语数据中学习译法
- 统计机器翻译是深度学习的一种，基于规则的翻译是其改良后的新方式
- 统计机器翻译根据双语数据按概率选择译法，基于规则的翻译用人写的规则翻译
- 统计机器翻译只限于语音翻译，基于规则的翻译只限于文本翻译
查看答案和解析
正确答案：C 统计机器翻译根据双语数据按概率选择译法，基于规则的翻译用人写的规则翻译
1990 年代以后，使用双语语料库的统计机器翻译成为主流，之后转向神经机器翻译。
Q2. 关于围绕人工智能的讨论的叙述，不合适的是哪项？
- 在达特茅斯会议（1956 年）上首次使用了“深度学习”一词
- 具身性的讨论认为，通过身体与外界互动对智能的形成很重要
- 罗布纳奖是基于图灵测试比拼对话程序的竞赛
- 在达特茅斯会议上首次使用了“人工智能（Artificial Intelligence）”一词
查看答案和解析
正确答案：A 在达特茅斯会议（1956 年）上首次使用了“深度学习”一词
在达特茅斯会议上，约翰·麦卡锡使用了“人工智能”一词。“深度学习”一词是在 2000 年代以后才广泛传播的。
参考链接
课程由本站根据公开信息独立编写，不保证与考试内容一致。产品规格可能变化，请在参考链接中确认最新信息。
使用须知（非官方、原创题目、不保证合格）
- 本站题目是根据官方公开的技能大纲和考试指南独立编写的原创练习题，并非真实考试题目。
- 本站与 GUGA、JDLA 等考试主办机构无合作关系，也未获得其认可或推荐。考试名称和机构名称可能是各权利人的商标或注册商标。
- 本内容仅为学习辅助，不保证考试合格。考试内容、形式和前提条件可能随时变更，参加考试前请务必在官方页面确认最新信息。
- 模拟考试的正确率无法换算为官方（换算）分数，也不能预测是否合格。
- 进度仅保存在本浏览器（localStorage）中；使用 Google 登录后才会同步到账号。可在“Cookie 与存储设置”页面（日语）中删除。