生成AIパスポート 学习生成式 AI 护照考试（生成AIパスポート）

学习目标

• 能举例区分基于规则的系统与机器学习，以及学习的类型（监督、无监督、强化）
• 能说明神经网络通过调整权重进行学习的机制，以及过拟合及其对策
• 能说明 CNN、RNN、LSTM、VAE、GAN，以及判别式 AI 与生成式 AI 的区别
• 能说明三次 AI 热潮的特点，以及发展到生成式 AI 的脉络

要点

• 基于规则的系统按人写的规则运行，难以应对意外的输入。机器学习则从数据中学习规则（模型）。
• 监督学习用带标签的数据进行分类和回归；无监督学习在无标签的情况下进行聚类和降维；强化学习通过行动和奖励学习策略。半监督学习同时使用少量带标签数据和大量无标签数据。
• 没有免费午餐定理：不存在在所有问题上总是最优的算法。
• 神经网络由输入层、隐藏层和输出层组成，通过误差反向传播和梯度下降调整权重，使损失函数的值变小。
• 过拟合是指过度拟合训练数据，导致在未知数据上性能下降。对策有正则化、Dropout、早停、增加数据等。
• CNN 通过卷积捕捉图像特征；RNN 处理序列数据但易受梯度消失影响；LSTM 通过门保持长距离依赖。之后 Attention 和 Transformer 成为主流。
• VAE 用编码器压缩为潜在向量、用解码器生成；GAN 让生成器和判别器相互竞争来生成。
• 第一次热潮是搜索与推理，第二次是知识表示与专家系统，第三次是机器学习、深度学习与大数据。其延长线上是基于 Transformer、LLM 和扩散模型的生成式 AI。

工作中的应用场景

• 总务把咨询分派从关键词规则（基于规则）改为用过去分派结果训练的模型（监督学习），更容易应对新的说法。
• 销售在无标签的情况下对客户购买数据进行聚类，按相似客户群调整提案内容。

考试评估项目（来自考试指南）

• AIの基本的な仕組み（ルールベースと機械学習）
• 機械学習（教師あり・教師なし・強化・半教師あり学習、ノーフリーランチ定理）
• ニューラルネットワーク（学習の仕組み、過学習と対策、転移学習、CNN・RNN・LSTM・VAE・GAN、識別系AIと生成系AI）
• AIの歴史（ダートマス会議から第三次AIブーム、生成AI、シンギュラリティ）

学习资源

• 生成式 AI 护照考试大纲（自 2027 年 2 月考试起适用，PDF） ↗
• 生成AIパスポート 考试指南 / 学习指南 ↗

学习目标

• 能说明 Transformer 的自注意力机制，以及扩散模型、基础模型、多模态的定位
• 能说明预训练、微调、RLHF 三个阶段，以及缩放定律和涌现能力
• 能说明下一个令牌预测与幻觉的关系，以及 Temperature、Top-p、上下文窗口的含义
• 能说明云端、本地部署、开源（开放权重）LLM 的区别和选择方法，以及各模态生成式 AI 的注意事项

要点

• Transformer 通过自注意力（Query、Key、Value）一次性计算句中各词之间的关系，擅长并行处理和长距离依赖。
• 扩散模型学习加噪的扩散过程，通过逆扩散从噪声生成图像。潜在扩散模型在压缩的潜在空间中处理，以减少计算量。
• 基础模型用大量数据预训练，能适应多种任务。多模态模型可以处理文本、图像、音频等多种模态。
• LLM 的训练顺序为：预训练（下一个令牌预测）→ 微调（指令微调）→ RLHF（根据人的评价建立奖励模型并进行强化学习）。
• 缩放定律：增加参数量、数据量和计算量，性能会以可预测的方式提升。规模扩大时突然出现的能力称为涌现能力。
• 生成是概率性的下一个令牌预测的反复。由于并不是在检索事实，会出现看似合理的错误（幻觉）。用 RAG 提供外部信息作为依据可以减少幻觉。
• 提高 Temperature 输出更多样，降低则更稳定。Top-p 从概率高的候选开始，把候选限定在累计概率 p 以内。上下文窗口是一次能处理的令牌数上限。
• 本地部署 LLM、本地 LLM 不必把数据送出公司（数据主权），但需要运维并确保性能。即使是开放权重模型，也要确认许可条件。
• 推理模型在回答前增加推理时的计算，通过思维链逐步思考，提高数学、编程等方面的准确度。
• 在图像、音频、视频生成式 AI 中，要注意肖像权、本人同意和深度伪造，并有通过 C2PA 等来源信息和数字水印标明为生成内容的做法。

工作中的应用场景

• 宣传构思广告语时把 Temperature 设得高一些以得到多样的方案，总结条款时设得低一些以得到稳定的输出。
• 信息系统为处理机密数据的部门，考虑在公司内部运行的本地部署 LLM 而不是云端 LLM，并确认许可和运维负担。

考试评估项目（来自考试指南）

• 生成AIを支える技術革新（Transformer以降、拡散モデル、基盤モデル・マルチモーダル）
• 生成AIの学習プロセス（事前学習・ファインチューニング・RLHF、スケーリング則）
• 生成AIの生成（推論）プロセス（トークン化、埋め込み、次トークン予測、ハルシネーション、Temperature・Top-p、コンテキストウィンドウ）
• LLMの基礎（LMとLLM、オンプレミス／オープンソースLLM）
• ChatGPTと主要な生成AIモデルの動向（推論モデル、Gemini・Claude・Copilot）
• 各モダリティの生成AI（画像・音楽・音声・動画、C2PA・電子透かし）

学习资源

• 生成式 AI 护照考试大纲（自 2027 年 2 月考试起适用，PDF） ↗
• 生成AIパスポート 考试指南 / 学习指南 ↗

学习目标

• 能说明 AI 代理与传统对话式生成式 AI 的区别，以及工作流型与自主型的区别
• 能说明 RAG 的机制（嵌入、向量搜索、分块、重排序）及其发展形式
• 能说明任务分解、工具执行、记忆、观察与重新规划的循环，以及 MCP、A2A、Agent Skills 的作用
• 能说明代理特有的风险（权限过大、连锁错误、提示注入），以及最小权限、沙箱、人工审批和评估的思路

要点

• AI 代理朝着目标制定计划，使用工具采取行动，观察结果并决定下一步行动。对话式生成式 AI 基本上是一次指示一次回应。
• 工作流型代理按人定好的步骤运行，易于预测。自主型由 LLM 自己决定步骤，灵活但难以管控行为。
• RAG 检索与问题相关的文档，把其内容加入提示后让模型回答。文档被拆分为分块并转换为嵌入（向量），在向量数据库中进行语义检索。
• RAG 的发展：与关键词检索结合的混合检索、重排序、查询改写（Advanced RAG），由代理反复检索的 Agentic RAG，以及使用知识图谱的 Graph RAG。
• 通过 Function Calling、Tool Use，LLM 可以调用外部函数和 API。区分使用短期记忆（对话上下文）和长期记忆（保存过去的信息），把所需信息放入上下文的技巧称为上下文工程。
• MCP（Model Context Protocol）是连接 AI 应用与外部工具、数据源的通用标准。A2A 是代理之间协作的协议。Agent Skills 是把步骤和资料打包提供给代理的机制。
• 编程代理会调查、修改和测试代码并创建拉取请求。驾驭工程（harness engineering）是指为代理准备运行环境（工具、权限、确认机制）。
• 风险：权限过大、错误连锁扩大、听从嵌入在外部文档或网页中的指示（提示注入）。对策包括最小权限原则、沙箱、允许列表、重要操作前的人工审批（Human-in-the-Loop）、纵深防御、评估（Eval）和持续监控。

工作中的应用场景

• 总务在回答公司内部规章问题的聊天中使用 RAG，并在回答中标明依据的规章条文。用施行日期等元数据进行筛选，以免混入旧规章。
• 财务即使把发票处理交给代理，付款也只在负责人审批后执行，代理只被授予查看和起草的权限。

考试评估项目（来自考试指南）

• AIエージェントとは（定義、ワークフロー型と自律型、自律性のレベル）
• RAG（仕組み、発展形、ユースケース）
• AIエージェントの仕組み（タスク分解と計画、ツール実行、メモリ、コンテキストエンジニアリング、フィードバックループ）
• MCP・Agent Skills と外部連携（MCP、A2A、マルチエージェント）
• AIエージェントのツールと活用事例（コーディングエージェント、ブラウザ操作、ディープリサーチ）
• AIエージェントのリスク・安全性・評価（最小権限、プロンプトインジェクション、Human-in-the-Loop、Eval）

学习资源

• 生成式 AI 护照考试大纲（自 2027 年 2 月考试起适用，PDF） ↗
• 生成AIパスポート 考试指南 / 学习指南 ↗

学习目标

• 认识到 AI 是辅助者、最终责任在人，能根据用途和影响程度判断使用、谨慎使用或不使用
• 能说明幻觉、信息泄露、侵权、深度伪造、影子 AI 等风险及其预防措施
• 能根据日本《个人信息保护法》（个人信息、个人识别符号、需特别注意的个人信息、向第三方提供）和商业秘密的概念，判断可以输入的信息
• 能说明著作权（依据性、相似性，AI 学习与著作权，AI 生成物的著作物性）、AI 事业者指南、公司内部指南，以及 AI 法和国际规则的要点

要点

• 不要盲信生成式 AI 的输出，要用一手信息确认事实、数值和出处。用途和影响越大，验证级别越高；必要时向专家确认，再判断采用、修改还是舍弃。
• 影子 AI 是指在工作中使用公司未批准的 AI 工具，会导致信息泄露和缺乏可追溯性。应提供已批准的工具，并明确可输入信息的规则。
• 个人信息是能识别在世个人的信息。个人识别符号（个人编号、护照号码、人脸识别数据等）单独即构成个人信息。取得需特别注意的个人信息（病史、犯罪记录、信仰等）原则上需要本人同意。
• 要作为商业秘密（日本《不正当竞争防止法》）受到保护，需要满足秘密管理性、有用性和非公开性三项要件。把机密信息输入外部 AI，可能损害秘密管理性。
• 著作权侵权根据与现有作品是否存在相似性和依据性来判断，AI 生成物也一样。AI 生成物是否构成作品，要看是否有人的创作意图和创作性贡献。
• AI 事业者指南提出了以人为本、安全性、公平性、隐私保护、确保安全、透明度、问责、教育与素养、确保公平竞争、创新等共同指导原则。
• 公司内部指南应包括使用目的、已批准工具、可输入的信息、输出确认、使用日志和事件应对等，并作为敏捷治理持续审视。
• 日本 AI 法（《关于推进人工智能相关技术研究开发及应用的法律》）是兼顾促进创新与应对风险的推进法，规定了 AI 基本计划和 AI 战略本部。欧盟 AI 法采用基于风险的方式进行规制。G7 广岛 AI 进程提出了面向先进 AI 系统的国际指导原则和国际行为准则。

工作中的应用场景

• 人事对在招聘材料筛选中使用生成式 AI 的方案，要确认应聘者个人信息的处理方式以及评价偏差（偏见）的风险，最终判断由人做出。
• 销售不要把客户名称或报价金额输入个人账户中未经批准的工具。使用公司批准的、设置为不把输入数据用于训练的工具。

考试评估项目（来自考试指南）

• 生成AI利用者の基本マインドセット
• 生成AIの代表的リスク
• シャドーAIと企業コンプライアンス
• AI出力の評価と検証
• 個人情報・プライバシー・秘密保持
• 著作権・知的財産・生成物の権利
• AI倫理とAI事業者ガイドライン
• AIガバナンスと社内ガイドライン
• AI法・国際ルール・AI安全保障

学习资源

• 生成式 AI 护照考试大纲（自 2027 年 2 月考试起适用，PDF） ↗
• 生成AIパスポート 考试指南 / 学习指南 ↗

学习目标

• 能运用提示的基本构成（指示、上下文、输入、输出格式），并区分使用 Zero-Shot、Few-Shot、Chain-of-Thought
• 能在邮件、会议纪要、摘要、翻译、幻灯片等中使用生成式 AI，并从事实核对和校对的角度确认输出
• 能说明在策划、营销、创意和数据分析中使用生成式 AI 的方法，以及关于权利、个人信息和确认一手信息的注意事项
• 能说明使用编程代理和浏览器操作实现业务自动化的方法，以及各行业成功的要点

要点

• 提示的基本构成要素：指示（做什么）、上下文（背景、目的、目标读者）、输入数据、输出格式（表格、条目、字数）。设定角色（例：作为经验丰富的编辑）有助于统一输出的视角。
• Zero-Shot 不给示例直接下指示。Few-Shot 给出几个示例以统一格式和标准（In-Context Learning）。Chain-of-Thought 让模型逐步思考，提高推理准确度。
• 控制具体程度：含糊的指示容易得到平庸的输出。要具体传达目的、约束和评价标准，并通过对话不断改进。
• 文档写作：擅长摘要、校对、改变语气、翻译、提取会议纪要要点。专有名词、数值和日期必须对照原文确认。
• 策划与营销：用于头脑风暴、讨论想法、广告语和问卷设计。市场和竞品调研要用一手信息佐证。
• 创意制作：生成图像、视频和音频时，要确认许可条件、能否商用、与现有作品或人物的相似性以及肖像权。
• 数据分析：辅助表格整理、分类和汇总，以及从大量文档中提取信息。计算结果要验算，并注意不要输入包含个人信息的数据。深度研究会跨多个来源进行调查。
• 开发与自动化：用编程代理调查、生成和审查代码，用浏览器操作代理自动化网页手续。要收紧权限，重要操作由人确认。

工作中的应用场景

• 销售根据商谈记录，用 Few-Shot 给出过去优秀纪要的示例，生成同样格式的会议纪要和下一步行动清单。
• 营销用生成式 AI 为落地页生成 20 条广告语方案，确认商标以及与竞品文案的相似性后，由人挑选并修改。

考试评估项目（来自考试指南）

• プロンプトエンジニアリング（基本構成要素、Zero-Shot・Few-Shot・Chain-of-Thought、役割設定・出力形式の指定）
• 文書作成・コミュニケーション業務での活用
• 企画・マーケティング業務での活用
• クリエイティブ制作での活用
• データ分析・リサーチ業務での活用
• 開発・業務自動化での活用、業種別の活用

学习资源

• 生成式 AI 护照考试大纲（自 2027 年 2 月考试起适用，PDF） ↗
• 生成AIパスポート 考试指南 / 学习指南 ↗