生成AIパスポート · LESSON 1
第 1 章 AI 的基础与历史13%（当サイト設定） · 4 个主题
学习 AI 的基本机制、机器学习的种类、神经网络以及 AI 的历史。
1.1AI 的基本机制（基于规则与机器学习）
概念
基于规则的 AI 按人编写的“如果……就……”规则运行。其行为易于解释，但无法应对规则之外的情况，编写和维护规则也很费工夫。机器学习从数据中自动学习规则（模式）。数据充足时能作出复杂判断，但依赖于训练数据，判断理由有时难以理解。
原理、步骤
- 如果课题的规则明确且不变，就考虑基于规则
- 对于规则写不尽的复杂判断（图像、语言）使用机器学习
- 机器学习要准备符合目的的、质和量都合适的数据
工作中的示例
检查费用规章（超出上限就退回）适合基于规则，从收据图像中读取金额适合机器学习。
易混淆点、考试注意事项
- 基于规则的系统也是 AI 的一种（专家系统等）
- 机器学习不是“编写程序”，而是“从数据中学习”
- 机器学习的结果是概率性的，不一定 100% 正确
小测验
Q1. 按照人写的规则（如果……就……）进行判断的 AI 机制叫什么？
- 深度学习
- 机器学习
- 强化学习
- 基于规则
查看答案和解析
正确答案：D 基于规则
基于规则是由人写入规则的方式。难以应对意外的输入，规则越多越难管理。由于这一局限，发展出了从数据中学习规则的机器学习。
Q2. 关于基于规则的系统的局限，最合适的是哪项？
- 难以应对未预料的输入，添加和维护规则的工作量不断增加
- 没有大量训练数据和高计算能力，就连一条规则都无法建立
- 即使输入相同，每次运行结果也会变化，行为不可复现
- 因为经常无法说明判断的理由，也无法追踪是哪条规则得出的结果
查看答案和解析
正确答案：A 难以应对未预料的输入，添加和维护规则的工作量不断增加
基于规则的系统在规则覆盖的范围内易于说明且可复现，但很难用规则写尽现实中多种多样的输入。
参考链接
1.2机器学习的种类
机器学习（监督学习、无监督学习、强化学习、半监督学习，没有免费午餐定理）
概念
监督学习用带正确答案（标签）的数据学习，进行分类或回归（数值预测）。无监督学习从无标签的数据中发现结构，用于聚类等。强化学习通过试错学习使奖励最大化的行动。半监督学习把少量带标签数据和大量无标签数据结合起来。没有免费午餐定理表明“不存在对所有问题都最好的万能算法”。
原理、步骤
- 确认是否有正确答案的标签（有的话就是监督学习）
- 没有标签而想分组，就用无监督学习
- 行动结果有奖励且可以试错，就用强化学习
工作中的示例
垃圾邮件判定适合监督学习，按顾客购买倾向分组适合无监督学习，游戏通关适合强化学习。
易混淆点、考试注意事项
- 分类预测类别，回归预测数值
- 强化学习不是从“正确答案”而是从“奖励”中学习
- 没有免费午餐定理表明需要根据问题选择方法
小测验
Q1. “不存在在所有问题上总是优于其他算法的万能算法”这一思想叫什么？
- 缩放定律（幂律）
- 奥卡姆剃刀原理
- 没有免费午餐定理
- 奇点假说
查看答案和解析
正确答案：C 没有免费午餐定理
没有免费午餐定理表明需要根据问题的性质选择方法。缩放定律是模型规模与性能的关系，摩尔定律是关于半导体集成度的经验法则。
Q2. 关于判别式 AI 与生成式 AI 的区别，最合适的是哪项？
- 判别式进行数据的分类或判定，生成式根据所学数据的特征生成新数据
- 判别式基于规则运行，生成式基于神经网络运行
- 两者的区别在于判别式只使用无监督学习，生成式只使用监督学习进行训练
- 判别式是只处理图像的模型的总称，生成式只处理文本
查看答案和解析
正确答案：A 判别式进行数据的分类或判定，生成式根据所学数据的特征生成新数据
判别式 AI 判定输入属于哪个类别，生成式 AI 生成文本、图像、音频等新数据。两者并不是按学习方法或模态区分的。
参考链接
1.3神经网络
神经网络（学习机制、过拟合及对策、迁移学习、CNN、RNN、LSTM、VAE、GAN、判别式 AI 与生成式 AI）
概念
神经网络叠加模仿大脑神经细胞的层，用误差反向传播法调整权重进行学习。层数加深的就是深度学习。过拟合（过于贴合训练数据而不擅长新数据）可通过增加数据、Dropout、正则化等应对。迁移学习把已训练的模型复用于其他任务。CNN 用于图像，RNN、LSTM 用于时间序列和文本，VAE、GAN 用于图像等的生成。判别式 AI 进行分类和判定，生成式 AI 创造新的数据。
原理、步骤
- 图像任务用 CNN，序列数据用 RNN、LSTM（近年用 Transformer）
- 数据少时通过迁移学习利用已训练的模型
- 比较训练误差和验证误差，确认是否过拟合
工作中的示例
在产品外观检查中，即使不良品图像很少，也能通过对图像分类的已训练模型进行迁移学习获得高准确度。
易混淆点、考试注意事项
- LSTM 改善了 RNN 难以学习长期依赖关系的问题
- GAN 让生成器和判别器相互竞争来学习
- 过拟合是“训练数据上性能高、测试数据上性能低”的状态
小测验
Q1. 在神经网络训练中，把输出与正确答案的差从输出层向输入层方向传递并调整各层权重的方法是哪项？
- 正则化（权重衰减）
- 误差反向传播（反向传播）
- 随机梯度下降（小批量学习）
- 前向传播
查看答案和解析
正确答案：B 误差反向传播（反向传播）
误差反向传播从输出侧依次计算损失函数的梯度，再用梯度下降更新权重。Dropout 和早停是过拟合的对策。
Q2. 在神经网络中，把各节点输入的总和进行变换后传给下一层的函数叫什么？
- 激活函数
- 损失函数
- 奖励函数
- 目标变量
查看答案和解析
正确答案：A 激活函数
激活函数（Sigmoid、ReLU 等）施加非线性变换，使模型能够表达复杂的关系。损失函数衡量预测与正确答案的差。
参考链接
1.4AI 的历史
AI 的历史（从达特茅斯会议到第三次 AI 热潮、生成式 AI、奇点）
概念
1956 年的达特茅斯会议上使用了“人工智能”一词，AI 经历了第一次热潮（搜索与推理）、第二次热潮（知识与专家系统）、第三次热潮（机器学习、深度学习与大数据）的发展。继 2010 年代深度学习取得成功之后，2017 年的 Transformer 和 2022 年的 ChatGPT 使生成式 AI 广泛普及。奇点（技术奇点）是指 AI 超越人类智能、社会发生无法预测的变化的时间点的概念。
原理、步骤
- 整理各次热潮的核心技术及其局限（寒冬期到来的原因）
- 掌握第三次热潮的推动因素（数据、计算资源、算法）
- 掌握生成式 AI 的转折点（Transformer、ChatGPT）
工作中的示例
在培训中，用数据增加、GPU 发展、深度学习三点说明“为什么现在 AI 变得可用”。
易混淆点、考试注意事项
- 第二次热潮的局限是由人写入知识的工作量（知识获取瓶颈）
- 达特茅斯会议在 1956 年
- 奇点是一种预测和概念，并不是已经发生的事件
小测验
Q1. 1956 年召开、据说首次使用“人工智能（Artificial Intelligence）”一词的会议是哪项？
- 阿西洛马会议
- NeurIPS
- G7 广岛峰会
- 达特茅斯会议
查看答案和解析
正确答案：D 达特茅斯会议
达特茅斯会议被视为 AI 研究的开端，并引出了之后的第一次 AI 热潮。
Q2. 第二次 AI 热潮退潮的主要原因，最合适的是哪项？
- 一般认为是因为没有大量收集图像的手段，无法训练深度学习
- 生成式 AI 输出看似合理的错误，受到很大的社会批评
- 由人把专家知识写成规则的工作量很大，应对例外也很困难
- 半导体价格昂贵，完全无法运行搜索和推理程序
查看答案和解析
正确答案：C 由人把专家知识写成规则的工作量很大，应对例外也很困难
对专家系统而言，知识的获取和维护成了瓶颈（知识获取瓶颈）。
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。