【G検定】生成AIとは？ChatGPT・LLMの仕組みと課題をわかりやすく解説

ChatGPTの登場以来、「生成AI」はニュースで見ない日がないほどの言葉になりました。G検定では、生成AIの定義に加えて、大規模言語モデル（LLM）との関係、性能を支える3要素、そしてハルシネーションなどの課題までがセットで問われます。この記事で全体像を整理しましょう。

📖 ひと言でいうと

生成AIとは、膨大なデータとディープラーニング技術を使って構築され、人間が作ったような自然な文章・画像・音声などを新しく「生み出せる」AIモデルの総称です。従来のAIの主な仕事が「写っているのは猫か犬か」を見分けるような認識・分類だったのに対し、生成AIは「猫の絵を描いて」「この文章を要約して」という注文に応えて、世界にまだ存在しないコンテンツを作り出します。いわば「目利きのAI」から「職人のAI」への広がりです。

🖼 1枚でわかる生成AI

生成AI — コンテンツを「作る」AI

定義 — 自然な文章・画像・音声などを生成できるAIモデルの総称
代表例 — 2022年にOpenAIが公開したChatGPT
LLM — 大規模言語モデルは生成AIの一形態
性能の源 — 「計算量」「データ量」「パラメータ数」の3要素の拡大
課題 — 誤情報を出力する「ハルシネーション」など

つくもち屋「G検定対策」SUMMARY

📘 公式テキストの説明

膨大な量のデータとディープラーニング技術を用いて構築され、人間のような自然な文章・画像・音声などを生成できるAIモデルの総称。代表例として、2022年にOpenAIが公開したChatGPTがあり、質問に対する回答や文章の要約、プログラムコードの生成など、多岐にわたるタスクをこなすことができる。大規模言語モデル（LLM）はその一形態で、「計算量」「データ量」「パラメータ数」の3つの要素を大幅に拡大することで高い性能を実現している。2018年にGoogleが発表したBERTを起点として、文章全体の意味を理解できる新しい技術が生まれ、現在はチャットボットや検索エンジン、翻訳など、多様な用途での活用が進んでいる。ただし、誤った情報を出力する「ハルシネーション」など、いくつかの技術的な課題も残されている。

押さえるべき骨組みは、①定義（コンテンツを生成できるAIモデルの総称）、②代表例（2022年・OpenAI・ChatGPT）、③LLMは生成AIの一形態で「計算量・データ量・パラメータ数」の拡大が性能の源、④系譜（2018年・Google・BERTが起点のひとつ）、⑤課題（ハルシネーション）の5点です。年号と企業名の対応（2018年=Google=BERT、2022年=OpenAI=ChatGPT）は特に問われやすい組み合わせです。

🔍 しっかり理解する

「認識するAI」と「生成するAI」の違い

🅰 認識・識別するAI（従来の主流）

入力を分類・判定する（画像認識、スパム判定など）
出力は「ラベル」や「数値」
例: 写真から猫か犬かを当てる

🅱 生成AI

新しいコンテンツを作り出す
出力は「文章・画像・音声・コード」そのもの
例: 指示に従って猫のイラストや要約文を作る

どちらもディープラーニングが土台ですが、AIの役割が「判定する側」から「作る側」へ広がった点が生成AIの新しさです。ChatGPTのような対話型AIは、質問応答・要約・翻訳・プログラムコード生成など、ひとつのモデルで多岐にわたるタスクをこなせることも特徴です。

LLMと「3つの拡大」

生成AIの中でも文章を扱うものが大規模言語モデル（LLM）で、生成AIの一形態にあたります。LLMの性能を支えているのが「計算量」「データ量」「パラメータ数」という3つの要素の大幅な拡大です。モデルの規模を大きくし、より多くのデータをより多くの計算で学習させるほど性能が伸びるという経験則が知られており、各社が巨大な計算設備を投じて規模の競争を続けています。試験ではこの3要素を選ばせる問題が想定されるので、「計算・データ・パラメータ」と唱えて覚えましょう。

技術の系譜としては、2018年にGoogleが発表したBERTが起点のひとつです。BERT以降、文章全体の文脈をふまえて意味を理解できる技術が発展し、チャットボット・検索エンジン・翻訳など幅広い用途に展開されました。その延長線上に、2022年にOpenAIが公開したChatGPTの爆発的普及があります。

残された課題——ハルシネーション

生成AIには技術的な課題も残っています。代表がハルシネーション（幻覚）で、事実に基づかない誤った情報を、もっともらしい自然な文章で出力してしまう現象です。生成AIは「正しい知識を検索して答える」のではなく「学習データから自然につながる言葉を生成する」仕組みのため、流暢さと正しさは別物なのです。このほか、学習データに含まれる偏見の反映や、著作権・個人情報の扱いなども論点になっています。

💡 具体例で考える

ハルシネーションの深刻さを示す実例として、米国で弁護士がChatGPTで判例を調査し、実在しない判例を裁判所への提出書類に引用してしまい、制裁を受けた事件が広く報道されました。出力がもっともらしいほど人間は疑わなくなるため、「生成AIの出力は必ず人間が事実確認する」という運用が重要になります。

一方、活用の成功例も身近に広がっています。プログラムコードの生成・修正支援、会議録の要約、外国語メールの下書き、商品説明文の量産など、「たたき台を数秒で作らせて人間が仕上げる」使い方が定着しつつあります。文章だけでなく、指示文から画像を生成するモデルも2022年頃から一般に普及し、広告やデザインの現場で使われています。

⚠️ よくある誤解・紛らわしい用語

💡 ポイント

生成AIとLLMの関係 — LLMは生成AIの「一形態」です。生成AIには画像や音声を生成するモデルも含まれ、生成AI＝LLMではありません。
「生成AIは事実を検索して答えている」は誤り — 学習データをもとに自然な続きを生成する仕組みであり、正確な知識の出力は保証されません。だからこそハルシネーションが起こります。
企業と年号の取り違え — BERTは2018年にGoogleが発表、ChatGPTは2022年にOpenAIが公開です。組み合わせを入れ替えた選択肢に注意しましょう。
識別系AIとの混同 — 画像に写る物体を当てる画像認識は「識別」であり、生成AIではありません。出力が「ラベル」か「コンテンツそのもの」かで見分けられます。

📝 試験でのポイント