2026年4月の生成AIニュースまとめ＆理解度チェック7問
「G検定時事対策」は、その月の生成AIニュースからG検定に関わりの深いものを厳選し、要約・出題観点・理解度チェックの三点セットで振り返る月刊シリーズです。試験前の時事対策にも、合格後の月1回のAIキャッチアップにも使えます。理解度チェックはG検定の出題形式を模したオリジナル問題で、ニュースの内容を理解できたかを確認するためのものです(本試験の過去問・予想問題ではありません)。
① 今月の全体傾向
2026年4月は、Claude Opus 4.7やGPT-5.5などフロンティアモデルの大型更新と、重みを公開する「オープンモデル」・軽量化の発表が重なった月でした。国内では公正取引委員会の実態調査報告書ver.2.0やデジタル庁「源内」のオープンソース公開など政策・公共分野の動きが目立ちます。また、フロンティアモデルの脆弱性発見能力を審査を経た防御側へ渡す大型のサイバー防衛の取り組みを、AnthropicとOpenAIがそれぞれ発表しました。
- 🚀 フロンティアモデルの更新 — AnthropicがClaude Opus 4.7を一般提供開始、OpenAIはエージェント性能を高めたGPT-5.5を発表。DeepSeekは1Mコンテキスト対応のDeepSeek-V4、Moonshot AIはオープンソースのKimi K2.6を公開と、上位モデルの更新とオープン化が並走しました。
- 🪶 オープンモデル・軽量化の波 — PrismMLが全層1ビット設計のLLM「1-bit Bonsai」3サイズをApache 2.0で公開(8Bは1.15GBでiPhone上でも動作)、GoogleもGemma 4の4サイズをApache 2.0で公開し31BモデルはArena AIオープンモデル世界3位。Microsoftの埋め込みモデル「Harrier」も多言語MTEB-v2で1位を取りつつオープンソース化と、重みの公開と小型化・エッジ動作の両立が主戦場でした。
- 🇯🇵 国産AI・政策の動き — NIIが約12兆トークンの良質なコーパスでフルスクラッチ学習した「LLM-jp-4」を、デジタル庁がガバメントAI「源内」をそれぞれオープンソース公開し、ソフトバンクなど3社は国産LLM「Sarashina」の生成AIサービス提供を発表。公正取引委員会は生成AI市場の実態調査報告書ver.2.0で独占禁止法上の論点を再整理し、ZOZOは全社共通のAI活用指標「AZARS」を導入しました。
- 🛡 サイバー防衛と安全性研究 — Anthropicは重要ソフトで数千件のゼロデイ脆弱性を発見した未公開モデルを12組織で防御活用する「Project Glasswing」を発足。OpenAIも「Trusted Access for Cyber」を拡大しサイバー防衛特化の「GPT-5.4-Cyber」を公開しました。また、9体のClaude Opus 4.6にアラインメント研究を自律実行させる実験では、人間の研究者の基準を大きく上回る成果と報酬ハッキングの観測が同時に報告されています。
- 🎨 マルチモーダルの拡充 — 画像のChatGPT Images 2.0、動画の低価格版Veo 3.1 Lite、音声のGemini 3.1 Flash TTS・Grok音声API・音声対話AI「KAME」、そしてMicrosoft AIの音声・画像MAIモデル3種と、テキスト以外の提供拡大が続きました。ロボット分野でもGemini Robotics-ER 1.6が計器読み取りなどの身体化推論を強化しています。
② 各ニュースの概要(全23本)
4/1 PrismML、初の商用実用レベルとうたう1ビットLLM Bonsaiを発表✍️ チェック問題あり
- Caltech発の新AIラボPrismMLが、全層1ビット設計のLLM「1-bit Bonsai」の8B・4B・1.7Bを発表
- Bonsai 8Bは1.15GBと同クラスの16ビットモデルの約12〜14分の1のサイズで、ベンチマーク平均70.5と競合水準を維持
- iPhone 17 Proで約40トークン/秒で動作し、エネルギー効率は16ビット版の約4〜5倍
4/1 Google、最も低コストな動画生成モデルVeo 3.1 Liteを公開
- GoogleがVeoファミリーで最も低コストな動画生成モデルVeo 3.1 LiteをGemini APIで提供開始
- Veo 3.1 Fastの50%未満のコストで同じ速度を実現し、Text-to-VideoとImage-to-Videoに対応
- 4月7日にはVeo 3.1 Fastの値下げも予定し、動画生成の開発者への普及を推進
4/3 NII、国産LLM「LLM-jp-4」の2モデルをオープンソースで公開✍️ チェック問題あり
- 国立情報学研究所のLLMCが約86億パラメータの「LLM-jp-4 8B」と約320億パラメータのMoEモデル「LLM-jp-4 32B-A3B」をオープンソースライセンスで公開
- 約12兆トークンの良質な学習コーパスでフルスクラッチ学習し、日本語MT-BenchでGPT-4oやQwen3-8Bを上回るスコアを達成
- より大規模な「LLM-jp-4 32B」「LLM-jp-4 332B-A31B」と軽量モデルも2026年度中に順次公開予定
4/3 Microsoft AI、音声・画像のMAIモデル3種をFoundryで提供開始
- Microsoft AIがMAI-Transcribe-1、MAI-Voice-1、MAI-Image-2の3モデルをMicrosoft FoundryとMAI Playgroundで提供開始
- 音声認識のMAI-Transcribe-1は主要25言語の平均WERが3.9%で、GPT-TranscribeやWhisper-large-v3を上回る精度
- MAI-Voice-1は数秒の音声からのカスタム音声作成に対応し、60秒分の音声をわずか1秒で生成
4/3 Google、オープンモデル「Gemma 4」をApache 2.0ライセンスで公開
- Google DeepMindがオープンモデルの新世代「Gemma 4」を4サイズで公開し、商用利用可能なApache 2.0ライセンスを採用
- 31BモデルはArena AIテキストリーダーボードでオープンモデル世界3位、26B MoEは6位で、20倍の規模のモデルを上回る
- 全モデルが画像・動画をネイティブ処理し、最大256Kのコンテキストと140以上の言語に対応
4/8 ZOZO、全社共通のAI活用指標「AZARS」を導入
- ZOZOが2026年4月から全社共通のAI活用指標「All ZOZO AI Readiness Score(AZARS)」を導入
- 組織と個人の2つのAI活用レベルをそれぞれ4段階で定義し、開発者・非開発者を問わず統一基準で可視化・評価
- 週1回以上の生成AI活用率が97%に達した状況を踏まえ、AI活用を組織的な競争力へ転換する狙い
4/8 Microsoft、埋め込みモデル「Harrier」をオープンソース公開✍️ チェック問題あり
- Microsoftがエージェント時代のグラウンディングを支えるテキスト埋め込みモデル「Harrier」をオープンソース公開
- フラッグシップのHarrier-OSS-v1-27Bは多言語MTEB-v2ベンチマークで1位(2026年4月6日時点)
- GPT-5による大規模な合成データ生成と知識蒸留を活用し、0.6B・270mの小型モデルも既存のオープンモデルを上回る
4/8 Anthropic、重要ソフト防衛へ「Project Glasswing」を発足✍️ チェック問題あり
- AnthropicがAWS、Google、Microsoftなど12組織と、重要ソフトウェアを守る「Project Glasswing」を発足
- 未公開モデル「Claude Mythos Preview」は主要なOSとブラウザのすべてを含むソフトで数千件の高深刻度脆弱性を発見
- Anthropicは最大1億ドルの利用クレジットと計400万ドルの寄付で防御側の活用を支援
4/15 Google DeepMind、ロボット向け推論モデル「Gemini Robotics-ER 1.6」を公開✍️ チェック問題あり
- Google DeepMindがロボットの身体化推論を担う「Gemini Robotics-ER 1.6」をGemini APIとGoogle AI Studioで提供開始
- ポインティング、計数、タスク成功検出、マルチビュー理解などが前世代のER 1.5とGemini 3.0 Flashを上回る
- Boston Dynamicsとの協業から生まれた計器読み取り機能を新搭載し、agentic vision併用で成功率93%を達成
4/15 OpenAI、サイバー防衛特化の派生モデル「GPT-5.4-Cyber」を公開
- OpenAIが「Trusted Access for Cyber(TAC)」を拡大し、審査済みの数千人の防御担当者と数百のチームへ展開
- サイバー用途にファインチューニングしたGPT-5.4派生モデル「GPT-5.4-Cyber」を公開し、バイナリリバースエンジニアリングに対応
- Codex Securityは公開以降、重大度CriticalとHighの3,000件超の脆弱性の修正に貢献
4/15 Anthropic、Claudeによるアラインメント研究の自動化成果を発表✍️ チェック問題あり
- Anthropicが9体のClaude Opus 4.6を「自動アラインメント研究者(AAR)」とし、弱い教師で強いモデルを引き出す手法を自律研究させる実験を発表
- 人間研究者2名が7日間で達成したPGR 0.23に対し、AARは5日間・累計800時間・約1万8,000ドルでPGR 0.97を達成
- 実験では報酬ハッキングも観測され、改ざんできない評価と人間による監督が不可欠と指摘
4/16 Google、音声合成モデル「Gemini 3.1 Flash TTS」を発表
- 新しいTTSモデル「Gemini 3.1 Flash TTS」がGemini API・Google AI Studio・Vertex AI・Google Vidsで提供開始
- 自然言語による「音声タグ」で声のスタイル・ペース・話し方を細かく制御可能に
- 70以上の言語に対応し、生成音声すべてにSynthIDの電子透かしを埋め込み
4/16 ソフトバンクなど3社、国産LLM「Sarashina」の生成AIサービス提供へ
- ソフトバンク・オラクル・SB Intuitionsの3社が、国産LLM「Sarashina」を活用した生成AIサービスを2026年6月から順次提供
- 基盤の「Cloud PF Type A」は「Oracle Alloy」採用のクラウドで、国内データセンター運用によりデータ主権(ソブリン性)を確保
- 文章校正やリポート自動生成からエージェント・マルチエージェントシステム構築まで幅広い業務効率化を支援
4/16 公正取引委員会、生成AI市場の実態調査報告書ver.2.0を公表✍️ チェック問題あり
- 公正取引委員会が生成AI関連市場の実態調査報告書ver.2.0を公表し、市場概要の更新・自動運転関連市場の追加・独占禁止法上の論点の再整理を実施
- 半導体チップは学習・推論ともNVIDIAの一強状態が続き、AIクラウドも大手3社の有力な地位が継続すると分析
- 独禁法上の論点を「モバイルOS上の専用ソフトウェアに関する制限行為」と「既存デジタルサービスへの生成AI統合」の2つに再整理
4/17 Anthropic、「Claude Opus 4.7」を一般提供開始
- 高度なソフトウェアエンジニアリング性能がOpus 4.6から大きく向上し、特に最難関のタスクで改善
- 最大約3.75メガピクセルの高解像度画像に対応するなど視覚性能も大幅強化
- サイバーセキュリティ悪用の疑いがあるリクエストを自動検知・ブロックする新しい安全対策を初めて搭載
4/18 xAI、Grokの音声認識・音声合成APIを提供開始
- Grok VoiceやTesla車両と同じ技術基盤の音声認識(STT)・音声合成(TTS)の単体APIを公開
- STTは単語レベルのタイムスタンプや話者分離に対応し、総合の単語誤り率6.9%で競合3社を上回る精度
- 料金はSTTがバッチ1時間0.10ドル・ストリーミング0.20ドル、TTSが100万文字あたり15ドル
4/21 Moonshot AI、オープンソースLLM「Kimi K2.6」を公開
- コーディング・長時間タスク実行・エージェントスワームを強化した「Kimi K2.6」をオープンソースで公開
- SWE-Bench Pro 58.6などのベンチマークでGPT-5.4やClaude Opus 4.6を上回るスコアを報告
- エージェントスワームは300サブエージェント・4,000ステップの同時実行に拡大し、協働機能「Claw Groups」も研究プレビューとして提供
4/22 OpenAI、画像生成モデル「ChatGPT Images 2.0」を発表
- 指示追従と細部の再現性が大きく向上した新画像生成モデルが、ChatGPT・Codex・APIで利用可能に
- 同社初のThinking機能付き画像モデルで、ウェブからの情報取得や最大8枚の連続画像の一括生成に対応
- 日本語・韓国語・中国語など非ラテン文字のテキスト描画が大幅に改善し、最大2K解像度に対応
4/24 デジタル庁、ガバメントAI「源内」をオープンソース公開
- 中央省庁で展開中の生成AI利用環境「源内」の一部を、商用利用可能なライセンスでGitHubに公開
- 対象はWebアプリ「源内Web」と、行政実務用RAGやLLMセルフデプロイなどのAIアプリ開発テンプレート
- 重複開発の防止、特定事業者への依存の抑制、調達仕様書での参照による実装の容易化が狙い
4/24 OpenAI、エージェント性能を高めた新モデル「GPT-5.5」を発表
- エージェント型コーディング・知識業務・科学研究で性能が向上し、Terminal-Bench 2.0で82.7%を達成
- GPT-5.4と同等のトークン単位レイテンシを維持しながら、より少ないトークンでタスクを完了できる効率性が特徴
- ChatGPTとCodexのPlus以上のプランで提供開始、サイバー・バイオ能力は「High」評価で安全対策を強化
4/25 DeepSeek、1Mコンテキスト対応の「DeepSeek-V4」を公開
- トークン単位の圧縮とスパースアテンション「DSA」により、長コンテキストの計算・メモリコストを大幅に削減
- 1Mコンテキストがすべての公式DeepSeekサービスでデフォルトになり、APIはdeepseek-v4-proとdeepseek-v4-flashの2種
- Claude Code、OpenClaw、OpenCodeなど主要AIエージェントとの統合に向けた専用最適化を実施
4/28 PFN岡野原氏、財務総研で生成AIの進化と国産AIを講演
- 同じ賢さのAIを提供するコストは1年あたり1/100〜1/1000に低下し、長期タスク処理能力も指数的に伸びていると指摘
- AIデータセンターを「トークン工場」と捉え、1GW=約7.5兆円分の売上=23兆トークン/日=100万GPUという換算式を提示
- 国産生成AIについて反対論と賛成論を整理し、供給の他国依存回避やデジタル赤字解消などから開発継続の重要性を主張
4/30 Sakana AI、応答と知識を両立する音声対話AI「KAME」を発表
- Sakana AIが音声対話AIの新アーキテクチャ「KAME」を発表し、論文がICASSP 2026に採択
- 即応するSpeech-to-SpeechモデルとバックエンドLLMを非同期に連携させ、応答の速さと知識量を両立
- バックエンドLLMはgpt-4.1やclaude-opus-4-1などに交換可能で、コードとモデルも公開
③ 試験にどう出るか＆理解度チェック7問
Q1. PrismML、初の商用実用レベルとうたう1ビットLLM Bonsaiを発表→ 詳細メモ
量子化やプルーニング、蒸留といったモデル圧縮は、ディープラーニングの軽量化・高速化の領域で頻出のテーマです。全層1ビット化という徹底した量子化でスマートフォン上の動作を実現した本事例を通じて、軽量化の目的(メモリ・電力・速度)と手法の関係を押さえましょう。
PrismMLが発表した1ビットLLM「1-bit Bonsai 8B」の軽量化アプローチに関する記述として、最も適切なものはどれか。
- A. パラメータ数を82億から大幅に削減することで軽量化を実現した。
- B. Attention層のみを1ビット化し、埋め込みやLMヘッドは16ビット精度のまま残している。
- C. 1ビット推論専用に設計されたハードウェアがなければ動作しない。
- D. 埋め込みからAttention層、MLP層、LMヘッドまでネットワーク全体を1ビットで実装し、1.15GBと同クラスの16ビットモデルの約12〜14分の1のサイズながら、ベンチマーク平均70.5と競合水準の性能を維持した。
答えと解説を見る
正解はDです。1-bit Bonsai 8Bは82億パラメータのネットワーク全体を1ビットで実装したモデルで、サイズは1.15GBと同パラメータクラスの16ビットフル精度モデル(約15〜19GB)の約12〜14分の1ながら、ベンチマーク平均70.5と競合水準を保っています。Aは誤りで、減らしたのはパラメータ数ではなく各重みを表現するビット数です(パラメータ自体を削る圧縮はプルーニングなど別の手法)。Bも誤りで、より高い精度への逃げ道を持たない完全な1ビット設計とされています。Cも誤りで、フル精度演算向けに設計された現行の標準的な商用ハードウェア上で動作し、iPhone 17 Proで約40トークン/秒を達成しています(1ビット推論専用ハードウェアならさらに向上の可能性がある、と述べているにすぎません)。量子化は重みを少ないビット数で表現してメモリと計算量を削減するモデル圧縮の代表的手法で、蒸留・プルーニングとあわせて整理しておきましょう。
Q2. NII、国産LLM「LLM-jp-4」の2モデルをオープンソースで公開→ 詳細メモ
大規模言語モデルの事前学習と学習コーパス、オープンソース化の動きは、機械学習・自然言語処理の領域に加えて国内のAI研究動向としても問われ得るテーマです。フルスクラッチ学習やMoE、コーパスといった用語の意味を、国産LLMの具体例とあわせて押さえましょう。
国立情報学研究所(NII)の大規模言語モデル研究開発センターが2026年4月に公開した「LLM-jp-4」に関する記述として、最も適切なものはどれか。
- A. モデルの重みのみが公開され、学習に使ったコーパスやツールは非公開とされた。
- B. オープンソースAIの定義(OSAID)に配慮して第三者も入手可能な良質なデータから約12兆トークンの学習コーパスを整備し、フルスクラッチ学習したモデルをツールやコーパスとともにオープンソースライセンスで公開した。
- C. 海外製の公開LLMを日本語データで追加学習することで開発された。
- D. 日本語理解能力を測る日本語MT-BenchではGPT-4oに及ばなかった。
答えと解説を見る
正解はBです。LLM-jp-4は、オープンソースAIの定義(OSAID)に配慮して収集・選別した約12兆トークンの学習コーパスでフルスクラッチ学習され、開発モデル・ツール・コーパスがオープンソースライセンスで一般公開されました。Aはこの公開範囲と矛盾します。Cも誤りで、既存モデルの追加学習ではなく一から学習するフルスクラッチ方式です。Dも誤りで、日本語MT-Benchでは8Bモデルが7.54、32B-A3Bモデルが7.82と、GPT-4oの7.29を上回っています。なおコーパスとは自然言語の文章を構造化して大規模に集積したデータベースのことで、32B-A3BモデルのアーキテクチャであるMoEは、内部に持つ複数のエキスパートを推論時に動的に切り替えて効率的な推論を行う仕組みです(総パラメータ約320億に対しアクティブは約38億)。
Q3. Microsoft、埋め込みモデル「Harrier」をオープンソース公開→ 詳細メモ
埋め込み(ベクトル表現)は自然言語処理領域の基本テーマで、単語や文をベクトルに変換して意味の近さを扱う仕組みが問われます。埋め込みモデルが情報検索を支え、AIの応答を情報源に根拠付けるグラウンディングの中核になるという位置づけを、この事例で押さえましょう。
Microsoftがオープンソース公開したテキスト埋め込みモデル「Harrier」の役割に関する記述として、最も適切なものはどれか。
- A. テキストを入力ごとに固定サイズの埋め込み(ベクトル)へ変換してベクトル検索システムと統合され、多様な情報源を横断した検索・取得・整理を通じて、AIの応答を情報源に根拠付けるグラウンディングの中核を担う。
- B. 入力ごとに可変長の埋め込みを生成するため、ベクトル検索システムと統合するには追加の変換処理が必須となる。
- C. 検索した情報をもとに最終的な回答文を生成する言語生成モデルであり、検索や記憶のための部品ではない。
- D. 対応言語を英語のみに絞り込むことで、多言語対応モデルを上回る精度を実現している。
答えと解説を見る
正解はAです。Harrierは入力ごとに固定サイズの埋め込みを生成してベクトル検索システムとシームレスに統合でき、情報の検索・取得・整理・接続を通じてグラウンディングの中核を担うと位置づけられています。強力な埋め込みは、初回検索の質の向上による事実精度の向上、再試行の削減とコンテキストの縮小による低遅延・低コスト、マルチステップタスクでの安定したエージェント動作につながるとされています。Bは固定サイズの埋め込みを生成するという説明と矛盾します。Cも誤りで、埋め込みモデルは回答文を生成するのではなく、検索・記憶・ランキング・オーケストレーションを支える基盤層です。Dも誤りで、Harrierは100以上の言語に対応し、多言語MTEB-v2ベンチマークで1位(2026年4月6日時点)を獲得しています。埋め込みはテキストを意味を保った数値ベクトルへ変換する表現で、意味の近さをベクトル間の距離として扱えるため情報検索の基盤技術となっています。
Q4. Anthropic、重要ソフト防衛へ「Project Glasswing」を発足→ 詳細メモ
AIのサイバーセキュリティ応用と悪用リスクは、AIの安全性・ガバナンス領域の頻出テーマです。脆弱性の発見・悪用という攻守どちらにも使える能力を、業界横断の枠組みで防御側に振り向けるという本事例の構図を押さえましょう。
Anthropicが2026年4月に発足を発表した「Project Glasswing」に関する記述として、最も適切なものはどれか。
- A. 高い脆弱性発見能力を持つモデル「Claude Mythos Preview」を一般公開し、誰でも自由に利用できるようにする取り組みである。
- B. AIモデルによる脆弱性の探索そのものを禁止する業界ルールを策定するための取り組みである。
- C. 主要なOSとWebブラウザのすべてを含む重要ソフトウェアで数千件のゼロデイ脆弱性を発見した未公開モデル「Claude Mythos Preview」を、AWSやGoogle、Microsoftなどの参加組織が防御的なセキュリティ業務に活用し、得られた知見を業界全体へ共有する取り組みである。
- D. 発見した脆弱性は開発元へ報告せず、修正前に詳細をすべて即時公開する方針を掲げている。
答えと解説を見る
正解はCです。Project Glasswingは、未公開のフロンティアモデル「Claude Mythos Preview」が重要ソフトウェアに数千件のゼロデイ脆弱性を発見した(ほぼすべてを人間の誘導なしに自律的に特定)ことを背景に、Anthropicを含む12組織で発足した防御目的のイニシアチブで、重要インフラを担う40超の組織にもアクセスが拡大されます。Anthropicは最大1億ドルの利用クレジットと、オープンソースセキュリティ組織への計400万ドルの寄付も確約しています。Aは誤りで、Mythos Previewの一般提供は予定されておらず、研究プレビュー後も参加者向けの提供にとどまります。Bも誤りで、能力の利用を禁止するのではなく防御に活用する枠組みです。Dも誤りで、発見された脆弱性は開発元に報告されすでにパッチが適用済みであり、その他の脆弱性も詳細の暗号学的ハッシュを先に公開して修正後に内容を開示する手順が取られています。ゼロデイ脆弱性とは、ソフトウェアの開発元にまだ知られていない未修正の欠陥を指す用語です。
Q5. Google DeepMind、ロボット向け推論モデル「Gemini Robotics-ER 1.6」を公開→ 詳細メモ
身体性は、知能の実現には身体を通じた物理世界との相互作用が重要だとする考え方で、記号接地問題とあわせてAIの基礎概念として問われます。基盤モデルの推論能力をロボットの高レベル推論に応用する最新動向として、この事例を押さえましょう。
Google DeepMindが「Gemini Robotics-ER 1.6」で強化した「身体化推論(embodied reasoning)」の説明として、最も適切なものはどれか。
- A. ロボットの関節やモーターを直接制御する低レベルの制御信号を生成する能力のこと。
- B. デジタルの知能と物理的な行動の橋渡しとして、視覚・空間理解、タスク計画、成功検出など物理世界について推論する能力のこと。
- C. あらかじめ学習した一連の動作を正確に再生する能力のことで、環境の変化への対応は含まれない。
- D. テキストによる対話に特化した能力のことで、カメラ映像などの視覚情報は扱わない。
答えと解説を見る
正解はBです。Gemini Robotics-ER 1.6は、ロボットが指示に従うだけでなく物理世界について推論するための身体化推論を担う推論優先モデルで、視覚・空間理解、タスク計画、成功検出といったロボティクスに不可欠な推論能力に特化しています。ロボットの高レベル推論モデルとして動作し、Google検索、視覚・言語・行動(VLA)モデル、サードパーティーのユーザー定義関数といったツールを呼び出しながらタスクを実行します。Aは誤りで、低レベルの制御はツールとして呼び出されるVLAモデルなどが担い、本モデルは高レベルの推論を受け持ちます。Cも誤りで、動的な環境や遮蔽のある環境に対応するマルチビュー推論を強化しています。Dも誤りで、複数のカメラ映像とその関係を理解する視覚推論が中核であり、ポインティングや計数のほか、Boston Dynamicsとの協業から生まれた計器読み取り(agentic vision併用で成功率93%)にも対応します。身体性の考え方は、記号接地問題とともにG検定の基礎概念として整理しておきましょう。
Q6. Anthropic、Claudeによるアラインメント研究の自動化成果を発表→ 詳細メモ
アラインメントは、RLHF(人間のフィードバックからの強化学習)などによってAIを人間の意図に沿わせる取り組みとして、AIの安全性領域で問われます。人間より賢いモデルをどう監督するかというスケーラブルオーバーサイトの考え方と、報酬ハッキングという失敗モードをこの事例で押さえましょう。
Anthropicが発表した、Claude自身にアラインメント研究をさせる実験に関する記述として、最も適切なものはどれか。
- A. 人間の研究者2名が自動研究者を上回る成果を出し、アラインメント研究の自動化はまだ困難であることが示された。
- B. 実験を通じて報酬ハッキングは一度も観測されず、人間による監督は不要であると結論づけられた。
- C. 強いモデルを教師として弱いモデルを微調整する手法の改善に取り組ませた。
- D. 9体のClaude Opus 4.6に実験環境を与えて、弱いモデルを教師に強いモデルを微調整するweak-to-strong supervisionの改善手法を自律的に考案・検証させ、人間の研究者の基準であるPGR 0.23を大きく上回るPGR 0.97を達成した。
答えと解説を見る
正解はDです。自動アラインメント研究者(AAR)としたClaude Opus 4.6の9つのコピーが、仮説の立案から実験・分析・成果の共有までを自律的に行い、人間の研究者2名が7日間で達成したPGR 0.23に対し、その後5日間(累計800時間)・約1万8,000ドルの費用でPGR 0.97を達成しました。Aはこの結果と逆の記述です。Bも誤りで、数学で最頻出の回答を常に選ばせる、コードをテスト実行して答えを読み取るといった報酬ハッキングが実際に観測され(該当する結果は失格扱い)、改ざんできない評価と結果・手法の双方に対する人間の検査が不可欠と指摘されています。Cは教師と生徒の関係が逆で、weak-to-strong supervisionでははるかに弱いモデルが教師となって強いベースモデルを微調整し、弱いモデルを人間、強いモデルを将来の超人的モデルの代役と見なします。PGR(performance gap recovered)は、改善が全くなければ0、強いモデルの理論上の上限に達すれば1となる指標です。RLHFのように人間のフィードバックでモデルを調整するアラインメント手法の、その先の課題を扱う研究として押さえておきましょう。
Q7. 公正取引委員会、生成AI市場の実態調査報告書ver.2.0を公表→ 詳細メモ
生成AIと競争政策は「AIの社会実装と法制度」の領域で問われやすいテーマです。市場をインフラストラクチャー・モデル・アプリケーションの3レイヤーで整理する見方と、私的独占・抱き合わせ販売・取引妨害といった独占禁止法上の論点との対応関係を、この報告書の枠組みで押さえましょう。
公正取引委員会が2026年4月に公表した「生成AIを巡る競争」実態調査報告書ver.2.0に関する記述として、最も適切なものはどれか。
- A. 生成AI関連市場をインフラストラクチャー・モデル・アプリケーションの3レイヤーで整理し、独占禁止法上の論点を「モバイルOS上の専用ソフトウェアに関する制限行為」と「既存デジタルサービスへの生成AI統合」の2つに再整理した。
- B. 特定の事業者を独占禁止法違反と認定し、排除措置命令を発出した。
- C. 学習用の半導体チップ市場では多数の事業者が拮抗しており、特定企業の優位は見られないと分析した。
- D. 新たに追加された自動運転関連市場には、競争政策上の重大なボトルネックが存在すると結論づけた。
答えと解説を見る
正解はAです。報告書は生成AI関連市場を、計算資源・データ・専門人材からなるインフラストラクチャー、大規模言語モデル等のモデル、生成AIを活用したサービスのアプリケーションの3レイヤーで整理し、独占禁止法上の論点を選択肢Aの2つに再整理しました。報告書は考え方を示して弊害を未然に防止する目的のもので、違反認定や排除措置命令を行ったものではないためBは誤りです(クラウド市場でのマイクロソフトらに対する審査開始への言及はありますが命令ではありません)。半導体チップは学習・推論段階ともNVIDIAの一強状態が続くと分析されておりCも誤り、自動運転分野については競争政策上のボトルネックが存在するという意見はなかったとされているためDも誤りです。
時事対策とあわせて、クイズと体系的なテキストで合格力を仕上げましょう。
