Anthropic Academy「AI Capabilities and Limitations」ナレッジノート

出典: Anthropic Academy ／ 2026-07-04（中嶋さん学習用）

コース概要

AI Capabilities and Limitations（AI の能力と限界） は、生成 AI の「機械としての性質」を扱う入門コース。姉妹編である 4D フレームワーク（Delegation / Description / Discernment / Diligence＝人間側のコンピテンシー）が「あなたが AI とどう協働するか」を教えるのに対し、本コースは「AI があなたとどう協働できるか」を教える。両者で一つのシステムをなす。

コアメッセージ： - 生成 AI は、既存コンテンツを分類するのではなく、新しいコンテンツを1トークンずつ生み出す。 - AI は一様に有能でも一様に当てにならないでもなく、4つの予測可能な軸で強弱がある：次トークン予測 / 知識 / ワーキングメモリ / 操縦性。 - 各性質は連続体（continuum）。同じ仕組みが能力と限界を同時に生む。だから信頼は「丸ごと与える／取り上げる」ではなく、タスクを連続体のどこに置くかで較正する（calibrated trust）。 - 現実の失敗の多くは、性質どうしの交点で起きる。どの2つかを名指しできれば、打つべき手が決まる。 - モデルは変わり続けるが、性質の形は安定しているので、この教材は古びない。

4つの中核性質（早見表）

目次（全14レッスン）

補足

• 「Try it out」レッスン（05/07/09/11）はインタラクティブなウィジェット教材で、元テキストに解説文がほぼ無い。各ノートは、ウィジェットのタイトルと、それが紐づく親レッスンの性質から何を体感させる演習かを簡潔に記す方針で作成した。
• Lesson 14 はコース修了クイズ。設問は受講プラットフォームで動的配信されるため、指示どおり「クイズ（受験は別途）」の記載のみ。
• 各ノートは2層構成：日本語ナレッジ（本文の自然な全訳） ＋ 英語原文。

AI Capabilities and Limitations ｜ Lesson 01「AI の能力と限界 入門（Intro to AI Capabilities and Limitations）」

出典: Anthropic Academy ／ 2026-07-04

日本語ナレッジ（本文の自然な全訳）

このレッスンで学ぶこと（想定所要時間：15分）

このレッスンを終えると、次のことができるようになる。 - このコースが何を扱い、どう構成されているかを理解する - モデルやプロダクトが変わり続けても、なぜこの教材が古びない（durable）のかを説明できる - 「能力と限界（Capabilities & Limitations）」フレームワークと「4D フレームワーク」がどう協働するのかを理解する

AI 能力・限界コースへようこそ（4分）

4D フレームワークは、あなたが AI とどう協働するかを教える。このコースは、AI があなたとどう協働できるかを教える。両者を合わせると一つのシステムになる——片側に人間のコンピテンシー（能力）、もう片側に機械の性質（プロパティ）がある。

機械のメンタルモデル（頭の中の機械の模型）

コースロードマップ

• ここで言う AI とは何か：生成 AI とは何か、他のタイプの AI とどう違うのか？
• AI はどう訓練されるか：事前学習（pretraining）とファインチューニング（fine-tuning）は、どうやって AI に「性格」を与えるのか？
• AI の性質（プロパティ）：次トークン予測、知識、ワーキングメモリ、操縦性（steerability）とは何か？
• すべてを統合する：現実の場面で性質どうしが衝突すると何が起きるのか？
• 次のステップ：この知識を使って、AI を安全に・効果的に・倫理的に使うにはどうすればよいか？

キーテイクアウェイ

• AI フルーエンシー・フレームワーク（4D）は人間のコンピテンシーを記述する。このコースは、そのコンピテンシーが応答する相手である機械の性質を記述する。
• 生成 AI には4つの中核的な性質がある：次トークン予測（Next Token Prediction）、知識（Knowledge）、ワーキングメモリ（Working Memory）、操縦性（Steerability）。
• この教材が古びないのは、モデルが改善しても性質そのものは安定しているからだ。境界（どこまでできるか）は動くが、性質は変わらない。

演習：現在の自分の AI 利用をマッピングする

なぜやるのか？ これはこのコースの後続のすべての演習の土台になるから。 1. この2週間で実際に AI を使ったタスクを4〜6個挙げる。まだあまり使っていなければ、使ってみたいタスクを挙げる。具体的に書くこと——「プロジェクトの遅延を説明する顧客向けメールの下書きをした」なら何かが分かるが、「文章を書いた」では分からない。 2. 各タスクについて1行メモする——出力は一発でうまくいったか、それとも使える形にするために手直しが必要だったか？ 考えすぎず、直感的なチェックで十分。 3. そのリストを Claude（または任意の AI アシスタント）に共有し、こう尋ねる：「これらのタスクそれぞれについて、注意していないと失敗しうるやり方を1つずつ挙げて」。挙げられた失敗パターンが自分の実感に合うか確かめる。合わなければ押し返す：「それは私の経験と違う。実際に起きたのはこうだ……」。

このリストは取っておくこと。すべてのレッスンで立ち返ることになり、そのたびに違った見え方になるはずだ。

レッスンの振り返り

• 挙げたタスクのうち、どれが AI に任せて「安全」に感じ、どれが「危うい」と感じたか？ その理由をまだ言語化できるか？
• 説明できないまま気づいていた AI の挙動（良いものでも悪いものでも）を1つ挙げよ。

次に学ぶこと

4つの性質に入る前に、このコースで「AI」が何を指すのかに線を引く必要がある。ここで扱うのは特に生成 AIであり、それが他の形態の AI とどう違うのかを見ていく。

フィードバック

コースを進めながら、学んだ概念を仕事でどう使っているか、また感想などをぜひ聞かせてほしい。

英語原文

What you'll learn — Estimated time: 15 minutes By the end of this lesson you'll be able to: - Understand what this course covers and how it's structured - Explain why this material is durable even as models and products keep changing - See how the Capabilities & Limitations framework and the 4D Framework work together

Welcome to the AI Capabilities & Limitations Course (4 minutes) The 4D Framework teaches YOU how to collaborate with AI. This course teaches you how AI is able to work with you. Together they're one system: human competencies on one side and machine properties on the other.

A mental model of the machine

Course roadmap - What we mean by AI — What is generative AI and how does it differ from other types of AI? - How AI is trained — How do pretraining and fine tuning give AI its character? - Properties of AI — What are next token prediction, knowledge, working memory, and steerability? - Putting it all together — What happens when properties collide in real life situations? - Next steps — How do you use this knowledge to use AI safely, effectively, and ethically?

Key takeaways - The AI Fluency Framework (4Ds) describes human competencies. This course describes the machine properties those competencies respond to. - Generative AI has four core properties: Next Token Prediction, knowledge, working memory, and steerability. - This material is durable because the properties stay stable even as models improve. Boundaries shift but the properties remain the same.

Exercise: Mapping Your Current AI Use Why? This is the foundation for every exercise that follows in this course. - List 4–6 tasks you've actually used AI for in the last two weeks. If you haven't used AI much yet, list tasks you'd like to use it for. Be specific: "drafted a client email explaining a project delay" tells you something. "Writing" doesn't. - For each task, note one line: did the output land on the first try, or did you need to rework it before it was usable? Don't overthink this. A quick gut check is fine. - Now share your list with Claude (or any AI assistant) and ask: "For each of these tasks, what's one way this could go wrong if I'm not paying attention?" See if the failure modes it names feel relatable. If they don't, push back: "That doesn't match my experience. Here's what actually went wrong..."

Hold onto this list. You'll return to it in every lesson, and it'll look different each time you do.

Lesson reflection - Which of your listed tasks felt "safe" to hand to AI, and which felt risky? Can you articulate why yet? - What's one AI behavior you've noticed (good or bad) that you couldn't explain at the time?

What's next Before the four properties, we need to draw a line around what "AI" means in this course. We're talking specifically about generative AI and how it's different from other forms of AI.

Feedback As you progress through the course, we'd love to hear from you about how you are using concepts from the course in your work, plus any feedback you may have.

AI Capabilities and Limitations ｜ Lesson 02「ここで言う『AI』とは何か（What We Mean by AI）」

出典: Anthropic Academy ／ 2026-07-04

日本語ナレッジ（本文の自然な全訳）

このレッスンで学ぶこと（想定所要時間：20分）

このレッスンを終えると、次のことができるようになる。 - 生成 AI を、あなたが日々すでに接している「分類（classification）」型・「予測（prediction）」型の AI と区別できる - 生成 AI の性質が、能力（capability）から限界（limitation）へと連続するスペクトラム（連続体）の上に存在することを理解する - これから深く探る4つの中核的な性質——次トークン予測、知識、ワーキングメモリ、操縦性——を先取りして把握する

生成 AI とは何か（4分）

世の中にある AI のほとんど（スパムフィルタ、レコメンド、不正検知）は生成型ではない。このコースが扱うのは生成型の方だ——トランスフォーマーをベースにしたテキストモデルで、新しいコンテンツを1トークンずつ生み出すもの。

機械のメンタルモデルを組み立てる

AI 能力・限界フレームワーク

AI があなたのために何をできて何をできないかを形づくる4つの性質。それぞれがスペクトラムの上にあり、右へ行くほど、あなたが検証し補わなければならない度合いが増す。

キーテイクアウェイ

• 生成 AI は、既存コンテンツを分類するのではなく、新しいコンテンツを生み出す。
• AI は一様に有能なわけでも、一様に当てにならないわけでもない。予測可能な4つの軸に沿って強くもあり弱くもある：次トークン予測、知識、ワーキングメモリ、操縦性。
• それぞれの性質は連続体（continuum）だ。同じ仕組みが、能力も限界も同時に生む。
• 較正された信頼（calibrated trust）とは、信頼を丸ごと与えたり取り上げたりすることではなく、自分のタスクを連続体のどこに位置づけるかを見定めることだ。

英語原文

What you'll learn — Estimated time: 20 minutes By the end of this lesson you'll be able to: - Distinguish generative AI from the classification and prediction AI you already encounter daily - Understand that generative AI's properties exist on a continuum from capability to limitation - Preview the four core properties you'll explore in depth: Next Token Prediction, knowledge, working memory, and steerability

What we mean by generative AI (4 minutes) Most AI in the world (spam filters, recommendations, fraud detection) isn't generative. This course is about the kind that is: transformer-based text models that produce new content one token at a time.

Building a mental model of the machine

AI Capabilities & Limitations Framework Four properties that shape what AI can and can't do for you. Each sits on a spectrum — the further right, the more you should verify and compensate.

Key takeaways - Generative AI produces new content rather than classifying existing content. - AI isn't uniformly capable or uniformly unreliable. It's strong and weak along four predictable axes: Next Token Prediction, Knowledge, Working Memory, and Steerability. - Each property is a continuum. The same mechanism gives you both the capability and the limitation. - Calibrated trust means locating your task on the continuum, not granting or withholding trust wholesale.

AI Capabilities and Limitations ｜ Lesson 03「AI はどのようにして『性格』を得るのか（How AI Gets Its Character）」

出典: Anthropic Academy ／ 2026-07-04

日本語ナレッジ（本文の自然な全訳）

このレッスンで学ぶこと（想定所要時間：25分）

このレッスンを終えると、次のことができるようになる。 - 生成 AI の2段階の訓練プロセス（事前学習と ファインチューニング）を平易な言葉で説明できる - 各段階が残す行動上の指紋（fingerprints）を見分けられる：おべっか（sycophancy）、冗長さ（verbosity）、過剰な慎重さ（over-caution）、緩い自信の較正（loose confidence calibration） - この理解を応用して、自分の AI 利用で見かける挙動を解釈できる

AI はどうやって性格を得るのか（5分）

AI の礼儀正しさ、有用さ、慎重さは、湧いて出てくる魔法（emergent magic）ではない。それらは層を重ねるように訓練で作り込まれたものであり、各訓練段階が、システムがあなたとどうやり取りするかに、具体的で予測可能な指紋を残す。

事前学習・ファインチューニングと、それらが残す指紋

AI はどうやって性格を得るのか 2つの訓練段階が、生（なま）の予測を、あなたが対話する「有用なアシスタント」へと変える——そして各段階が、その挙動に指紋を残す。

ステージ1：事前学習（Pretraining） モデルは膨大な量のテキストを読み、たった一つのことを学ぶ——次に何が来るかを予測すること。こうして強力な「文書補完器（document completer）」になる——しかし、あなたを助けるという概念はまだ持っていない。

ステージ2：ファインチューニング（Fine-tuning） 人間の選好（preferences）が、文書補完器をアシスタントへと形づくる——あなたの入力を「依頼」として扱い、有用に答え、有害な依頼は断るアシスタントへ。

例（ファインチューニング後の挙動） - ユーザー：「この段落を改善するのを手伝って。」 - アシスタント：「もちろんです！ 論旨を強め、文章を引き締めるための具体的な提案を3つ挙げます……」 - ユーザー：「私の戦略は鉄壁（bulletproof）だと思う。」 - アシスタント：「なるほど（……ここで、おべっか＝安易に同意する傾向という指紋が現れうる）」

英語原文

What you'll learn — Estimated time: 25 minutes By the end of this lesson you'll be able to: - Explain the two-stage training process for generative AI (pretraining and fine-tuning) in plain language - Recognize the behavioral fingerprints each stage leaves: sycophancy, verbosity, over-caution, loose confidence calibration - Apply this understanding to interpret behaviors you see in your own AI interactions

How AI gets its character (5 minutes) An AI's politeness, helpfulness, and caution aren't emergent magic. They're trained in, layer by layer, and each training stage leaves specific, predictable fingerprints on how the system interacts with you.

Pretraining, fine-tuning, and the fingerprints they leave

How AI Gets Its Character Two training stages turn raw prediction into the helpful assistant you interact with — and each stage leaves fingerprints on its behavior.

Stage 1 — Pretraining The model reads vast amounts of text and learns one thing: predict what comes next. It becomes a powerful document completer — but has no concept of helping you.

Stage 2 — Fine-tuning Human preferences shape the document completer into an assistant — one that treats your input as a request, answers helpfully, and declines harmful asks.

Example: - "Help me improve this paragraph." → "Of course! Here are three specific suggestions to strengthen your argument and tighten the prose…" - "I think my strategy is bulletproof." → "I appreci…" (the sycophancy fingerprint can appear here)

AI Capabilities and Limitations ｜ Lesson 04「次トークン予測（Next Token Prediction）」

出典: Anthropic Academy ／ 2026-07-04

日本語ナレッジ（本文の自然な全訳）

このレッスンで学ぶこと（想定所要時間：30分）

このレッスンを終えると、次のことができるようになる。 - 次トークン予測を生成 AI の中核メカニズムとして説明でき、それがなぜ流暢さ（fluency）とハルシネーション（hallucination）の両方を生むのかを説明できる - タスクを次トークン予測の連続体の上に位置づけられる（踏み固められた道 vs. 未踏の領域） - 具体性（specificity）——名前、日付、引用、統計——が、捏造（fabrication）が集中するゾーンであることを見抜ける - この限界への緩和策としてのプロダクト機能（引用、不確実性のシグナリング、制約付き生成、生成器–検証器（generator-verifier）パターン）を認識できる

AI モデルはどのように次トークン予測を使うのか（4分）

生成 AI は、検索エンジンよりも、とてつもなく高度なオートコンプリート（自動補完）に近い。何の後には何が来やすいか、に基づいて、答えを1語ずつ書いていく。このたった一つの性質が、あなたに流暢さもハルシネーションも同時にもたらす。

スケールで動くオートコンプリート

（＝巨大なデータから学んだ「次に来やすい語」を、大規模に連ねていくのが生成 AI の正体、というメンタルモデル。）

補足（このレッスンのポイント）： 次トークン予測は「もっともらしく続く語」を選ぶため、パターンが濃い領域（要約・書式変換・よくある概念の説明）では非常に強い。一方、名前・日付・出典・数値のように唯一の正解が要求され、かつパターンが薄い箇所で、モデルは「真実」ではなく「真実らしく聞こえるもの」を滑らかに埋めてしまう——これがハルシネーションの正体。だから捏造が起きやすいのは、まさにこの「具体的で・稀な」交点。対策は、出典や不確実性を明示させる、出力形式を制約する、別プロセスで検証する（生成器–検証器）など、機構由来の弱点を機構で補うこと。

英語原文

What you'll learn — Estimated time: 30 minutes By the end of this lesson you'll be able to: - Explain Next Token Prediction as the core mechanism of generative AI and why it produces both fluency and hallucination - Locate tasks on the Next Token Prediction continuum (well-worn path vs. novel territory) - Identify specificity (names, dates, citations, statistics) as the zone where fabrication concentrates - Recognize product features (citations, uncertainty signaling, constrained generation, generator-verifier pattern) that are mitigations for this limitation

How AI models use next token prediction (4 minutes) Generative AI is closer to a vastly sophisticated autocomplete than to a search engine. It writes answers word by word based on what tends to follow what. That single property gives you both the fluency and the hallucination.

Autocomplete at scale

AI Capabilities and Limitations ｜ Lesson 05「やってみよう：友だち『マルコフ』にメッセージ（Try it out — Text Your Friend Markov）」

出典: Anthropic Academy ／ 2026-07-04

日本語ナレッジ（本文の自然な全訳）

このレッスンはインタラクティブな体験ウィジェットで、タイトルは「Text Your Friend Markov（友だち『マルコフ』にメッセージを送ろう）」。本文の解説文はほとんどなく、実際に手を動かして体感する演習になっている。

スマートフォンのメッセージ画面を模した UI で、「マルコフ（Markov）」——マルコフ連鎖（統計的に「次に来やすい語」を選ぶ単純なモデル）を擬人化した友だち——にメッセージを打つ。予測された次の単語の候補がボタンで並び、それを選んでいくと文が組み上がっていく。これは、Lesson 04「次トークン予測」で学んだ中核メカニズム——AI が答えを1トークンずつ、「何の後に何が来やすいか」に基づいて生成するという仕組み——を、自分の手で追体験するための演習。

（このコースは受講用のインタラクティブ教材であり、静的テキストとしては上記の趣旨のみが本文として抽出される。）

英語原文

Try it out — Text Your Friend Markov

(Interactive widget. Minimal prose in the source. A phone-style messaging UI lets you "text" Markov — a personified Markov chain — by tapping predicted next-word buttons to build a sentence, giving hands-on experience of the next-token-prediction mechanism from Lesson 04.)

AI Capabilities and Limitations ｜ Lesson 06「知識（Knowledge）」

出典: Anthropic Academy ／ 2026-07-04

日本語ナレッジ（本文の自然な全訳）

このレッスンで学ぶこと（想定所要時間：30分）

このレッスンを終えると、次のことができるようになる。 - AI モデルの知識がどのように訓練中に形成されるか、そしてなぜ固定されたカットオフ（cutoff）を持つのかを説明できる - どのトピックが能力ゾーン（頻出・訓練時点で新しい・一貫している）に位置し、どれがエッジ（稀・カットオフ以降・ニッチ・論争的）に位置するかを予測できる - 知識に特有の失敗を見分けられる：陳腐化（staleness）、偏ったカバレッジ（uneven coverage）、受け継いだバイアス（inherited bias）、出典健忘（source amnesia） - この限界に対処するプロダクト機能——ウェブ検索、検索拡張生成（retrieval/RAG）、ツール使用——を認識できる

AI モデルの知識ギャップを理解する（5分）

モデルは、訓練中に触れたものだけを知っている。それ以外は知らない。デフォルトではリアルタイムのブラウジングはなく、生きた経験（lived experience）もなく、知識カットオフで硬く止まっている。だから実用上の問いは「AI はこれを知っているか？」ではなく、「それが、モデルが読んだものの中でどれだけよく代表されていたか（how well-represented was this）？」である。

モデルが何を読み、いつ読むのをやめたか

（＝知識の中身は「読んだ量と時期」で決まる、というメンタルモデル。頻繁に・広く・一貫して書かれていたトピックほど強く、稀で・新しすぎて（カットオフ後）・ローカルで・意見が割れるトピックほど弱い。）

英語原文

What you'll learn — Estimated time: 30 minutes By the end of this lesson you'll be able to: - Explain how an AI model's knowledge is formed during training and why it has a fixed cutoff - Predict which topics sit in the capability zone (frequent, recent-in-training, consistent) versus the edge (rare, post-cutoff, niche, contested) - Identify staleness, uneven coverage, inherited bias, and source amnesia as characteristic knowledge failures - Recognize web search, retrieval/RAG, and tool use as the product features that address this limitation

Understanding knowledge gaps in AI models (5 minutes) The model knows what it was exposed to during training, and only that. No real-time browsing by default, no lived experience, and a hard stop at the knowledge cutoff. The practical question isn't "does the AI know this?" but "how well-represented was this in what it read?"

What the model read, and when it stopped reading

AI Capabilities and Limitations ｜ Lesson 07「やってみよう：1024次元空間を可視化する（Try it out — Visualizing 1024D Space）」

出典: Anthropic Academy ／ 2026-07-04

日本語ナレッジ（本文の自然な全訳）

このレッスンはインタラクティブな体験ウィジェットで、タイトルは「Visualizing 1024D Space（1024次元空間を可視化する）」。本文の解説文はほとんどなく、実際に触れて体感する演習になっている。

Lesson 06「知識」に紐づく演習で、モデルが単語や概念を高次元のベクトル空間（この例では1024次元）の中の点として表現していることを、可視化を通じて直観的につかむためのもの。私たちが日常で扱う2次元・3次元とは違い、モデルは何百次元もの「意味の軸」の上に語を配置し、近い意味のものを近くに、遠い意味のものを遠くに置く。この空間的な配置こそが、モデルの「知識」が何を近い・遠いと見なすか——ひいては何を思い出しやすいか——の基盤になっている。

（このコースは受講用のインタラクティブ教材であり、静的テキストとしては上記の趣旨のみが本文として抽出される。）

英語原文

Try it out — Visualizing 1024D Space

(Interactive widget. Minimal prose in the source. Tied to Lesson 06 (Knowledge), it visualizes how a model represents words and concepts as points in a very high-dimensional vector space — here 1024 dimensions — where semantically similar items sit close together and dissimilar ones far apart.)

AI Capabilities and Limitations ｜ Lesson 08「ワーキングメモリ（作業記憶）（Working Memory）」

出典: Anthropic Academy ／ 2026-07-04

日本語ナレッジ（本文の自然な全訳）

このレッスンで学ぶこと（想定所要時間：30分）

このレッスンを終えると、次のことができるようになる。 - コンテキストウィンドウ（context window）を「サイズが固定された容器」として説明でき、それが長い文書・長い会話・セッションをまたぐ記憶にとって何を意味するかを説明できる - この性質が、他の性質のような緩やかな劣化ではなく、「崖（cliff）」的な性格を持つことを認識できる - コンテキストをてこ（leverage）として使う戦略を実践できる：重要な材料を前に置く（front-loading）、長い作業を分割する（chunking）、決定的なコンテキストを供給し直す（re-supplying） - この限界に対処するプロダクト機能——メモリ（memory）、コンパクション（compaction）、プロジェクト／ワークスペース、より大きいウィンドウ——を認識できる

コンテキストウィンドウが生成 AI の出力にどう影響するか（6分）

AI が注意を向けているすべては、コンテキストウィンドウと呼ばれる、サイズの固定された作業場の中にある。その中にあるものには注意を向けられる。その外にあるものには、一切注意を向けられない。この制約は、他の性質とは違って縁（へり）が硬い（hard-edged）——つまり、うまくいっているうちはうまくいくが、限界を超えた途端に止まる。

コンテキストウィンドウ＝AI のワーキングメモリ

（＝入れられる情報量には上限があり、あなたのプロンプト・AI の応答・会話で共有したその他の情報がすべてこの容器を消費する。容器を超えた分は落ちる。だから重要なものは前に置き、長い作業は区切り、必要な文脈は都度入れ直す。）

英語原文

What you'll learn — Estimated time: 30 minutes By the end of this lesson you'll be able to: - Explain the context window as a fixed-size container and what that implies for long documents, long conversations, and cross-session memory - Recognize the "cliff" nature of this property compared to the gradual degradation of others - Apply context-as-leverage strategies: front-loading important material, chunking long work, re-supplying critical context - Recognize memory, compaction, projects/workspaces, and larger windows as product features addressing this limitation

How the context window affects generative AI outputs (6 minutes) Everything the AI is paying attention to lives inside a fixed-size workspace called the context window. It can attend to what's in there. It can't attend to anything outside it. That constraint is hard-edged in a way the other properties aren't: things work until they don't.

The context window: AI's working memory

AI Capabilities and Limitations ｜ Lesson 09「やってみよう：コンテキストの劣化——多いほど悪くなるとき（Try it out — Context Degradation: When More Is Less）」

出典: Anthropic Academy ／ 2026-07-04

日本語ナレッジ（本文の自然な全訳）

このレッスンはインタラクティブな体験ウィジェットで、タイトルは「Context Degradation — When More Is Less（コンテキストの劣化——多いほど悪くなるとき）」。本文の解説文はほとんどなく、実際に触れて体感する演習になっている。

Lesson 08「ワーキングメモリ」に紐づく演習で、コンテキストウィンドウに情報を詰め込みすぎると、かえって性能が落ちる——「多ければ多いほど良い」わけではないという現象を体感するためのもの。関連する材料だけを絞って渡したほうが、あれもこれもと大量に流し込むより良い出力になることがある。だから実践では、必要な文脈を過不足なく供給し、長い作業は分割し、重要な情報は埋もれさせないことが鍵になる。

（このコースは受講用のインタラクティブ教材であり、静的テキストとしては上記の趣旨のみが本文として抽出される。）

英語原文

Try it out — Context Degradation — When More Is Less

(Interactive widget. Minimal prose in the source. Tied to Lesson 08 (Working Memory), it lets you experience how cramming too much into the context window can degrade performance — more is not always better — reinforcing the practice of supplying just the relevant context, chunking long work, and keeping key information from getting buried.)

AI Capabilities and Limitations ｜ Lesson 10「操縦性（ステアラビリティ）（Steerability）」

出典: Anthropic Academy ／ 2026-07-04

日本語ナレッジ（本文の自然な全訳）

このレッスンで学ぶこと（想定所要時間：30分）

このレッスンを終えると、次のことができるようになる。 - 操縦性がなぜ機能するのか（ファインチューニングがモデルに指示追従を教えたから）と、なぜ限界があるのか（指示は「理解」ではなくパターンマッチングで従われるから）を説明できる - コントロールが最も効く場所（短く・具体的で・検証可能な指示）と、最も緩む場所（長い推論の連鎖、抽象的な依頼、ネイティブな精密さを要するタスク）を予測できる - 操縦性に特有の失敗を見分けられる：推論ドリフト（reasoning drift）、文字が意図に勝つ（letter-over-spirit）、もろい算術（brittle arithmetic） - この限界に対処するプロダクト機能——システムプロンプト、コード実行、可視化された推論（visible reasoning）、構造化出力（structured outputs）——を認識できる

操縦性が生成 AI の出力にどう影響するか（5分）

モデルは、他のあらゆることと同じやり方であなたの指示に従う——パターンを続けることによってだ。だからこそ、モデルは驚くほど操縦しやすい。だが同時に、それは、あなたが意図したことと実際に着地したことの間には常にギャップがあることを意味する。そして、興味深い失敗のほとんどは、そのギャップの中に住んでいる。

あなたは実際どれだけコントロールできているのか？

（＝指示追従は「意味を理解して従っている」のではなく「そう続けるのが自然だから続けている」。だから短く具体的で検証できる指示ほど効き、長い推論・抽象的・厳密な精度が要る依頼ほど、意図からズレやすい。）

英語原文

What you'll learn — Estimated time: 30 minutes By the end of this lesson you'll be able to: - Explain why steerability works (fine-tuning taught the model instruction-following) and why it has limits (instructions are followed via pattern-matching, not understanding) - Predict where control is tightest (short, concrete, verifiable instructions) versus loosest (long reasoning chains, abstract asks, native precision tasks) - Identify reasoning drift, letter-over-spirit, and brittle arithmetic as characteristic steerability failures - Recognize system prompts, code execution, visible reasoning, and structured outputs as product features addressing this limitation

How steerability affects generative AI outputs (5 minutes) The model follows your instructions the same way it does everything else: by continuing a pattern. That makes it remarkably steerable. It also means there's always a gap between what you intended and what landed, and most of the interesting failures live in that gap.

How much are you actually in control?

AI Capabilities and Limitations ｜ Lesson 11「やってみよう：文字どおり vs. 意図（Try it out — Letter vs. Spirit）」

出典: Anthropic Academy ／ 2026-07-04

日本語ナレッジ（本文の自然な全訳）

このレッスンはインタラクティブな体験ウィジェットで、タイトルは「Letter vs. Spirit — Interactive（文字どおり vs. 意図——インタラクティブ）」。本文の解説文はほとんどなく、実際に触れて体感する演習になっている。

Lesson 10「操縦性」に紐づく演習で、モデルが指示の文字（letter＝字面）には従うのに、その意図・精神（spirit）を外してしまう——という操縦性の典型的な失敗を体感するためのもの。モデルは意味を理解して従っているのではなく、パターンとして続けているだけなので、こちらの真意と着地の間にギャップが生まれる。この演習を通じて、指示を出すときは字面だけでなく意図が確実に伝わるよう、短く・具体的で・検証可能な形にする重要性が腑に落ちる。

（このコースは受講用のインタラクティブ教材であり、静的テキストとしては上記の趣旨のみが本文として抽出される。）

英語原文

Try it out — Letter vs. Spirit — Interactive

(Interactive widget. Minimal prose in the source. Tied to Lesson 10 (Steerability), it demonstrates the classic steerability failure where the model follows the letter of an instruction while missing its spirit/intent — reinforcing why instructions should be short, concrete, and verifiable so intent, not just wording, gets across.)

AI Capabilities and Limitations ｜ Lesson 12「性質どうしが衝突するとき（When Properties Collide）」

出典: Anthropic Academy ／ 2026-07-04

日本語ナレッジ（本文の自然な全訳）

このレッスンで学ぶこと（想定所要時間：25分）

このレッスンを終えると、次のことができるようになる。 - ほとんどの AI の失敗が、2つ以上の性質の相互作用を伴うことを認識できる - よくある失敗パターンを、どの性質が働いているかを特定することで診断できる：捏造された引用（hallucinated citations）、長い会話でのドリフト（long-conversation drift）、自信満々に間違える計算（confidently wrong math）、悪い前提に同意してしまう（agreeable bad premises） - どの性質が律速要因（limiting factor）かに基づいて、狙いを定めた対策を打てる

AI の失敗を診断する（3分）

4つの性質は、単独では働いていない。現実の失敗のほとんどは、そのうち2つが交差したものだ。どの2つかを名指しできるようになれば、どの対策に手を伸ばせばよいかが分かる。

2つの性質が出会うとき：何が起きたのかを診断する

（例：捏造された引用＝次トークン予測 × 知識、長い会話でのドリフト＝ワーキングメモリ × 操縦性、自信満々に間違える計算＝次トークン予測 × 操縦性、悪い前提への同意＝操縦性〔おべっか〕× 知識、というふうに、失敗を「性質どうしの交点」として読み解くと、打つべき手が決まる。）

英語原文

What you'll learn — Estimated time: 25 minutes By the end of this lesson you'll be able to: - Recognize that most AI failures involve two or more properties interacting - Diagnose common failure patterns (hallucinated citations, long-conversation drift, confidently wrong math, agreeable bad premises) by identifying which properties are at play - Apply a targeted fix based on which property is the limiting factor

Diagnosing AI failures (3 minutes) The four properties don't operate in isolation. Most real failures are two of them intersecting. Once you can name which two, you know which fix to reach for.

Two properties meeting: diagnosing what went wrong (Interactive: drag property nodes together to reveal the characteristic failure at each intersection and its targeted fix.)

AI Capabilities and Limitations ｜ Lesson 13「次のステップ（Next Steps）」

出典: Anthropic Academy ／ 2026-07-04

日本語ナレッジ（本文の自然な全訳）

このレッスンで学ぶこと（想定所要時間：20分）

このレッスンを終えると、次のことができるようになる。 - 4つの性質と、訓練が残す指紋を、使えるメンタルモデルへと統合できる - 「能力と限界」フレームワークと「4D フレームワーク」を、一つのシステムの2つの半分として結びつけられる - 今週、自分の AI 実践の中で具体的に変える1つのことを特定できる

より良い AI 出力のために 4D フレームワークを適用する（5分）

流暢な（fluent）AI 利用とは、あらゆる失敗モードを暗記することではない。それは、機械の小さく明快なモデルを頭の中に保持しておくこと——そうすれば、何かがうまくいかないときに、それがどの種類の間違いかを認識し、それに応じて対応できる。

機械の小さなモデル

AI 能力・限界フレームワーク AI があなたのために何をできて何をできないかを形づくる4つの性質。それぞれがスペクトラムの上にあり、右へ行くほど、あなたが検証し補うべき度合いが増す。

キーテイクアウェイ

• あなたは今、使えるメンタルモデルを手にしている：4つの性質＝連続体、特徴的な失敗＝性質どうしの交点。
• このフレームワークと 4D フレームワークは、一つのシステムの表裏だ。性質は、4D のコンピテンシーが何に応答しているのかを説明する。
• 較正された信頼とは、自分のタスクを各連続体のどこに位置づけるかを見定め、そこに合わせて検証とコンテキストの習慣を調整することだ。
• モデルは変わり続ける。だが、これらの性質の形（shape）は、正確な境界が動いても、なお有用であり続ける。

英語原文

What you'll learn — Estimated time: 20 minutes By the end of this lesson you'll be able to: - Synthesize the four properties and training fingerprints into a working mental model - Connect the Capabilities & Limitations framework to the 4D Framework as two halves of one system - Identify one concrete change to make in your AI practice this week

Applying the 4D framework to get better AI outputs (5 minutes) Fluent AI use isn't about memorizing every failure mode. It's about holding a small, clear model of the machine in your head, so that when something goes wrong you can recognize which kind of wrong it is and respond accordingly.

A small model of the machine

AI Capabilities & Limitations Framework Four properties that shape what AI can and can't do for you. Each sits on a spectrum — the further right, the more you should verify and compensate. - Next Token Prediction — Where do AI answers come from? / Cap: Well-worn paths: summarize, reformat, explain common concepts / Lim: Novel territory, sparse patterns, "true vs. sounds true" - Knowledge — What does AI actually know? / Cap: Frequent, recent-in-training, consistent: mainstream topics, popular languages / Lim: Rare, post-cutoff, niche, local, or contested topics - Working Memory — What is the AI paying attention to right now? / Cap: Material fits comfortably, session is current, you supply relevant context / Lim: Very long docs/conversations, expecting cross-session continuity (the cliff) - Steerability — How much am I in control? / Cap: Short, concrete, verifiable instructions ("respond as a table," "under 100 words") / Lim: Long reasoning chains, abstract asks, native precision

Key takeaways - You now hold a working mental model: four properties as continuums, characteristic failures as property intersections. - This framework and the 4D Framework are two sides of one system. The properties explain what the 4D competencies are responding to. - Calibrated trust means locating your task on each continuum and matching your verification and context habits to where it sits. - Models will keep changing. The shape of these properties stays useful even as the exact boundaries shift.

AI Capabilities and Limitations ｜ Lesson 14「コースクイズ（Course Quiz）」

出典: Anthropic Academy ／ 2026-07-04

クイズ（受験は別途）

（このレッスンはコース修了クイズ。設問・選択肢は受講プラットフォーム上で動的に配信されるため、本文テキストには含まれない。受験は Anthropic Academy 上で別途行う。）

英語原文

Course Quiz

(Interactive quiz served dynamically by the course platform; questions are not part of the static lesson text. Take the quiz separately on Anthropic Academy.)