2023年におけるAIの話題は、もっぱらChatGPTをはじめとする「生成AI」が中心であった。2024年に入ってからは、非常にリアルな動画を生成する「Sora」の登場や、GPT-4を超えるとも言われる「Claude 3」の登場で、その進化はとどまるところを知らない。

本記事では、生成AIがどのようにビジネスを進化させるかを描いた『AIナビゲーター2024年版』の筆者の1人で、NRIデジタルエキスパートデータサイエンティストの阿部将大氏が、活用範囲を広げる生成AIが一方で抱えている問題点について解説する。

テキストに限らない生成AIの広がり

OpenAIがリリースしたChatGPTは、まるで人と会話しているかのような流暢なテキストを生成できることから、非技術者にも非常に注目を浴びることになった。ChatGPTの登場からすでに1年以上経っているが、LLM（大規模言語モデル）に代表される生成AIモデルの開発や活用に関する話題はとどまるところを知らない状況である。

最近のトピックとして、盛り上がりを見せているのは「マルチモーダルLLM」であろう。従来のLLM入出力はテキストに限られていたが、さまざまな形式のモダリティ（情報）を扱うことができる大規模モデルの開発が進んでいる。具体的には画像、動画、音声などの多様なモダリティが含まれる。各モダリティ単体に特化したモデルは以前から研究されており、それらのモデルのエンコーダー（符号器）と呼ばれる特徴抽出器を組み合わせてさまざまなモダリティを扱うことができるのである。

入力情報にテキスト以外を用いることができるようになると、生成AIの活用範囲は大きく広がることになる。