AIの歴史 Vol.008｜ChatGPTは、どうして「文章だけのAI」ではなくなったの？～「見る・聞く・話す・描く」へ。マルチモーダルAIが広げた世界～

こんにちは、ゆーみんです😊

前回の「AIの歴史」では、

ChatGPTは、なぜ最初から無料で公開されたの？

という話をしました。

2022年11月30日。

ChatGPTは、

完成した製品として売り出すというより、

研究プレビュー

として公開されました。

実際に多くの人へ使ってもらう。

↓

強みや弱みを知る。

↓

問題を見つける。

↓

改善する。

そんな流れで、

ChatGPTは社会の中へ入っていきました。

でも、

最初のChatGPTを今のChatGPTと比べると、

かなり違います。

今なら、

写真を見せる。

声で話す。

画像を作る。

資料を読ませる。

そんな使い方があります。

でも最初は、

基本的に、

文字を入力して、文字で返してもらうAI

でした。

ここで一つ疑問が出てきます。

ChatGPTは、いつから「文章だけのAI」ではなくなったの？

そして、

もう一つ。

そもそも、どうしてAIは「見る・聞く・話す」を一つにまとめる方向へ進んだの？

今回は、

この変化を支えた、

マルチモーダルAI

について見ていきます🌱

今回のポイントは、

・マルチモーダルって何？
・最初のChatGPTは何ができた？
・GPT-4で何が変わった？
・ChatGPTが「見る」ようになったのはいつ？
・「聞く・話す」はどう始まった？
・画像生成は同じAIがやっていたの？
・GPT-4oの「o」って何？
・なぜ全部を一つのAIで扱いたいの？
・ファイルを読めるのもマルチモーダル？
・今のAIへ何がつながった？

です。

名前は少し難しそうですが、

考え方は意外とシンプルです😊

⸻

■ まず「マルチモーダル」って何？

マルチモーダル。

初めて聞くと、

ものすごく難しそうですよね😂

でも、

ものすごく簡単にいうと、

複数の種類の情報を扱えること

です。

たとえば、

テキスト

文章や文字。

画像

写真、図、スクリーンショット。

音声

人の声、音。

動画

映像と時間の流れ。

こうした、

情報の「種類」を、

モダリティ

と呼びます。

だから、

テキストだけなら、

1種類。

テキスト＋画像なら、

複数種類。

つまり、

マルチモーダル

です。

初心者さんは、

文字だけじゃなく、画像や音も一緒に扱えるAI

くらいに考えれば十分です🌱

⸻

■ 人間は、もともとマルチモーダル

ここ、

少し面白いところです。

私たちは普段、

文章だけで世界を理解していません。

人と話す時も、

言葉。

声の大きさ。

表情。

身振り。

周りの状況。

いろいろな情報を、

同時に使っています。

たとえば、

誰かが、

大丈夫だよ。

と言った。

文字だけなら、

「大丈夫」

です。

でも実際には、

笑顔で言う。

泣きそうな顔で言う。

怒った声で言う。

小さな声で言う。

で、

意味の受け取り方が変わりますよね。

つまり、

現実世界の情報は、最初から文字だけではない。

んです。

AIが日常へ入っていこうとすると、

文章だけでは、

分からないものがたくさん出てきます。

⸻

■ 最初のChatGPTは「文字の世界」が中心だった

2022年に公開されたChatGPTは、

基本的には、

文章を入力する。

↓

文章で答える。

というサービスでした。

たとえば、

この文章を短くして。

旅行プランを考えて。

メールを作って。

この言葉の意味は？

と聞く。

ChatGPTは、

テキストを読み、

テキストで返します。

これはこれで、

かなり便利でした。

でも、

現実で困ることって、

文字だけではありません。

たとえば、

この機械のランプ、どういう意味？

このグラフ、何を表してる？

この服とこの靴、合う？

この書類のどこを見ればいい？

こんな相談では、

こちらが一度、

目で見たものを文章へ変換する

必要があります。

⸻

■ 「これ見て」ができない不便さ

たとえば、

家電に、

よく分からないマークが出た。

昔なら、

そのマークを見ながら、

丸の中に線があって、横に三角みたいなのがあって……

と説明する必要があります😂

でも、

これ、

かなり面倒ですよね。

人間同士なら、

スマホを見せて、

これ何？

で終わります。

AIも、

同じように使えた方が自然です。

そこで、

AI研究では、

文章だけでなく、

画像なども扱える方向が進んでいきました。

⸻

■ 2023年、GPT-4が「画像も扱えるAI」として登場

大きな転換点の一つが、

GPT-4

です。

OpenAIは2023年3月、

GPT-4を、

画像とテキストを入力として扱えるマルチモーダルモデル

として発表しました。

たとえば、

写真。

図。

スクリーンショット。

文書。

などを入力して、

その内容について、

文章で答えることができます。

つまり、

AIが、

文字を読む

だけでなく、

画像を見る

方向へ進んだんです。

⸻

■ ただし「発表＝すぐ全員が使えた」ではない

ここ、

AIの歴史ではよくあります。

GPT-4が、

画像入力に対応したモデルとして発表された。

だから、

2023年3月14日から誰でもすぐ、

ChatGPTへ写真を入れられた。

……

というわけではありません。

モデルに能力があることと、

実際のChatGPT製品として、

多くの利用者へ提供されることは、

別です。

GPT-4の発表時点では画像入力能力が説明されていましたが、利用範囲は限定されていました。

ここも、

前回の「AIをどう社会へ出す？」につながります。

能力ができる。

↓

安全性を確認する。

↓

少しずつ使える範囲を広げる。

AIでは、

この時間差があります。

⸻

■ 画像を見られると、何が変わる？

たとえば、

AIへ、

グラフを見せる。

↓

このグラフのポイントを初心者向けに説明して。

写真を見せる。

↓

この植物の状態から、確認した方がいいところを教えて。

スクリーンショットを見せる。

↓

この設定画面で、どこを見ればいい？

資料を見せる。

↓

このページを要約して。

こうしたことができます。

つまり、

こちらが、

画像をいちいち文章へ変換しなくてよくなる。

これが大きいんですね。

⸻

■ 2023年9月、ChatGPTが「見て、聞いて、話す」へ

そして、

2023年9月25日。

OpenAIは、

「ChatGPT can now see, hear, and speak」

と発表しました。

ChatGPTへ、

画像機能と音声機能を、

段階的に展開すると発表したんです。

ここで、

ChatGPTは、

単なる、

「文字を打つチャット」

から、

かなり違うものへ変わっていきます。

⸻

■ 「見る」はどう使えた？

たとえば、

自転車の写真を見せて、

サドルを下げるにはどこを触る？

と聞く。

冷蔵庫の写真を見せて、

この食材で何を作れる？

と聞く。

グラフを見せて、

何が起きてる？

と聞く。

つまり、

人間同士の、

「ちょっとこれ見て」

が、

AIにもできるようになってきたんですね。

⸻

■ 「聞く・話す」も始まった

同じ2023年9月、

ChatGPTには、

音声で会話する機能も追加されました。

スマホへ話しかける。

↓

ChatGPTが内容を理解する。

↓

声で返してくれる。

今では珍しく感じないかもしれません。

でも、

それまでの、

文字を入力。

↓

読む。

↓

文字で返る。

という形から考えると、

かなり大きな変化です。

たとえば、

料理中。

歩いている時。

キーボードを打ちにくい時。

でも、

AIへ話しかけられる。

AIとの入口そのものが変わりました。

⸻

■ ただ、最初の音声会話には「間」があった

ここが、

後のGPT-4oにつながる面白いところです。

初期のChatGPT音声会話では、

大きく見ると、

① 人の声

↓

② 音声を文字へ変換

↓

③ GPTが文字を読んで回答

↓

④ 回答文を音声へ変換

という、

複数のモデルをつないだ仕組みが使われていました。

OpenAIは後にGPT-4oの発表で、従来のVoice Modeでは音声認識・言語モデル・音声合成という複数モデルのパイプラインを使っていたと説明しています。

これ、

少し不思議ですよね。

私たちから見ると、

AIと声で話している。

でも内部では、

一度、

「声→文字」

にしていた。

⸻

■ 文字に変えると、消えてしまう情報がある

たとえば、

私が、

ほんとに大丈夫。

と言ったとします。

でも、

声が震えている。

泣きそう。

強く怒っている。

楽しそう。

では、

意味が少し違いますよね。

ところが、

音声を、

単純に、

「ほんとに大丈夫」

という文字へ変換すると、

声の細かなニュアンスが落ちる

可能性があります。

人間は、

言葉だけでなく、

声そのものも情報として使います。

ここから、

AI研究の次の課題が見えてきます。

最初から音を「音」として理解できないの？

です。

⸻

■ その前に、ChatGPTは「描く」ようにもなった

2023年10月。

ChatGPTには、

DALL·E 3

による画像生成が統合されました。

OpenAIは2023年10月19日、DALL·E 3をChatGPT PlusとEnterpriseで利用できるようにしたと発表しています。

これによって、

青空の下を歩く白い犬のイラストを作って。

のように、

普通の会話でお願いすると、

ChatGPTから画像を作れるようになりました。

さらに、

もう少し背景を明るくして。

横長にして。

のように、

会話しながら調整する。

そんな使い方もできるようになります。

⸻

■ でも、この時の「見る」と「描く」は別の仕組みだった

ここは、

かなり大切です。

2023年のChatGPTを見ていると、

画像を見る。

画像を作る。

声を聞く。

声を話す。

全部できる。

だから、

一つのAIが全部やってるんだ。

と思いたくなります。

でも、

当時は、

それぞれの役割で、

複数のモデルや仕組みを組み合わせていました。

たとえば、

画像生成は、

DALL·E 3。

音声会話も、

音声認識・言語モデル・音声合成を組み合わせる。

つまり、

ChatGPTという一つの入口の中に、複数のAIがいた

というイメージに近いんです。

⸻

■ 人間には一つに見える。でも中では分業していた

たとえば、

一つのお店に見えても、

中では、

受付。

料理人。

会計。

配達。

と、

別の人が担当しています。

利用者は、

その店へ、

これお願い。

と言う。

店側で、

適切な担当へ回す。

2023年頃のChatGPTも、

少しそんな感じです。

ChatGPTという窓口がある。

↓

内容に応じて、

別の仕組みを使う。

↓

結果を利用者へ返す。

十分便利です。

でも、

ここには一つ問題があります。

⸻

■ 分業すると「つなぎ目」が生まれる

たとえば、

音声。

声を文字へ変換。

↓

文字を理解。

↓

文字で回答。

↓

声に変換。

とすると、

そのたびに、

情報の変換が入ります。

それによって、

声のニュアンス。

間。

笑い。

感情。

背景音。

などが、

十分に伝わらない場合があります。

さらに、

複数の処理を通すので、

返事まで少し時間もかかります。

そこで、

次の考え方が出てきます。

最初から一つのモデルで、音も画像も文章も扱えばいいのでは？

です。

⸻

■ 2024年、GPT-4oが登場

2024年5月13日。

OpenAIは、

GPT-4o

を発表しました。

「o」は、

omni

から来ています。

omniには、

「すべて」「あらゆる」

という意味があります。

GPT-4oは、

音声。

画像。

テキスト。

を、

より一体的に扱うことを目指したモデルです。

⸻

■ GPT-4oの何が違ったの？

OpenAIはGPT-4oを、

テキスト・音声・画像を横断してリアルタイムに処理できるモデル

として発表しました。

そして、

GPT-4o System Cardでは、

テキスト・音声・画像・動画の組み合わせを入力として受け取り、

テキスト・音声・画像を出力できる「omni model」と説明されています。

ただし、

ここも、

モデルが持つ能力

と

ChatGPTでその日に全部使えた機能

は分けて考える必要があります。

発表時点ですべての入出力機能が、

すべてのユーザーへ同時に開放されたわけではありません。

⸻

■ GPT-4oでは「音声→文字→AI→音声」を一つに近づけた

これが、

GPT-4oの面白いところです。

従来は、

音声認識。

↓

文章生成。

↓

音声合成。

という、

複数モデルのリレーでした。

GPT-4oでは、

音声・視覚情報・テキストを、

一つのモデルの中でより直接扱えるよう設計されました。

すると、

声そのもの。

間。

話す速さ。

音。

視覚情報。

などを、

文字だけへ変換するより、

豊かな形で扱える可能性が広がります。

⸻

■ 「聞き取る」と「音を理解する」は違う

たとえば、

ハハハ。

という音声。

文字起こしなら、

「ハハハ」

です。

でも実際には、

本気で笑っている。

苦笑い。

演技。

緊張。

いろいろあります。

音声を直接扱えるAIなら、

単なる文字列だけではなく、

音そのものに含まれる情報

を使える可能性があります。

ここが、

文字中心のAIとの大きな違いです。

⸻

■ 「見る」も、ただ文字を読むだけではない

画像も同じです。

写真には、

文字だけではなく、

位置。

大きさ。

色。

形。

関係。

表情。

背景。

があります。

たとえば、

料理の写真。

文章なら、

パスタがあります。

だけ。

でも画像には、

トマトソース。

具材。

量。

盛り付け。

周りにある食器。

まで見えます。

AIが画像を扱えると、

人が説明していない情報まで、視覚から読み取れる。

これが便利なんですね。

⸻

■ でも、画像を見られる＝何でも正しく見える、ではない

ここは大切です。

AIが画像を扱えるようになっても、

人間とまったく同じように、

確実に見えている。

という意味ではありません。

小さい文字。

複雑な図。

曖昧な画像。

隠れているもの。

医療画像。

正確な位置関係。

などでは、

間違える可能性があります。

OpenAIも画像機能の展開時に、Visionには限界があり、特に高リスク領域などでの過信を避ける必要があることを説明していました。

だから、

見えるAI＝正しく判断できるAI

ではありません。

⸻

■ 音声でも同じ

声で自然に話せると、

かなり人間らしく感じます。

すると、

ここまで自然なら、私の気持ちも全部分かってるのでは？

と思いやすくなります。

でも、

声が自然。

会話が速い。

感情のある話し方ができる。

ことと、

相手の気持ちや状況を完全に理解している

ことは別です。

マルチモーダルになるほど、

AIは、

「分かっているように見える」

力も強くなります。

だからこそ、

距離感は大切です🌱

⸻

■ 画像生成も、さらに「同じAI」に近づいた

2023年のChatGPT画像生成では、

DALL·E 3という画像生成モデルとの連携が中心でした。

その後、

2025年3月25日には、

OpenAIが、

4o Image Generation

を発表しました。

GPT-4oの知識や会話文脈を活かしながら、

画像生成をよりネイティブに統合した仕組みです。

つまり、

さっき話していた内容を、そのまま画像にして。

この画像を、会話の条件を保って直して。

という、

会話と画像生成の距離

がさらに近くなっていきました。

⸻

■ 「文章AI＋画像AI」から「一緒に扱うAI」へ

ここまでの流れを見ると、

変化が分かりやすいです。

最初

文字を読む。

↓

文字を書く。

次

画像を見る機能が加わる。

音声機能が加わる。

画像生成機能が加わる。

さらに

それぞれを、

一つのモデルの中で、

より直接つなげる。

つまり、

機能を後から足す

だけではなく、

最初から複数の情報を一緒に理解するAI

へ進んできた。

これが、

マルチモーダルAIの大きな流れです。

⸻

■ どうして一つにまとめたいの？

理由はいくつかあります。

でも初心者さん向けに言うなら、

私は、

この3つが分かりやすいと思います。

① 現実の世界が文字だけではないから

人は、

見ます。

聞きます。

話します。

文字を読みます。

AIが生活へ入るなら、

同じように、

いろいろな情報を扱えた方が自然です。

② 情報を変換する時に失われるものがあるから

音声を文字にする。

画像を文章に説明する。

そこで、

細かな情報が落ちることがあります。

最初から直接扱えれば、

より豊かな情報を使える可能性があります。

③ 会話が自然になるから

「この写真見て」

「これどう思う？」

「今聞こえた音、何？」

と、

人間同士に近い頼み方ができます。

つまり、

AIに合わせて人間が入力方法を変えるのではなく、

人間が普段使う方法へAI側が近づく。

ということです🌱

⸻

■ ファイルを読むのもマルチモーダル？

ここ、

少し整理します。

ChatGPTには、

PDF。

Word。

表計算。

画像。

など、

ファイルを渡して内容を扱う機能があります。

ただし、

「ファイルを読める」＝全部がマルチモーダル能力そのもの

とは限りません。

たとえば、

PDFから文字を取り出す。

表計算データを分析する。

コードを使って計算する。

などは、

ChatGPTに組み込まれたツールの力も関係します。

つまり、

今のChatGPTは、

AIモデルそのものの能力

＋

周りにあるツール

を組み合わせて動いています。

これ、

かなり大切なポイントです。

⸻

■ ChatGPT＝一つのAIモデル、ではない

ChatGPT。

と聞くと、

一つの巨大なAIが、

全部やっているように思います。

でも実際は、

言語モデル。

画像生成。

検索。

ファイル処理。

コード実行。

外部サービス。

など、

いろいろな仕組みが組み合わさることがあります。

つまり、

ChatGPTは「モデル名」というより、AIを使う入口・サービスとして見る方が分かりやすい。

ことがあります。

モデルが変わる。

使えるツールが増える。

機能が変わる。

それでも、

私たちは、

同じChatGPTの画面から使う。

だから、

裏側はかなり変わっていても、

利用者には、

一つのAIが成長しているように見えるんですね。

⸻

■ マルチモーダルでAIの「質問の仕方」も変わった

文字だけのAIなら、

こちらが、

全部文章にします。

でも、

マルチモーダルなら、

この画像を見て。

この資料を読んで。

これ聞いて。

と、

そのまま渡せます。

すると、

AI初心者さんにとっては、

かなりハードルが下がります。

上手な文章を考えなくても、

「これ、どうしたらいい？」

と見せられる。

実は、

性能の進化だけではなく、

頼み方が簡単になる

ことも、

マルチモーダルの大きな変化だと思います。

⸻

■ 逆に、入力する情報は増えた

ただ、

便利になると、

新しい注意点も出てきます。

写真を送れる。

↓

写真の背景に、

住所。

名前。

会社名。

顔。

通知。

書類。

が映っているかもしれない。

ファイルを送れる。

↓

文書に、

氏名。

契約情報。

顧客情報。

内部情報。

が含まれているかもしれない。

音声を使える。

↓

周囲の人の声が入るかもしれない。

つまり、

文字だけの時より、

無意識に多くの情報を渡しやすくなる。

んです。

⸻

■ 「便利だから、そのまま送る」は少し待つ

たとえば、

書類について聞きたい。

必要なのは、

制度の説明だけ。

なのに、

氏名。

住所。

番号。

まで写したまま送る必要はありません。

画像なら、

必要な部分だけ切り取る。

ファイルなら、

不要な個人情報を消す。

文章なら、

名前を、

「本人」

に置き換える。

マルチモーダルAIでは、

何を見せるか

も、

AI活用の一部になってきます🌱

⸻

■ 「目」と「耳」を持ったからこそ、間違い方も増える

文字だけのAIなら、

主に、

文章の理解。

事実。

推論。

などを気にします。

でも、

画像を扱うと、

見間違い。

文字の読み違い。

物の位置の勘違い。

が加わります。

音声なら、

聞き間違い。

雑音。

別の人の声。

イントネーション。

が加わります。

つまり、

能力が増えるほど、

新しい種類の間違いも増える。

ということ。

機能が増えたから、

何でもAIに任せていい。

ではありません。

⸻

■ マルチモーダルAIは「五感を持ったAI」なの？

よく、

AIが目と耳を持った。

と表現されることがあります。

初心者向けのイメージとしては、

分かりやすいです。

でも、

人間の目や耳と、

まったく同じ仕組みではありません。

AIは、

画像や音声を、

計算できる情報として処理します。

人間と同じように、

景色を「体験」している。

音楽を「感じている」。

という意味ではありません。

だから、

目があるように使える

と

人間のように見えている

は、

分けて考えた方がいいと思います。

⸻

■ なぜ今、マルチモーダルが重要なの？

AIが、

研究だけで使われるなら、

テキストだけでも、

かなりのことができます。

でも、

日常生活へ入ると、

世界は、

文章になっていません。

料理。

服。

道路。

家電。

書類。

人の表情。

声。

動画。

全部あります。

だから、

AIが生活へ近づけば近づくほど、

文字以外を扱う力

が必要になります。

今のAIが、

スマホのカメラ。

マイク。

画面。

ファイル。

などとつながっていくのは、

自然な流れなのかもしれません。

⸻

■ AIの歴史を並べると、こうなる

今回の流れを、

かなり簡単に並べると、

2022年

ChatGPT公開。

まずは、

文章で会話するAI

として広がる。

↓

2023年3月

GPT-4。

画像とテキストを入力として扱える、

マルチモーダルモデルとして発表。

↓

2023年9月

ChatGPTへ、

画像と音声の機能が段階的に登場。

「見て、聞いて、話す」

へ。

↓

2023年10月

DALL·E 3がChatGPTへ統合。

「描く」

も会話からできるようになる。

↓

2024年5月

GPT-4o登場。

テキスト・音声・視覚情報を、

より一体的に扱う方向へ。

↓

2025年3月

4o Image Generation。

画像生成も、

会話やモデルの文脈とさらに深く統合。

こうして見ると、

ChatGPTは、

急に何でもできるようになったわけではありません。

少しずつ、

文字の外へ出てきた。

んですね。

⸻

■ ゆーみんメモ🌱

私は、

昔のChatGPTと、

今のChatGPTを比べると、

一番違うのは、

「賢さ」

だけじゃない気がします。

昔は、

AIと話すために、

こちらが、

AIに分かる形へ変換する

必要がありました。

写真に写っているものを、

文章で説明する。

状況を、

一生懸命文字にする。

伝わるように、

プロンプトを書く。

でも今は、

この写真見て。

この資料読んで。

声で話そう。

と、

そのまま渡せる。

これって、

AIが賢くなったというより、

私たちがAIに合わせなくていい場面が増えた

という変化でもあると思うんです。

AIを使い始める時、

よく、

「上手なプロンプトを書かないと」

と言われます。

もちろん、

伝え方は大事。

でも、

マルチモーダルが進むと、

文章にできないことまで、

そのまま見せられる。

だから、

これからのAIは、

「上手に命令する道具」

というより、

同じものを見ながら話せる相手

に近づいていくのかもしれません。

ただ、

自然になるほど、

忘れたくないこともあります。

AIが、

写真を見てくれる。

声を聞いてくれる。

自然に話してくれる。

だからといって、

人と同じように、

全部理解しているわけではない。

そして、

見せられるからといって、

何でも見せる必要もない。

使いやすさと、任せる範囲は別。

ここは、

これからAIがもっと身近になるほど、

大事になりそうです🌱

⸻

■ まとめ

今回は、

ChatGPTは、どうして「文章だけのAI」ではなくなったの？

を見てきました。

ポイントは、この6つです。

① 最初のChatGPTは文字中心だった

2022年のChatGPTは、

基本的に文章を入力し、

文章で答えてもらうAIでした。

② GPT-4で「画像を見る」方向が大きく進んだ

2023年に発表されたGPT-4は、

画像とテキストを入力として扱えるマルチモーダルモデルでした。

③ ChatGPTが「見て・聞いて・話す」ようになった

2023年9月、

画像入力と音声会話がChatGPTへ段階的に導入されました。

④ DALL·E 3で「描く」も会話の中へ入った

2023年10月には、

ChatGPTから会話で画像を生成できるようになりました。

⑤ GPT-4oで複数の情報を一体的に扱う方向へ進んだ

2024年のGPT-4oは、

テキスト・音声・視覚情報をリアルタイムに横断して扱うモデルとして発表されました。

⑥ マルチモーダルは「AIを人間の使い方へ近づけた」

文字へ全部変換しなくても、

見る。

聞く。

話す。

描く。

という形で、

AIとやり取りできるようになりました。

つまり、

マルチモーダルAIの歴史は、

AIが新しい能力を増やした歴史

であると同時に、

人間がAIに合わせなくてもよくなっていった歴史

でもあるんだと思います。

最初は、

キーボードで、

一生懸命文章を書くAI。

そこから、

写真を見せる。

声で話す。

画像を作る。

資料を渡す。

へ。

AIとの入口が増えるほど、

使える人も、

使える場面も増えていきます。

でも、

便利になるほど、

何を見せるか。

何を任せるか。

どこを自分で確認するか。

も大切になります。

AIが、

「文字の箱」

から出てきた。

だからこそ、

私たちの使い方も、

少しずつ変わっていく。

そんな歴史だったんですね😊

AIを、もっと身近に。

ゆーみん

⸻

■ 次回予告📖

次回の「AIの歴史 Vol.009」では、

AIは、なぜ「考えてから答える」ようになったの？

すぐ答えるAIから、“推論するAI”へ進んだ理由

を予定しています。

これまでのAIは、

質問すると、

すぐ答える。

というイメージが強くありました。

でもその後、

難しい問題では、

すぐに答えを出すより、

途中で考える時間を使うAI

が注目されるようになります。

・AIの「推論」って何？
・普通のChatGPTと何が違った？
・なぜ時間をかけると答えが変わる？
・数学やコードだけの話？
・「考えているように見える」と本当に考えているは同じ？
・今のAIへどうつながった？

を、

初心者さん向けに歴史からやさしく整理します🌱

⸻

#ChatGPT
#AIの歴史
#マルチモーダルAI
#GPT4
#GPT4o
#生成AI
#AI初心者
#AI暮らしラボ

※本記事は、OpenAIが公開しているGPT-4、ChatGPTの画像・音声機能、DALL·E 3、GPT-4o、4o Image Generationに関する公式資料をもとに、AI初心者向けに表現を簡略化してまとめています。モデルが技術的に持つ能力と、ChatGPT上で実際に提供される機能・対象プラン・提供時期は一致しない場合があります。現在の利用条件や機能については最新の公式情報をご確認ください。

参考・出典

・OpenAI「GPT-4」
・OpenAI「ChatGPT can now see, hear, and speak」
・OpenAI「DALL·E 3 is now available in ChatGPT Plus and Enterprise」
・OpenAI「Hello GPT-4o」
・OpenAI「GPT-4o System Card」
・OpenAI「Introducing 4o Image Generation」