マルチモーダルAIの未来は？

OpenAIのマルチモーダルモデル「gpt-image-1」の発表を見て、私はこう思わざるを得ない。 AIは、単一モダルの「偏った学生」から、オールラウンドな「ジェネラリスト」へと進化しつつある。テキスト、画像、音声がインタラクティブな連鎖の中に統合されつつあり、その変化は私たちの想像をはるかに超えている。デザインの分野を例にとると、以前はデザイナーがコピーガイダンスを書き、次にスケッチを書き、最後にレンダリングをする必要があったかもしれないが、今では自然言語による記述さえあれば、AIがこれらのリンクをつなげて完成させることができる。この変化は単なる「効率化」ではなく、クリエイティブな制作プロセス全体を再構築するものだ。

マルチモーダリティは人間とコンピュータの相互作用をどう変えるのか？

我々は、インタラクションモードの変化の変曲点に立っていることを認めなければならない。数年前、主流のAIシステムは基本的にまだ「質問と回答の機械」の段階にあり、キーワードを検索し、欲しい画像をフィルタリングしなければならなかったのを覚えている。私はgpt-image-1をテストしていて、「携帯電話のケースに適した桜の柄を描くのを手伝ってください。ピンクのグラデーションで、あまりガーリーすぎないものにしてください」と携帯電話に直接言った。このような漠然とした美的要求を正確に汲み取ることができることに、私でさえ驚いている。このような「人間の自然な表現＋AIの正確な理解」によるインタラクションこそ、マルチモーダルの最も価値ある部分なのかもしれない。

技術を支えるボトルネックとブレークスルー

しかし、マルチモーダル開発は本当に順風満帆なのだろうか？私はそうは思わない。最近、テストで興味深い現象を発見した。「スタイルのミックス＆マッチ」に対するモデルの理解はまだ安定しておらず、「サイバーパンク風の古典的風景画」を生成すると、80%の作品はどちらかのスタイルに傾いてしまうのだ。異なるモダリティ間の意味的整合には、驚異的な演算能力とデータサポートが必要なのだ。

しかし、OpenAIはどうやら方法を見つけたようだ。彼らの最新の技術ブログでは、「クロスモーダル・コントラスト学習」戦略について触れている。興味深いことに、これは子供に実物を指差して読み方を教えるようなものだ。現在の27Bのパラメータを持つモデルはこの効果を達成できるが、100Bのパラメータを超えるとどうなるのだろうか？100Bパラメータを超えるとどうなるのか？