7️⃣AI時代を読み解くキーワード⑦ Multimodal AI──AIは「文章だけを読む頭脳」から「見て、聞いて、理解する頭脳」へ

AIは「文章だけを読む頭脳」から、「見て、聞いて、話して、理解する頭脳」へ

AI時代には、新しい技術用語が次々に登場します。

しかし、本当に重要なのは、言葉の意味を覚えることではありません。

その技術によって、

* AIに何ができるようになるのか
* 商品やサービスがどう変わるのか
* 企業の仕事がどう変わるのか
* 人間の役割がどう変わるのか
* 企業は今から何を準備すべきなのか

を理解することです。

この連載「AI時代を読み解くキーワード」では、これからの企業と社会を理解するために知っておきたい言葉を、技術だけでなく、経営、組織、人財育成の視点から整理しています。

第1回では、ソフトウェアによって継続的に進化するクルマである「SDV」を取り上げました。

第2回では、目的を与えられると、自ら計画し、必要な道具を使って仕事を進める「Agentic AI」を取り上げました。

第3回では、既存の仕事へAIを後付けするのではなく、最初からAIを前提に商品、業務、組織を設計する「AI Native」を取り上げました。

第4回では、AIがロボットやクルマという身体を持ち、現実世界で行動する「Physical AI」を取り上げました。

第5回では、現実世界をデジタル空間へ再現し、予測や検証に使う「Digital Twin」を取り上げました。

第6回では、AIが世界の動き方を内部に学び、次に何が起きるかを予測する「World Model」を取り上げました。

第7回は、

Multimodal AI（マルチモーダルAI）

です。

Multimodal AIとは、簡単に言えば、

文章、画像、音声、映像、センサー情報など、異なる種類の情報を組み合わせて理解し、答えや行動を生み出すAI

です。

OpenAIは、マルチモーダルを、文章、画像、音声、映像など、複数の入力形式を理解したり生成したりする能力と説明しています。Googleも、文章、画像、音声、映像、コードなどを一緒に扱えることを、マルチモーダルAIの重要な特徴としています。 (OpenAI Developers)