Re Reference AI

技術

生成AI(ジェネレーティブAI)とは

Generative AI / ジェネレーティブAI / GenAI

テキスト・画像・音声・動画・コードなどの新しいコンテンツを生成できるAIの総称

生成AI深層学習

最終更新:

ひとことで言うと

文章や画像、音声、動画などを新しく「作り出す」タイプのAIのまとめ言葉。ChatGPTのような文章AIも、画像を描くAIもここに含まれる。

概要

生成AIとは、テキスト・画像・音声・動画・コードなどの新しいコンテンツを生成できるAIの総称を指す。 入力データの分類や予測を主な目的とする従来の識別系AIと対比され、LLMによる文章生成や拡散モデルによる画像生成が代表例になる。 2022年のStable DiffusionやChatGPTの公開を境に一般へ普及し、AI活用の中心的な領域として産業・行政・教育の各分野で導入が進んでいる。 分野ごとに手法が分かれており、自然言語では自己回帰型のLLM、画像や動画では拡散モデルが主に使われる。 近年は複数のモーダルをまとめて扱うモデルや、ツールを使って自律的に作業を進めるエージェントへ用途が広がっている。

背景

深層学習の初期の成功は画像認識や音声認識といった識別タスクが中心だった。 GANや拡散モデル、Transformerに基づくLLMの発展により生成の品質が実用水準へ達し、識別系のAIと区別する言葉として生成AIが定着した。 生成AIという言葉は基盤モデルという開発手法の観点ではなく、意図したコンテンツを作るという用途の観点からAIを捉える表現として使われてきた。

歴史

2014年: GAN(敵対的生成ネットワーク)による生成手法が論文で提案された。 2020年: DDPM(拡散モデル)による生成手法が提案された。 2021年: 潜在拡散モデルによる高解像度画像生成の手法が提案された。 2022年8月: Stable Diffusionが公開され、画像の生成AIが一般層に広まった。 2022年11月: ChatGPTが公開され、テキスト生成AIが急速に普及した。 2023年以降: 画像・音声・動画を組み合わせたマルチモーダルや、ツールを使って自律的に作業するエージェントが主流になり、生成AIの利用の幅が広がった。

アーキテクチャ

生成AIの構築手法は主に3つある。 自己回帰型はLLMを代表として次のトークンを1つずつ予測し、生成したトークンを次の入力に積む方式で文章やコードを作る。 拡散モデルは画像や動画をノイズ表現から段階的に復元する過程を学習し、Stable Diffusionなどの基盤になっている。 GANは生成器と判定器を競い合わせせて分布を一致させる方式で、未知の条件に対する表現の学習に強みを持つ。 近年は3種を使い分けつつ、テキストと画像を同じ枠組みで扱うマルチモーダルや、ツールを使って自律的に作業を進めるエージェントへ範囲が広がっている。

ワークフロー

代表的な利用の流れは、生成したい内容を指示文に落とし込み、モデルに文章や画像を出力させ、結果を人が確認する工程になる。 業務用途ではRAGや検索で必要な資料を文脈として渡し、生成結果の出典を確かめる構成が一般的になる。 画像生成では、抽象的な指示を出力し、構図や色などの要素を分解して指示を詰めることで品質を上げる手順が使われる。 生成物はそのまま公開せず、事実関係や偏りを確認してから使う工程が求められる。

利点

  • 文章・画像・音声・動画・コードといった多様な種類のコンテンツを、専用の制作スキルがなくても短時間で生成できる
  • たたき台やアイデア出し、定型的なコンテンツ作成を自動化でき、人間は仕上げや意思決定に注力できる
  • 1つのモデルで多様なタスク・様式を扱えるため、タスクごとに個別のモデルを開発する必要性を減らせる
  • 同じ手法を画像・音声・動画にも応用できるため、分野を越えた再利用が可能

欠点

  • 事実と異なる内容をもっともらしく生成するハルシネーションが起こりうる
  • 学習データに含まれる著作権や個人情報の扱い、生成物の権利関係が法的・倫理的な論点になっている
  • 本物と区別しにくい文章・画像・音声・動画を生成できるため、誤情報の拡散やなりすましに悪用されるリスクがある
  • 生成物の品質が入力の指示に左右されやすく、同じ条件を再現して検証することが難しい

比較

  • 基盤モデル — 基盤モデルが大規模事前学習という開発手法の観点からモデルを捉える言葉であるのに対し、生成AIはテキスト・画像・音声等の新しいコンテンツを生成するという機能・用途の観点からモデルを捉える言葉。両者は同じモデルを指すことも多いが視点が異なる
  • マルチモーダル — マルチモーダルはテキスト・画像・音声など複数の形式を扱えることを示す軸で、生成AIは生成するという目的に特化した総称。実際のマルチモーダルモデルは生成AIにも含まれる

関連する用語

テキスト生成画像生成LLM拡散モデルGAN潜在拡散モデルAIコンパニオンチャットボットコード生成自動コンテンツ生成マルチモーダルTripo AI

よくある質問

生成AIとLLMの違いは?

LLMは生成AIのうち言語を中心に扱うモデルを指す。生成AIは画像・音声・動画などを生成するモデルも含む、より広い総称になる。

生成AIと識別系AI(判別モデル)の違いは?

識別系AIは入力データを既存のカテゴリに分類したり数値を予測したりすることを主な目的とするのに対し、生成AIは学習データにない新しいコンテンツを生み出すことを目的とする。同じ深層学習の技術基盤を利用することも多いが、扱うタスクの性質が異なる。

生成AIはどのように使うのか。

生成したい内容を指示文に落とし込み、出力された結果を目視で確認する流れが基本になる。 業務用途ではRAGで資料を文脈として渡し、出典と誤りを確かめてから利用する。

参考文献

関連する比較

生成AI vs LLM

生成AIはテキスト・画像・音声・動画・コードなどの新しいコンテンツを生成できるAIの総称、LLMは大規模なテキストコーパスで学習し言語を予測・生成するニューラルネットワーク。LLMは生成AIの一種であり、生成AIには画像生成の拡散モデルなどLLM以外の技術も含まれる。両者は並列の選択肢ではなく、包含関係にある。

生成AILLM

関連Zenn記事