生成AI入門コース

西園寺：「神谷くん、こんばんは。今日から少しずつ、生成AIのことを整理していきましょう」

神谷：「よろしくお願いします。正直、どこから手をつけたらいいのか、まだよく分かっていなくて」

西園寺：「それでいいの。最初から全部分かっている人なんていないから。プロローグで一緒に見たロードマップの『ステップ1：生成AIを知る』のところね。今日はまず、『そもそも生成AIって何なのか』を一緒に見ていきましょう」

西園寺：「神谷くんは、ChatGPTを初めて使ったときのことを覚えている？」

神谷：「はい。たしか去年の冬ごろ、同僚に教えてもらって試しました。質問を入力したら、すごく自然な文章で答えが返ってきて驚きました」

西園寺：「そうね。ChatGPTは2022年の11月にOpenAIという会社が公開したサービスなの。公開からわずか2か月で月間利用者数が1億人を超えたと言われていて、史上最速で広がったサービスのひとつなのよ」

神谷：「月に1億人……。そんなに早く広がったんですか」

西園寺：「ChatGPTが画期的だったのは、誰でもブラウザから日本語で話しかけるだけで使えたこと。プログラミングも、専門知識も必要なかったの」

神谷：「たしかに、僕でもすぐ使えました。文系でITに詳しくなくても」

西園寺：「そう。それが大きな変化なの。AIが『専門家だけの道具』から『会話で使える身近な道具』に変わったきっかけが、ChatGPTだったのよ」

神谷：「会話で使える、というのが大きかったんですね」

西園寺：「ええ。専門用語を覚える前に、まず使い始められる。これが普及の速さにつながったの」

神谷：「ところで西園寺さん、『生成AI』って、ChatGPTのことを指しているんですか？」

西園寺：「いい質問ね。ChatGPTは生成AIの代表的なサービスの一つだけれど、生成AI＝ChatGPTではないの」

西園寺：「文章を作る生成AIの多くは、LLM、つまり大規模言語モデルという技術で動いているの。ChatGPTもその一つよ」

神谷：「LLM……大規模言語モデル。名前は聞いたことがありますが、どういう意味なんでしょうか」

西園寺：「簡単に言うと、膨大な量のテキストデータを学習して、人間のような自然な言葉を理解し、生成できるようになったAIモデルのことよ。『大規模』は学習データの量やモデルの大きさを指しているの」

神谷：「だから、僕が日本語で質問しても自然な文章で返してくれるんですね」

西園寺：「そうね。私たちが普段使っている日本語や英語のような言葉を『自然言語』と呼ぶのだけど、生成AIはその自然言語のまま指示できるのが大きな特徴なの。LLMについては次回もう少し詳しく整理しましょう。今日はまず、生成AIにはLLMだけでなく、画像を作るもの、音声を作るもの、動画を作るもの、コードを書くものなど、いろいろな種類があることを覚えておいてね」

西園寺：「ChatGPTが大きな注目を集めた後、Googleは対話型AIのGeminiを、Anthropicという会社はClaudeというサービスを公開したの。ほかにも、画像生成に特化したサービスや、音声を生成するサービスなど、さまざまなものが出てきているのよ」

神谷：「Geminiは名前を聞いたことがあります。Claudeというのは初めて聞きました」

西園寺：「今はたくさんのサービスがあるから、全部覚える必要はないの。大事なのは、ChatGPTだけが生成AIではないということと、それぞれのサービスに特徴や得意分野があるということよ」

神谷：「つまり、生成AIという大きなくくりがあって、そのなかにChatGPTやGeminiやClaudeがある、という理解で合っていますか？」

西園寺：「その理解で大丈夫よ。そして、これらのサービスの多くは、さっき話したLLM、大規模言語モデルという技術がベースになっているの。この関係は、次回の話で詳しく整理しましょう」

神谷：「はい。まずは全体の地図が見えてきた気がします」

神谷：「西園寺さん、ニュースで『マルチモーダル』という言葉を見たんですが、これも生成AIの話なんでしょうか」

西園寺：「いい質問ね。マルチモーダルというのは、『複数の種類の情報をまとめて扱える』という意味なの。たとえば、画像を見せて『この商品の説明文を書いて』と文章で頼んだら、文章で返してくれる。あるいは『この写真の中で、賞味期限はどこに書かれている？』と聞いたら、画像のその部分を指して教えてくれる。テキスト、画像、音声、動画——いろいろなモード（種類）を組み合わせて使えるAIのことを、マルチモーダルAIと呼ぶの」

神谷：「いろいろな種類を一緒に扱える、ということですか」

西園寺：「そう。少し前まで、文章のAIと画像のAIは別物だったの。でも今は、複数の種類を同時に扱えるAIが増えてきていて、その流れがマルチモーダル化と呼ばれているの。ただし、すべてのサービスがすべてのモードに対応しているわけではないの。たとえば動画生成はまだ専用のツールが必要なことも多いし、サービスごとに得意な領域が違うのよ」

西園寺：「テキストは、神谷くんがいちばん触ったことのある領域ね。商品説明文の下書き、お知らせ文の要約、長いクレームメールの要点抽出。今は、社内文書を整理するときの一番の入口になっているわ」

神谷：「ここは想像がつきます。商品説明文の下書きや要約など、テキストはいちばん身近な使い方ですね」

西園寺：「次が画像。商品の写真を見せて『この商品のPOP下書きを書いて』と頼んだり、逆に『冷凍ピザのおいしそうな盛り付け』と文章で頼んで画像を作ってもらったり。文章から画像へ、画像から文章へ、両方向で使えるのが今の特徴ね」

神谷：「POPの下書きは現場で需要がありそうです。みどり台店では時短コーナーで毎週POPを書いているパートさんがいますし」

西園寺：「3つ目は音声。会議の録音から文字起こしを作ったり、お問い合わせ電話の内容を要約したり、逆に文章を読み上げて音声にしたり。聞き取った言葉をテキストに変えると、後で検索や要約がしやすくなるの」

神谷：「録音した会議の議事録を、わざわざ手で書き起こしていた人が周りにいました。あの作業が変わるかもしれないですね」

西園寺：「4つ目は動画。短尺のPR動画を作ったり、長い動画から要点だけを取り出して要約したり、字幕を自動で付けたり。動画は重い領域で、品質はまだ発展途上だけど、ここ1〜2年で急に実用化が進んできているの」

神谷：「駅前店ではフェアの告知を短い動画にしたいという声も出ていました。SNS向けの動画なら、もしかすると下書きを作るところまでは手伝ってもらえるかもしれません」

西園寺：「いい連想ね。大事なのは、マルチモーダルAIといっても、神谷くんの仕事に関係するのは『どのモードをどう組み合わせるか』だけ、ということ。全部を一気にやろうとせず、テキストから始めて、必要なときに画像や音声に広げていけば大丈夫よ」