こんにちは、湊かおりです。
この記事では、昨年３月に発表された「A Complete Survey on Generative AI (AIGC): Is ChatGPT from GPT-4 to GPT-5 All You Need?」という論文を基に、
生成AIの社会的な影響やその技術の進化についてお話しします。

はじめに

生成AIに対する関心は世界中で高まっており、特に2022年10月以降、その興味は顕著に増加しています。
この興味の増加を示す下記の図を見ると、アジア、北アメリカ、および西ヨーロッパで特に高いことがわかります。色の濃淡で示されたこの地図は、それぞれの地域での検索興味の度合いを色分けしており、濃い色ほど興味が高いことを示しています。

この図からは、技術の進歩だけでなく、社会全体での理解や受け入れ方がどのように変わってきているかが見て取れます。例えば、ChatGPTやDALL-Eなどのツールが大きな影響を与え、メディアや公開研究による報道も関心を集めています。

このようなデータは、今後のAI技術の方向性を考える上で非常に重要な情報源となります。
どの地域がAI技術の発展において中心的な役割を果たしているのか、そしてそれが私たちの生活や産業にどのような影響を与えるのか、これからも注目していきたいところです。

生成AIの概観

2022年10月以降、生成AIに対する興味がどのように変化してきたのかを見ていきましょう。

生成AIは、ただデータを解析するだけでなく、新しい内容を生み出す能力を持っています。例えば、ちょっとしたお話や映画のシーンを生成することが可能です。これは、「GAN」という技術や、最近話題の「拡散モデル」といった新しい技術のおかげです。GANは、本物のような画像やテキストを作り出すのを競う二つのモデルが協力しながら学ぶ仕組みです。一方、拡散モデルは、ランダムなノイズから始めて徐々に意味のある形に組み立てていく技術です。

教育では、学生一人ひとりに合わせた教材を生成することで、より個々の理解に合わせた学習が可能になっています。これにより、学ぶ速度が早い子も、もう少し時間が必要な子も、それぞれのペースでしっかりと学べるようになります。

しかしながら、この素晴らしい技術には、データのバイアスや誤った情報が広がるといった新たな課題も伴います。たとえば、使われるデータが偏っていれば、生成される情報も偏りますから、その点は注意が必要です。

今後は、この生成AIがより正確で、個人に合わせた情報を提供できるように進化していくことが期待されています。それにより、私たちの日常生活や仕事がより便利で豊かになることでしょう。

上の図は、生成AI（AIGC）に関する概要を示しており、基本技術、主要なAIGCタスク、および産業応用の三つの主要なコンポーネントにわけて説明しています。

基本技術のセクション:
生成AIの基盤となる技術、すなわちバックボーンアーキテクチャとしてのリカレントニューラルネットワーク（RNN）、トランスフォーマー、畳み込みニューラルネットワーク（CNN）、ViTが言及されています。これらの技術はAIが情報を処理し、新しいデータを生成する方法の根幹をなすものです。また、言語、視覚、ジョイントの大規模な事前学習がAIGCタスクの性能を向上させるために重要であると示されています。
AIGCタスクのセクション:
生成AIの機能を一つのモダリティ（例えばテキストのみや画像のみ）とマルチモダリティ（例えばテキストと画像）に分けて提示しており、チャットボット、機械翻訳、画像キャプショニング、音声認識、テキストから画像へ、テキストからビデオへといった多様なタスクが含まれています。
産業応用のセクション:
教育、ゲーム、メディア、広告、映画、音楽、絵画、コーディング、モバイルアプリとフィーチャー、その他（薬物発見など）など、AIGCが応用されているまたは応用されうるさまざまな産業分野が挙げられています。

この図は、生成AIの全体的なフレームワークとその多面的な影響を示しており、AIGCが様々な産業にわたってどのように応用されているか、またどのように基本技術がこれらのタスクを支えているかを理解するのに役立ちます。

論文全体を通して、AIGCの社会的影響と産業応用の可能性が探求されており、この図はその内容を総合的に表していると言えるでしょう。

生成AIの基本技術

生成AIは、私たちの周りの様々なものを理解し、新しいものを創り出す力を持っています。

特に「トランスフォーマーアーキテクチャ」という技術は、私たちが話す言葉や書く文字を理解し、それに基づいて新しい文を作り出すのに非常に重要です。これは、例えば、レシピを見ながら料理をするのと似ていますが、トランスフォーマーはレシピ（データ）から、どの材料がどのように組み合わさるべきかを学びます。

この図はトランスフォーマーの構造を示しており、自然言語処理（NLP）タスクにおいて重要な役割を果たすアーキテクチャを図解しています。

トランスフォーマーは「エンコーダー」と「デコーダー」という二つの部分から成り立っています。それぞれの部分は、いくつかの層で構成されていて、これらの層は情報を処理するために連携しています。

エンコーダーの層は、入力データの異なる部分の関係を理解するために「自己注意メカニズム」という技術を使用します。また、データの位置情報を加味するために「位置エンコーディング」という機能も使われます。

デコーダーの層はエンコーダーと似ていますが、未来の情報を見ないようにする特別な自己注意メカニズムを使って、次に来る言葉を一つずつ生成します。さらに、エンコーダーからの情報を利用して、出力する各言葉が入力のどの部分に対応するかを学びます。

最終的には、デコーダーの出力を利用して、次に来る言葉の確率を計算します。これにより、文章生成などのタスクで優れた性能を発揮します。

これらの技術は、教育やエンターテイメントだけでなく、医療などの分野でも応用されています。例えば、患者の症状を分析して最適な治療計画を提案することができます。

テキスト生成タスク

テキスト生成タスクについてご紹介したいと思います。
この技術は、日常生活で役立つさまざまなツールとして活用されています。例えば、質問に自動で答えるチャットボットや、外国語を翻訳する機械翻訳システムなどがあります。これらは、私たちがストレスなく情報を得られるように支援してくれるんですね。

チャットボットは、24時間体制でカスタマーサポートを提供することができるので、深夜でも気軽に問い合わせができるんです。また、機械翻訳は、海外のレシピやニュース記事を自分の言語に翻訳して、世界中の情報を手軽にアクセスできるようにしてくれます。

これらのテクノロジーは、大量のデータから言語のニュアンスや文脈を学び、それを基に新しいテキストを生成します。

画像生成タスク

画像生成技術は、写真の修復や編集、さらには完全に新しい画像を創造することができます。
これが可能になるのは、「GAN（生成敵対ネットワーク）」や「拡散モデル」という、素晴らしい技術のおかげです。

例えば、GANは画家と批評家のような関係で動作します。一方が本物らしい画像を作ろうとし（画家）、もう一方がその画像が本物か偽物かを判断します（批評家）。この二つが競い合うことで、本物の写真のような非常にリアルな画像が生成されるんです。

一方、拡散モデルは、画像を少しずつクリアにしていくことで、リアルな画像を生成します。まるで、ボヤけた窓ガラスが徐々にクリアになっていくかのように、初めは全く形の分からないノイズからスタートして、段々とはっきりとした画像へと変わっていきます。

これらの技術は、ただ美しいアートを作るだけでなく、ファッションデザインやインテリアデザイン、さらには映画やゲームのシーン作りにも使われています。教育の分野では、よりリアルなビジュアルを用いたトレーニングが可能になり、学びがぐんと身近で楽しいものに変わります。

でも、この技術には責任も伴います。生成された画像が現実のものと間違えられることがないよう、正しく理解し、適切に使用することが大切です。

マルチモーダル生成タスク

代替テキスト
マルチモーダル生成タスクは、異なるタイプの入力や出力を組み合わせて、一つの形式から別の形式へと変換します。これは、例えば、テキストから画像を生成したり、スピーチをテキストに変換する技術です。
これにより、私たちは単に文章を説明するだけでなく、その場面を画像として見ることができたり、話した言葉がテキスト化されたりするわけです。

テキストから画像への生成

文章に書かれた説明を基にして、具体的なビジュアルイメージを創出します。この過程では、トランスフォーマーアーキテクチャのようなモデルが使われ、言葉の意味を解釈し、それに応じた画像の要素を生成します。
この技術は、広告やアートの分野で特に有用で、創造的なイメージングを必要とするシナリオで強力なツールとなっています。

スピーチからテキストへの変換

スピーチからテキストへの変換技術は、音声をテキストに変えることができるので、会議の記録や命令の文書化、さらにはリアルタイムの字幕生成など、多くの場面で役立ちます。この技術によって、言葉がその場で書かれたテキストに変わり、コミュニケーションがさらにスムーズになります。

このように、マルチモーダル生成タスクは、データを多角的に理解し、様々な形式で表現することを可能にします。これにより、私たちの日常生活や仕事の方法に革新的な変化をもたらす可能性があります。しかし、この技術の発展には、異なる形式間で意味が正確に翻訳されるよう、継続的な研究と開発が必要です。

産業応用

代替テキスト
ここからは生成AIの応用範囲がどれだけ広いか、特に産業分野での活用事例に焦点を当ててご紹介しますね。生成AIはただ新しい技術として注目されるだけでなく、私たちの日常生活や仕事にどんどんと役立つようになっています。

教育分野での応用

まず教育ですが、AIが学生一人ひとりに合った学習プランを作成できるんです。これは、先生がそれぞれの生徒のニーズに合わせてカスタマイズされた教材を準備するようなものですが、AIならもっと迅速かつ正確に。これにより、子どもたち一人ひとりが自分のペースで学べるようになるんですね。

ゲームとエンターテインメント

ゲーム業界では、AIが登場人物やストーリーを自動で生成し、ゲームの世界をもっとリアルで豊かなものにしています。プレイヤーが毎回新しいシナリオやキャラクターに出会えるので、飽きることなく何度も楽しむことができますよ。

メディアと広告

メディアや広告の分野では、AIが読者や視聴者の興味に合わせたコンテンツをリアルタイムで生成しています。例えば、あなたが健康に関する記事をよく読むと、AIはそれに関連する情報を提供し、よりパーソナライズされた体験を提供します。

医療と薬物発見

医療分野では、AIが患者の症状や歴史から最適な治療方法を提案したり、新しい薬の研究開発を助けたりしています。これにより、治療の精度が向上し、より早く安全な治療が可能になります。

これらの例を見てもわかるように、生成AIは多くの産業で革命的な変化をもたらしており、今後もその進化とともに私たちの生活はより豊かで便利なものになるでしょう。

まとめ

今日ご紹介した「A Complete Survey on Generative AI (AIGC): Is ChatGPT from GPT-4 to GPT-5 All You Need?」の論文を通じて、生成AIの進化とその広がりを深く掘り下げました。AI技術が社会の各層にどれほど浸透しているか、そしてこれからどのように私たちの生活や業界に貢献し続けるかを考える機会を持ちました。

皆さんは、この技術の未来についてどのように感じますか？ 私たちの日常生活や業務において、生成AIがより良い影響を与えるために、どのような改善や規制が必要だと思いますか？

生成AIは教育、ゲーム、メディア、広告、さらには医療など、多岐にわたる分野での応用が進んでいます。このような技術の進歩がもたらすポジティブな変化を最大限に活用するためには、私たち一人ひとりがどのように関与し、学び、適応していくかが鍵となります。

また、データのバイアスやプライバシー問題など、新たな課題も発生しています。

私たちがこの技術をどのように使いこなし、より良い未来を築くかは、これからの選択にかかっています。生成AIの進化と共に、私たちも進化ていきましょう！

飛翔 タロウ

飛翔タロウ