2024年、生成AIの波とともに幕開け

AIコミュニティの話題は、ほぼ毎日のようにニュースになります。2024年の最初の数か月は、刺激的で新しいAIのイノベーションに満ちていました。強力な新しい大規模言語モデルから人間の脳へのインプラントまで、2024年はAIにとって大きな年になりそうです。

AIが産業を変革し、情報へのアクセスを容易にし、さらには人間の脳と機械を融合させる第一歩を踏み出す様子が見られます。2024年第1四半期を振り返り、わずか数か月の間にAI分野でどのような進展があったのかを詳しく見ていきましょう。

LLMが注目を集める#

膨大なテキストデータに基づいて人間の言語を理解、生成、操作するよう設計された大規模言語モデル（LLMs）が、2024年第1四半期の大きな話題となりました。大手テクノロジー企業の多くが、それぞれ独自の機能を備えたLLMsを発表しました。この動きは、GPT-3など初期のLLMsの成功に後押しされたものです。2024年初頭に発表された、特に注目すべきLLMをいくつか紹介します。

AnthropicのClaude 3#

Anthropicは2024年3月4日にClaude 3をリリースしました。Claude 3モデルにはOpus、Sonnet、Haikuの3つのバージョンがあり、それぞれ異なる市場や用途に対応しています。最速のモデルであるHaikuは、基本的な応答を素早く返すよう最適化されています。Sonnetは速度と知能のバランスが取れており、エンタープライズ用途を対象としています。最も高性能なバージョンであるOpusは、複雑な推論タスク向けに設計され、リリース時には多くのベンチマークで首位を獲得しました。

Claude 3のモデルカードで取り上げたとおり、Claude 3にはいくつかの機能と改良点があります。

• 多言語での会話能力の向上: スペイン語、日本語、フランス語などの言語で能力が向上しました。
• 高度なビジョン機能: さまざまな視覚形式を処理できます。
• 拒否応答の低減: 文脈理解の向上を示すように、不要な拒否応答が減り、理解力が高まりました。
• コンテキストウィンドウの拡張: 20万トークンのコンテキストウィンドウを提供し、顧客のニーズに応じて100万トークンを超える入力も処理できます。

図1. Claude 3は以前のバージョンよりも文脈を的確に把握できます。

DatabricksのDBRX#

Databricks DBRXは、Databricksが2024年3月27日にリリースしたオープンな汎用LLMです。DBRXは、言語理解、プログラミング、数学など、さまざまなベンチマークで優れた性能を発揮します。同種のモデルより約40%小型でありながら、ほかの確立されたモデルを上回ります。

図2. DBRXと他のモデルの比較。

DBRXは、細粒度の混合エキスパート（MoE）アーキテクチャを用いた次トークン予測で学習されており、学習と推論の効率が大幅に向上しています。このアーキテクチャでは、さまざまな専門サブモデル（「エキスパート」）を参照することで、系列内の次の単語をより正確に予測できます。これらのサブモデルは、異なる種類の情報やタスクの処理に適しています。

GoogleのGemini 1.5#

Googleは2024年2月15日、膨大なテキスト、動画、音声データを分析できる、計算効率に優れたマルチモーダルAIモデルGemini 1.5を発表しました。最新モデルは、性能、効率、機能の面でさらに進化しています。Gemini 1.5の主な特徴は、長いコンテキストの理解における画期的な進歩です。このモデルは、最大100万トークンを安定して処理できます。Gemini 1.5の機能は、新しいMoEベースのアーキテクチャによっても実現されています。

図3. 人気のLLMのコンテキスト長の比較

Gemini 1.5の特に注目すべき機能をいくつか紹介します。

• データ処理の改善：大容量のPDF、コードリポジトリ、長時間の動画をプロンプトとして直接アップロードできます。このモデルは複数のモダリティを横断して推論し、テキストを出力できます。
• 複数ファイルのアップロードと質問：開発者は複数のファイルをアップロードし、質問できるようになりました。
• さまざまなタスクに対応：多様なタスクに対応できるよう最適化されており、数学、科学、推論、多言語対応、動画理解、コードなどの分野で改善が見られます。

AIが生み出す驚くべきビジュアル#

2024年第1四半期には、非常にリアルなビジュアルを生成できる生成AIモデルが登場し、ソーシャルメディアの未来やAIの進歩をめぐる議論を呼びました。こうした議論の中心となっているモデルを紹介します。

OpenAIのSora#

ChatGPTを開発したOpenAIは、最先端のテキストから動画を生成する深層学習モデル「Sora」を2024年2月15日に発表しました。Soraは、テキストによるユーザープロンプトに基づいて、高い視覚品質の最長1分の動画を生成できます。

たとえば、次のプロンプトをご覧ください。

「色鮮やかな魚や海の生き物があふれる、サンゴ礁の美しく描かれたペーパークラフトの世界。」

そして、こちらが生成された動画の1フレームです。

図4. Soraが生成した動画の1フレーム。

Soraのアーキテクチャは、テクスチャ生成用の拡散モデルと構造の一貫性を保つTransformerモデルを組み合わせることで、これを実現しています。現時点では、リスクを把握してフィードバックを得るため、レッドチーム担当者と一部のビジュアルアーティスト、デザイナー、映画制作者にSoraへのアクセスが提供されています。

Stability AIのStable Diffusion 3#

Stability AIは2024年2月22日、テキストから画像を生成するモデルStable Diffusion 3の登場を発表しました。このモデルは、拡散Transformerアーキテクチャとフローマッチングを組み合わせています。技術論文はまだ公開されていませんが、注目すべき主な機能がいくつかあります。

図5. プロンプト「夜の山頂に立つ魔法使いが、暗い空にカラフルなエネルギーで「Stable Diffusion 3」と描かれた宇宙の呪文を唱える、壮大なアニメアートワーク」に基づく出力画像（出典）

Stable Diffusionの最新モデルは、複数の被写体を含む画像の生成において、性能、画質、精度が向上しています。Stable Diffusion 3では、8億から80億のパラメーターを持つさまざまなモデルも提供される予定です。ユーザーはスケーラビリティや詳細度に関するニーズに応じて選択できます。

GoogleのLumiere#

2024年1月23日、Googleの研究者たちはテキストから動画を生成する拡散モデルLumiereを発表しました。LumiereはSpace-Time-U-Netというアーキテクチャを使用しており、略してSTUNetと呼ばれます。これにより、Lumiereは動画内の物体の位置や動きを理解できます。その結果、滑らかで生き生きとした動画を生成できます。

図6. プロンプト「家でウクレレを弾くパンダ」に基づいて生成された動画の1フレーム。

動画1本あたり最大80フレームを生成できるLumiereは、AI動画の品質を大きく前進させました。Lumiereの機能をいくつか紹介します。

• 画像から動画へ：画像とプロンプトを起点として、Lumiereは画像をアニメーション化し、動画を生成できます。
• スタイル化された生成：Lumiereは、1枚の参照画像を使って特定のスタイルの動画を生成できます。
• シネマグラフ：Lumiereは画像内の特定の領域をアニメーション化し、シーンの他の部分は静止したまま特定の物体だけが動くような、動きのあるシーンを作成できます。
• 動画のインペインティング：動画内の人物の服装を変えたり、背景の細部を変更したりできます。

未来はもうすぐそこに#

2024年初頭には、SF映画のように感じられる多くのAIイノベーションも登場しました。以前なら不可能だと言っていたことが、今では実現に向けて取り組まれています。次の発見を見ると、未来は遠いものではないと感じられます。

Elon MuskのNeuralink#

Elon MuskのNeuralinkは、2024年1月29日に人間へのワイヤレス脳チップの埋め込みに成功しました。これは人間の脳とコンピューターをつなぐための大きな一歩です。Elon Muskは、Neuralink初の製品「Telepathy」が開発中であると明らかにしました。

図7. Neuralinkのインプラント

目標は、特に手足の機能を失った人が、思考を通じてデバイスを簡単に操作できるようにすることです。その応用可能性は利便性にとどまりません。Elon Muskは、麻痺のある人が簡単にコミュニケーションできる未来を思い描いています。

DisneyのHoloTile Floor#

2024年1月18日、Walt Disney ImagineeringはHoloTile Floorを発表しました。これは、世界初の複数人対応・全方向型トレッドミル床とされています。

図8。Disney ImagineerのLanny Smootが最新のイノベーションであるHoloTile Floorの上でポーズをとっています。

テレキネシスのように人や物の下で床が動き、没入感のある仮想現実や拡張現実の体験を実現できます。床の上では、どの方向にも歩き、衝突を避けることができます。DisneyのHoloTile Floorは劇場のステージに設置して、独創的なダンスや動きを演出することもできます。

AppleのVision Pro#

2024年2月2日、待望のApple Vision Proヘッドセットが発売されました。仮想現実や拡張現実の体験を再定義するために設計された、さまざまな機能やアプリケーションを備えています。Vision Proヘッドセットは、エンターテインメント、生産性、空間コンピューティングを融合し、多様なユーザーに対応します。Appleは発売時に、生産性向上ツールからゲーム、エンターテインメントサービスまで、600以上のアプリがVision Pro向けに最適化されていると発表しました。

CognitionのDevin#

2024年3月12日、CognitionはDevinというソフトウェアエンジニアリングアシスタントを発表しました。Devinは、世界初の自律型AIソフトウェアエンジニアを目指したものです。提案を行ったり特定のタスクを完了したりする従来のコーディングアシスタントとは異なり、Devinは初期の構想から完成まで、ソフトウェア開発プロジェクト全体を担うように設計されています。

新しいテクノロジーを学び、アプリ全体を構築してデプロイし、バグを見つけて修正し、自身のモデルをトレーニングし、オープンソースや本番環境のコードベースに貢献できるほか、Upworkなどのサイトで実際の開発業務を引き受けることもできます。

図9. Devinと他のモデルの比較。

Devinは、Djangoやscikit-learnなどのオープンソースプロジェクトにある実際のGitHub課題をエージェントに解決させる、難易度の高いベンチマークSWE-benchで評価されました。Devinは課題の13.86%を最初から最後まで正しく解決し、従来の最先端モデルの1.96%を上回りました。

その他の注目情報#

あまりにも多くの出来事があったため、この記事ですべてを取り上げることはできませんが、その他の注目すべき出来事をいくつかご紹介します。

• 2024年3月21日に発表されたNVIDIAのLATTE3Dは、テキストプロンプトから3D表現を瞬時に生成する、テキストから3Dを生成するAIモデルです。
• Midjourneyの新しいテキストから動画を生成するモデルは、CEOのDavid Holzが予告しており、1月にトレーニングを開始し、まもなく公開される見込みです。
• AI PC革命を推進するため、Lenovoは2024年1月8日に、E Ink Prismテクノロジーを搭載したThinkBook 13xと高性能AIノートPCを発表しました。

AIのトレンドを一緒に追いかけましょう。#

2024年の始まりには、AIの大きな進歩と、いくつもの技術的なマイルストーンがありました。しかし、AIができることはまだ始まったばかりです。最新のAIの動向について詳しく知りたい方は、Ultralyticsにお任せください。

コンピュータービジョンとAIに関する最新の取り組みは、GitHubリポジトリをご覧ください。また、AIが製造や医療などの業界でどのように活用されているか、ソリューションページもご覧いただけます。