Last Updated on 2024-05-17 07:27 by TaTsu
OpenAIの社長であるGreg Brockmanが、同社の新しいGPT-4 Visionモデルを使用して生成された最初の公開画像をXアカウントから投稿した。この画像は、OpenAIのロゴが入った黒いTシャツを着た人物が黒板に「Transfer between Modalities. Suppose we directly model P (text, pixels, sound) with one big autoregressive transformer. What are the pros and cons?」というチョークテキストを書いている様子を非常にリアルに描写している。
※編訳：モダリティ間の伝達。P（テキスト、ピクセル、サウンド）を1つの大きな自己回帰変換器で直接モデル化するとします。その長所と短所は何でしょうか？
GPT-4oモデルは、以前のGPT-4ファミリー（GPT-4、GPT-4 Vision、GPT-4 Turbo）を改良し、速度、コスト、入力からの情報保持の面で優れている。これは、OpenAIが以前のGPT-4クラスのLLMとは異なるアプローチを取り、オーディオやビジュアルをテキストに変換することなく、直接ビジョンとオーディオを分析・解釈できるように、最初からマルチメディアトークンでトレーニングしたためである。
この新しいアプローチは、2023年9月にデビューしたOpenAIの前回の画像生成モデルDALL-E 3と比較して、顕著な改善を示している。Brockmanが共有したGPT-4oで生成された画像は、品質、フォトリアリズム、テキスト生成の精度が大幅に向上している。しかし、GPT-4oのネイティブ画像生成機能はまだ一般には公開されていない。Brockmanは「チームはそれらを世界に届けるために懸命に取り組んでいる」と述べている。
【参考リンク】
OpenAI（外部）
【関連記事】
ChatGPTの進化の歴史を振り返る – OpenAIとサム・アルトマンの挑戦
感情を読み取り表現する、OpenAIがGPT-4oを発表、応答速度と性能が大幅アップ
【ニュース解説】
OpenAIの社長Greg Brockman氏が、同社の最新モデルであるGPT-4oを使用して生成された画像を公開しました。この画像は、OpenAIのロゴが入った黒いTシャツを着た人物が黒板に「モダリティ間の転送」についてのテキストを書いている様子を非常にリアルに描写しています。GPT-4oは、以前のGPT-4シリーズ（GPT-4、GPT-4 Vision、GPT-4 Turbo）の改良版であり、速度、コスト、入力情報の保持能力が向上しています。これは、オーディオやビジュアルをテキストに変換せずに直接解析・解釈できるよう、マルチメディアトークンでのトレーニングを採用した新しいアプローチによるものです。
この技術の進化は、画像生成の分野において大きな進歩を示しています。以前のモデルであるDALL-E 3と比較して、GPT-4oで生成された画像は、品質、フォトリアリズム、テキスト生成の精度が大幅に向上しています。しかし、GPT-4oの画像生成機能はまだ一般に公開されておらず、OpenAIのチームはこの技術を世界中の人々に届けるために努力を続けています。
この技術の進化は、多くのポジティブな側面を持っています。例えば、教育、エンターテイメント、デザインなどの分野での応用が考えられます。リアルな画像を生成する能力は、教材の作成や映像コンテンツの製作、商品デザインのプロトタイピングなど、創造的な作業を支援することができます。また、オーディオやビジュアルを直接解析・解釈できる能力は、より自然な人間とコンピュータのインタラクションを可能にし、新しい形のコミュニケーションツールの開発につながる可能性があります。
一方で、この技術には潜在的なリスクも存在します。例えば、リアルな画像や音声の生成能力が悪用されることで、偽情報の拡散やプライバシーの侵害などの問題が生じる可能性があります。このため、技術の発展とともに、倫理的なガイドラインの策定や利用規制の整備が重要になってきます。
将来的には、GPT-4oのような技術がさらに進化し、人間と機械の関係を根本から変える可能性を秘めています。しかし、その可能性を最大限に活かすためには、技術の進歩を適切に管理し、社会的な課題に対処するための枠組みを構築することが不可欠です。このような技術の発展は、私たちに新しい機会を提供すると同時に、倫理的、社会的な責任を伴うことを忘れてはなりません。
from OpenAI president shares first image generated by GPT-4o.
