生成AI Topic｜OpenAI Spring Update と Google I/O 2024 に関するサマリー解説

株式会社エクスプラザ（公式）

2024年5月17日 19:10

こんにちは。
株式会社エクスプラザが運営する、生成AI Weekly News の特集号「生成AI Topic」です。

今週、5/13 と 5/14 に OpenAI と Google から生成AI に関する発表がありました。
本記事では、それぞれの発表内容の要点をまとめ、解説をしております。

OpenAI Spring Update

5月13日、OpenAI より様々な発表がありました。
（詳細はコチラ）

今回の発表は、大きく3つのポイントがあります。

GPT-4o のリリース
より自然な音声会話・マルチモーダル化
無料ユーザーへの解放（GPT-4o）

（デスクトップアプリも出てましたが、今回は上記3つに絞ってご紹介します。）

1. GPT-4o のリリース

GPT-4o とは、OpenAI から発表された新しいモデルで、より自然な対話が可能になる LLM モデルです。（GPT-4o の"o"は、"omini(すべて)"）

omini といっているように、テキスト生成に閉じず、オーディオ、イメージ、ビデオのあらゆる組み合わせをもとに、入力/出力として生成できるようになる模様。

GPT-4o (“o” for “omni”) is a step towards much more natural human-computer interaction—it accepts as input any combination of text, audio, image, and video and generates any combination of text, audio, and image outputs.

https://openai.com/index/hello-gpt-4o

また、

GPT-4 Turbo と比較して、約2倍高速（API 利用で）
約 50% のコスト削減

というように、より速く、より低コストになっています。

従来のベンチマークで測定したところ、GPT-4o は、テキスト、推論、コーディング・インテリジェンスで GPT-4 Turbo レベルの性能を達成しています。

他の性能テストについては、来週あたりに出てくるかと思いますので、また来週のニュースで取り上げる予定です。

2. より自然な音声会話・マルチモーダル化

GPT-4o のリリースに伴い、自然な音声会話ができるようになりました。
これの何が注目ポイントかというと、LLM の登場でユーザーインターフェースのありかたに変化が起きている中、このモデルの登場によって、よりユーザビリティの高い「会話」へとインターフェースが進化していくという点にあるかと思います。

実際にデモ動画を見ていただくとより実感できるかと思います。いくつかピックアップします。

▼ GPT-4o と一緒に会議

参加者の質問に対して、大きな遅延もなく回答をしています。部分で感情的に聞こえるようなイントネーション、会話内容もあります。

▼ GPT-4o とインタビュー

GPT-4o でインタビューをしている様子です。0:53 では、GPT-4o が笑って返答をしています。対話形式でも何ら不自然に感じません。

▼ 画面共有をすることで、数学の問題をティーチングしてくれる

数学の図形問題を画面共有で写して、それをもとに解き方を解説してくれています。

これらのように、より低コストで、高速に、そしてマルチモーダルに使えるようになったのが、GPT-4o です。

ちなみに Sam Altman 曰く、現在 ChatGPT のアプリで使用できるのは旧バージョンとのことです（GPT-4o は未搭載）。

also for clarity: the new voice mode hasn't shipped yet (though the text mode of GPT-4o has). what you can currently use in the app is the old version.

the new one is very much worth the wait!
— Sam Altman (@sama) May 15, 2024