テキストから画像を生成する「AIお絵描きツール」がここ数週間、ネット上で話題になっている。ブームに先鞭をつけたのが、2021年にオープンAI（OpenAI）が発表した「DALL-E（ダリー）」だ。従来のAI技術では、自然言語処理モデルはテキストだけ、画像生成モデルは画像だけといった具合に、1つの処理しかできなかった。両者を結びつけた「マルチモーダル」なAI（MITテクノロジーレビューが2021年の重大技術に選定）は、このブームにとどまらず、今後ますます広がる応用可能性を持っている。

今週のオーディオ・ムック（β）では、話題の画像生成AIからマルチモーダルAIの可能性について考える。

◆

MITテクノロジーレビューは毎週、旬のテーマを設定し、編集部がピックアップした記事を「オーディオ・ムック（β）」として音声化してお届けします。家事や運動をしながら、通勤しながら、手がふさがっていても記事が読める「聴く」MITテクノロジーレビューをお楽しみください。

なお、本コンテンツは音声合成技術で作成しているため、一部お聞き苦しい点があります。ご容赦ください。バックナンバーはこちら。感想は@techreviewjp まで。

今週の収録記事

オープンAI、文章から画像を描く「DALL-E2」を100万人に提供

オープンAIは、文章から画像を生成する「DALL-E 2」のベータ版を100万人に提供する。一部有料化し、生成した画像の商用利用も可能となる。

「馬に乗った宇宙飛行士」——文章から画像を描くAIが驚きの進歩

オープンAIは、与えられた文章から画像を生成するAIシステムの最新版を発表した。「馬に乗った宇宙飛行士」などの文章を入力すると、言葉にできるものなら何でも写真に近い形で生成できるという、驚くべきものだ。

2021重大技術：「マルチモーダル」でAIはもっと柔軟かつ堅牢になる

人間の知能はさまざまな知覚と言語能力の組み合わせから生まれる。こうしたマルチモーダルな手法を用いれば、新しい状況や問題により容易に対処できる堅牢なAIを作り出せる可能性がある。

オーディオ・ムック（β）

記事一覧を見る

• 2

人気の記事ランキング

1. Quantum physicists have shrunk and “de-censored” DeepSeek R1 量子技術でDeepSeekを55%小型化、「検閲解除」にも成功
2. Promotion Innovators Under 35 Japan Summit 2025 2025年のイノベーターが集結「IU35 Summit」参加者募集
3. Google’s new Gemini 3 “vibe-codes” responses and comes with its own agent グーグルが「Gemini 3」発表、質問に応じて回答形式もAIが判断
4. Text-to-image AI models can be tricked into generating disturbing images AIモデル、「脱獄プロンプト」で不適切な画像生成の新手法
5. What is the chance your plane will be hit by space debris? 空からゴミが降ってくる—— 衛星10万基時代のリスク、 航空への影響は？【解説】