マルチモーダルAI

テキスト、画像、音声、動画など、種類の異なる複数のデータ（モダリティ）を組み合わせて入力・処理・出力できる AI。画像を見て内容を文章で説明する、音声で質問して画像付きで回答を得る、といった使い方ができる。

テキスト、画像、音声など複数の種類の情報を組み合わせて扱えるAI。図表を含む資料の読み取りなど、単一の形式では扱えない業務に適用できる。

テキスト、画像、音声、動画など複数の種類（モダリティ）の情報を組み合わせて入力・出力できるAI。図表を含む文書の読み取り、画像を見せて質問に答える、会議の音声と資料から議事録を作るなど、単一の形式のAIでは扱えない業務に適用できる。

テキスト、画像、音声、動画など、種類の異なる複数のデータ（モダリティ）を入力や出力として統合的に扱えるAI。画像を見せて内容を説明させる、音声で質問して図表を含む回答を得るといった使い方ができ、1種類のデータだけを扱うAIより人間に近い形で状況を理解できる。

特定の作業やタスクに特化して設計されたAI。画像認識、音声認識、チェスなど限定された領域で人間を上回る性能を発揮するが、その領域外のタスクは処理できない。現在実用化されているAIの大部分がこれに該当する。

AGIとも呼ばれる。人間と同等以上の知的能力を持ち、あらゆる知的タスクをこなせるAI。現時点では実現されておらず、研究開発段階にある。特化型AIと対比される概念。

テキスト、画像、音声、動画などの新しいコンテンツを自動的に生成できるAI。大量のデータから学習したパターンをもとに、人間が作成したかのようなコンテンツを創造する。ChatGPTなどが代表例。

音声認識やAI技術を活用して、ユーザの質問に回答したり、タスクを実行したりする対話型のソフトウェア。スマートスピーカーやスマートフォンに搭載され、日常生活の支援を行う。

説明可能なAIのこと。AIが導き出した判断や予測の根拠を人間が理解できる形で説明できるAI技術。ブラックボックス化しがちなAIの意思決定プロセスの透明性を高め、信頼性の向上を目指す。

HITLとも略される。AIシステムの意思決定プロセスに人間の判断を組み込む仕組み。AIの出力を人間がレビュー・修正することで、精度向上や倫理的な問題の回避を図る。