動画生成モデル

文章による指示（プロンプト）や元の画像をもとに、新しい画像を生成するAIモデル。現在は拡散モデルが主流で、かつてはGANも広く使われた。画像の一部の描き直しや画風の変換もでき、広告やデザインの素材作成に使われる一方、著作物に似た画像の生成による権利侵害、偽画像（ディープフェイク）の作成が問題になる。

入力されたデータを分析して、分類、予測、検知、認識などの判断を行うAI。売上予測や離反予測、顧客のグルーピング、画像による不良品の検知などに使われ、仮説検証、知識発見、原因究明、計画策定、判断支援、活動代替などの目的で業務に組み込む。新しいコンテンツを作り出す生成AIと対比される。

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。

膨大なテキストで事前学習した、数十億から数千億以上のパラメータを持つ言語モデル。主にTransformerのデコーダを使い、前の文脈から次のトークンを予測する学習によって、文章生成、要約、翻訳、質問応答、プログラム作成など多様な課題を、追加学習なしに指示（プロンプト）だけでこなせる。インストラクションチューニングやRLHFで指示に従うよう調整して使い、もっともらしい誤り（ハルシネーション）への対策が要る。

本物に似たデータを作る生成器（Generator）と、本物か生成されたものかを見分ける識別器（Discriminator）の2つのネットワークを、互いに競わせながら学習する生成モデルで、2014年にI.グッドフェローらが提案した。生成器は識別器をだませるよう、識別器は見破れるよう学習することで、精細な画像を生成できる。学習が不安定で、似た出力ばかりになるモード崩壊が起きやすい。

与えられた指示や文脈に続く文章を生成するAIモデル。現在の主流はTransformerを使った大規模言語モデルで、前の文脈から次のトークンの確率を計算して1つずつ選ぶことを繰り返して文章を作る。どのトークンを選ぶかは温度（Temperature）やTop-pなどで調整し、要約、翻訳、文書作成、対話、プログラムの生成に使われる。