ChatGPTが神アプデ！『GPT‐4"V"』の驚異的な進化とは！？

はじめに
GPT-4Vとは？
GPT-4Vの特徴
GPT-4Vの利用シーン
まとめ

はじめに

近年の技術革新の中で、AI（人工知能）の進化は目を見張るものがあります。特にOpenAIによって開発されたChatGPTは、その火付け役となったとも言える存在です。今回は、このChatGPTの最新バージョン、GPT-4Vに焦点を当ててみましょう。

GPT-4Vとは？

GPT-4Vは、その名の通りOpenAIが開発したGPT-4の進化版としてリリースされ、さまざまな機能や性能の向上が図られています。GPT-4の前身であるGPT-3もまた、その卓越した言語生成能力で大きな話題となりました。しかし、GPT-4”V”はそれらを更に上回る性能を誇ります。

この”V”はVisionの”V”を意味しており、今までChatGPTが不可能だったテキストデータ以外のデータを参照・活用できるようになったことが大きな違いです。テキストデータ以外のデータとは、画像や動画などのデータのことを指しており、これらのデータを扱えること＝マルチモーダル化　に対応したことが一番の進化です。

GPT-4Vの特徴

一番の特徴であるマルチモーダル化、それによって以下のような機能を備えることができました。

ブラウジング機能

ChatGPT自身がウェブ検索を行い、検索結果を基に回答を出力する機能です。元々ChatGPTはこの機能を23年5月には実装していましたが、有料コンテンツの内容も検索出来てしまうという問題が発生した(実際にはChatGPT側の問題ではないのですが)ため、一時使用不可になっていた機能が復活しています。
この機能により、ChatGPTは最新の情報を参照してアウトプットすることができるようになりました。

画像アップロード機能

GPT-4Vはテキストだけでなく、画像を入力として受け取ることができます。これにより、テキストと画像の双方を理解し、関連性を持つ返答が可能になりました。
具体的には、入力した画像データを読み取り、その画像に即した質問への回答が可能になりました。

画像生成機能

遂に、ChatGPT自ら画像生成が可能になりました。これは、「DALL-E3」というOpen AIが開発した画像生成AIの機能を実装することで可能になっています。その機能は非常にクオリティが高く、従来のChatGPTの使用感のままに簡単に画像が作れてしまうのが、今回の進化の目玉と言っても差し支えないと思います。
これについては、また別の記事で紹介したいと思います。

音声での会話

これまでも音声入力機能はついていましたが、今回ChatGPTからの回答も読み上げてくれる機能が追加され、本当に音声だけでChatGPTが使えるようになりました。
音声入力後のタイムラグなどは多少あり、使うために慣れは必要ですが、フリーハンドで作業をしながらChatGPTとのクリエイティブな会話を楽しむことができます。

使い方は以下のステップで簡単に使えます。