生成AI（Generative AI）とは、大量のデータからパターンを学習し、テキスト・画像・音声・動画などの新しいデータを生成するAI技術の総称です。OpenAI API のモデルのような生成AIサービスでは、テキスト生成や画像生成などのモデル機能をアプリケーションから利用できます。
生成AIと従来のAI（識別AI）の違い
AIには大きく2つの種類があります。識別AI（Discriminative AI）と生成AI（Generative AI）です。
識別AIとは、入力されたデータを分類・識別するAIです。「この画像は猫か犬か」「このメールはスパムか否か」といった判断を行います。
生成AIとは、学習したパターンをもとに新しいデータを作り出すAIです。「猫の画像を新しく作る」「メールの文章を自動で書く」といった生成を行います。
| 比較項目 | 識別AI | 生成AI |
|---|---|---|
| 目的 | データを分類・判別する | 新しいデータを生成する |
| 出力 | ラベル・確率・スコア | テキスト・画像・音声・動画 |
| 代表例 | 画像分類・スパムフィルタ・顔認識 | テキスト生成・画像生成・音声生成 |
| 学習方法 | 正解ラベル付きデータで学習 | パターンの分布を学習 |
| 主な用途 | 品質管理・医療診断・検索 | 文章作成・画像生成・コード補完 |
生成AIでできること
生成AIは複数のモダリティ（データの種類）にわたって活用されています。
テキスト生成
テキスト生成AIとは、入力されたプロンプト（指示文）に基づいて文章を生成するAIです。
- 文章の作成・要約・翻訳
- コードの自動生成・デバッグ支援
- 対話形式での情報提供（チャットボット）
代表例: ChatGPT、Claude、Gemini など。現在のモデル名や仕様は、各社の公式ドキュメント（OpenAI、Anthropic、Google）で確認します。
画像生成
画像生成AIとは、テキストによる説明（プロンプト）や参照画像から新しい画像を生成するAIです。
- テキストから画像を生成（Text-to-Image）
- 既存画像のスタイル変換
- 画像の修正・補完（インペインティング）
代表例: 画像生成API、Stable Diffusion 系ワークフロー、クリエイティブ向け画像生成ツールなど。技術的には、拡散モデルや潜在拡散モデルが広く使われます。
音楽・音声生成
音楽生成AIとは、テキストや音楽的な指示から楽曲・音声を生成するAIです。
- テキストから楽曲を生成
- 声質のクローニング・変換
- 音声合成（Text-to-Speech）
代表例: 音楽生成、効果音生成、音声合成、声質変換など。商用利用条件はサービスごとの利用規約で確認します。
動画生成
動画生成AIとは、テキストや画像から動画コンテンツを生成するAIです。
- テキストから短い動画を生成（Text-to-Video）
- 静止画から動画への変換
- 動画の編集・補完
代表例: Text-to-Video、Image-to-Video、動画編集・補完など。提供状況や動画長の上限は公式ドキュメントで確認します。
生成AIの歴史
生成AIの発展は、アルゴリズム・データ・計算資源の三つの要素が揃うことで加速しました。
timeline
title 生成AIの主要マイルストーン
2014 : GAN登場（Ian Goodfellow）
2017 : Transformer論文「Attention Is All You Need」
2018 : BERT / GPT 系の初期研究
2020 : GPT-3 が少数ショット学習を実証
2020 : Denoising Diffusion Probabilistic Models
2021 : DALL-E がテキストから画像生成を示す
2022 : ChatGPT が一般公開
2020年代 : マルチモーダル化と推論用途が拡大主要マイルストーン
| 年 | 出来事 | 意義 |
|---|---|---|
| 2014年 | GAN（Generative Adversarial Network）— Ian Goodfellow | 2つのネットワークが競争することで高品質な生成を実現 |
| 2017年 | Transformer論文「Attention Is All You Need」— Vaswani et al. | 並列学習可能なアーキテクチャが登場し、大規模モデルの基盤となる |
| 2018年 | BERT、GPT 系の初期研究 | Transformer ベースの言語モデル研究が広がる |
| 2020年 | GPT-3 | 少数ショット学習の能力を示す |
| 2020年 | Denoising Diffusion Probabilistic Models | 拡散モデルによる生成の代表的手法を整理 |
| 2021年以降 | Text-to-Image の発展 | テキスト入力から画像を生成する製品・研究が広がる |
| 2022年 | ChatGPT 一般公開 | 対話型生成AIが一般ユーザーに広く届く契機になる |
| 2020年代 | マルチモーダル化と推論用途の拡大 | テキスト以外の入力や複雑な問題解決への応用が進む |
なぜ今、生成AIが急速に発展しているのか
生成AIの急速な発展は、次の三つの要素が同時に揃ったことによります。
graph TD
A["算力（Computing Power）\nGPU・TPUの進化\nクラウドインフラの整備"] --> D["生成AIの急速な発展"]
B["データ（Data）\nインターネット上の\n膨大なテキスト・画像"] --> D
C["アルゴリズム（Algorithm）\nTransformerの登場\nRLHFによる品質向上"] --> D算力（Computing Power）: GPU・TPUの性能向上とクラウドインフラの整備により、大規模モデルの学習と推論が現実的になりました。
データ（Data）: テキスト・画像・音声などの大規模データが、学習の素材として使われるようになりました。
アルゴリズム（Algorithm）: Transformerアーキテクチャ、拡散モデル、人間のフィードバックによる強化学習（RLHF）などが、実用的な品質の生成に貢献しました。
まとめ
- 生成AIは、データのパターンを学習して新しいコンテンツを生成するAI技術の総称
- 識別AIが「分類・判別」を行うのに対し、生成AIは「新しいデータを作り出す」
- テキスト・画像・音楽・動画と、対応するモダリティが急拡大している
- 2017年のTransformer論文を起点に、算力・データ・アルゴリズムの三位一体で急速に発展
よくある質問
Q: 生成AIと「普通のAI」は何が違うのですか?
A: 「普通のAI」として広く使われていたのは、データを分類・予測する識別AIです。生成AIは識別AIとは異なり、学習したパターンから新しいデータ（テキスト・画像など）を生成します。どちらもAIの一種ですが、目的と出力が根本的に異なります。
Q: 生成AIを使うのに専門知識は必要ですか?
A: 多くの生成AI製品はブラウザから利用できます。API経由での開発や独自モデルのファインチューニングには技術的な知識が必要ですが、利用するだけであれば特別なスキルを求めないサービスもあります。
Q: 生成AIはどのようにして「新しいものを作れる」のですか?
A: 生成AIは大量のデータから統計的なパターンを学習し、そのパターンに沿った新しいデータを確率的に生成します。完全に「独創的」なものを生み出すわけではなく、学習データの分布をもとに新しい組み合わせを生成しています。
Q: GANとLLMの違いは何ですか?
A: GAN（Generative Adversarial Network）は、生成ネットワークと識別ネットワークが競い合うことで高品質な画像などを生成する手法です。LLM（Large Language Model）はTransformerをベースとした大規模な言語モデルで、テキストの生成・理解に特化しています。どちらも生成AIの一形態ですが、アーキテクチャと得意なタスクが異なります。
このセクションのページ一覧
| ページ | 内容 |
|---|---|
| LLMとは：大規模言語モデルの仕組みと歴史 | 大規模言語モデルの仕組みと歴史 |
| 生成AIモデルと知能指標 | モデルの種類・IQ風スコア・実務で見るべき能力 |
| テキスト生成の仕組み | トークン予測・サンプリング・プロンプト設計 |
| 画像生成の仕組み | 拡散モデル・テキスト条件付け・権利注意 |
| 動画生成の仕組み | Video Diffusion・DiT・時間的一貫性 |
| 音楽生成の仕組み | トークンベース生成・ニューラル音声コーデック・権利注意 |
| トランスフォーマーモデル | Self-Attention・Multi-Head Attention の仕組み |
| BERTとGPTの違い | Encoder-Only vs Decoder-Only の設計思想 |
| 推論モデル | Chain-of-Thought・強化学習・推論向けモデルの選び方 |
生成AIをどう使いこなすかについては、生成AIエンジニアリング（プロンプト・コンテキスト・ハーネスエンジニアリング）を参照してください。