このセクションでは、生成AIを「入力に応じて新しい内容を作る学習済みモデル」として捉え、言語モデルの基盤から文章・画像・音楽・動画の生成へ進みます。製品の使い方ではなく、出力が作られる流れと、方式を比較するときの判断軸を学ぶための入口です。
言語モデルの基盤を順番に学ぶ
最初にLLMとはを読み、文章をトークンへ分け、文脈から次のトークンを予測する流れを押さえます。次のトランスフォーマーモデルでは、系列内の語句を関連付けるAttentionと、Encoder・Decoderの役割を確認します。
基盤を理解した後は、BERTとGPTの違いで、文章の表現を作る設計と、続きを生成する設計を比較します。推論モデルでは、複数段階の問題へ追加の計算を使うモデルや実行モードを、通常の生成と区別します。
作りたい出力から生成方式を選ぶ
文章の生成過程を詳しく追いたい場合は、テキスト生成の仕組みへ進みます。次トークンの候補から、再現性や多様性に応じて出力を選ぶ方法を扱います。
視覚・音声メディアでは、それぞれ異なる一貫性が必要です。
- 画像生成の仕組み: ノイズ除去、条件指定、部分編集を理解する
- 音楽生成の仕組み: 波形・記号・音声トークンと生成方法の関係を理解する
- 動画生成の仕組み: 画面内の整合性と時間方向の整合性を分けて考える
モデルを選ぶときは仕事の条件を先に置く
生成AIモデルと知能指標では、サービス名とモデル名を区別し、品質、速度、費用、長い入力、ツール利用、検証方法を比較します。単一のベンチマークや「賢さ」だけで選ばず、実際の仕事で失敗を検出できるかまで含めて判断するためのページです。
生成の仕組みを理解した後は、生成AIエンジニアリングへ進みます。そこでは、モデルへ渡す指示と情報、利用できるツールや権限、結果の検証、反復の止め方を設計します。