マルチモーダル AI

生成 AI とは、ML モデルを使用して、テキスト、画像、音楽、音声、動画などの新しいコンテンツを通常は単一の種類のプロンプトから作成することの総称です。マルチモーダル AI は、画像、動画、テキストなどの複数のモダリティからの情報を処理することで、こうした生成機能を拡張します。マルチモダリティは、AI に異なる感覚的モードを処理して理解する能力を与えるものと考えることができます。これは実質的に、ユーザーが 1 つの入力と 1 つの出力のタイプに制限されることなく、ほとんどの入力を備えるモデルに、ほとんどのコンテンツ タイプの生成をプロンプトできることを意味します。

Gemini は、Google DeepMind のチームのマルチモーダル モデルで、画像だけでなく、テキスト、コード、動画でもプロンプトできます。Gemini は最初から設計されており、テキスト、画像、動画、音声、コードにわたってシームレスに推論できます。Gemini プラットフォームでは、プロンプトを使用して画像からのテキスト抽出、画像テキストの JSON への変換、アップロードされた画像に関する回答の生成も行うことができます。

マルチモーダル AI とマルチモーダル モデルは、デベロッパーが次世代のアプリケーションで AI の機能を構築して拡張する方法の前進を示しています。たとえば、Gemini は Python、Java、C++、Go などの世界で最も普及しているプログラミング言語で高品質のコードを理解、説明、生成できるため、デベロッパーはより多くの機能を備えたアプリケーションの構築に取り組みたくなります。マルチモーダル AI の可能性は、スマート ソフトウェアというよりも、専門家のヘルパーやアシスタントのような AI に世界を近づけます。

マルチモーダル AI の利点は、より高度な推論、問題解決、生成の機能を備えた AI をデベロッパーとユーザーに提供することです。これらの進歩は、次世代のアプリケーションが私たちの働き方と生活様式を変える可能性に無限の可能性をもたらします。構築を開始しようとしているデベロッパーに、Gemini プラットフォーム API は、エンタープライズ セキュリティ、データ所在地、パフォーマンス、テクニカル サポートなどの機能を提供します。Google Cloud の既存のお客様は、今すぐ Gemini プラットフォームで Gemini を使ってプロンプトを開始できます。