OpenAIの先進的なマルチモーダルAIであるGPT-4は、テキストビジュアルタスク、複雑な推論、ヘルスケアや教育などの実世界でのアプリケーションに優れています。
GPT-4(Generative Pre-trained Transformer 4)は、OpenAIによって作成された大規模なマルチモーダルモデルで、人工知能(AI)の分野における重要な進歩を表しています。GPT-3の後継として、GPT-4は、人間のようなテキストを理解し生成し、推論を向上させて複雑な問題を解決し、より高い創造性を発揮することにおいて、強化された能力を示しています。GPT-4が前モデルと大きく異なる点は、マルチモーダルモデルであることです。つまり、GPT-4はテキストと画像の両方の入力を受け入れることができ、より豊かなインタラクションや機械学習（ML）の幅広い応用を可能にします。
GPT-4は、GPTシリーズの他のモデルと同様、トランスフォーマー・アーキテクチャを基盤としている。このアーキテクチャは影響力のある論文"Attention Is All You Need "で紹介されたもので、自己注意メカニズムに大きく依存している。これらのメカニズムにより、モデルは入力シーケンス内の異なる単語（またはトークン）の重要性を重み付けすることができ、テキスト内の長距離依存関係や文脈を効果的に捉えることができる。GPT-4は、インターネットやライセンスされたデータソースからスクレイピングされた、テキストと画像の両方を含む膨大な量のデータを使って学習された。GPT-4のアーキテクチャサイズ（パラメータ数）と正確な学習データセットに関する具体的な詳細は、現在も非公開のままですが、GPT-4テクニカルレポートでは、様々な専門的・学術的ベンチマークにおいて、以前のモデルと比較して大幅に性能が向上したことが報告されています。GPT-4は強力な大規模言語モデル(LLM)として動作し、多様な言語および視覚関連タスクを実行することができます。
GPT-4では、GPT-3のようなモデルからいくつかの顕著な改良が加えられている：
GPT-4は、様々な業界にわたる多様なアプリケーションをサポートしており、多くの場合API経由でアクセスされる：
GPT-4は言語理解、テキスト生成、基本的な画像解釈を得意とする汎用性の高い基礎モデルであるが、コンピュータビジョン（CV）のような分野に特化したモデルとは大きく異なる。例えば Ultralytics YOLOのようなモデルは YOLOv8や YOLO11などのYOLOモデルは、ディープラーニング（DL）を用いて、画像や動画内の高速で正確なオブジェクト検出、画像セグメンテーション、インスタンス・セグメンテーションのために特別に設計されている。GPT-4は、画像に何が写っているか（例えば、「マットの上に猫がいる」）を記述することができますが、YOLO モデルは、正確なバウンディングボックスまたはピクセルレベルのマスクを使用して、オブジェクトがどこにあるかをピンポイントで特定するため、さまざまなコンピュータビジョンタスクに適しています。
これらの異なるタイプのモデルは、複雑なAIシステムの中で高度に補完し合うことができる。例えば、YOLO モデルがビデオストリーム内のオブジェクトを検出し、GPT-4が説明文を生成したり、検出されたオブジェクト間の相互作用に関する質問に答えたりすることができる。このような複合システムの開発、トレーニング、モデルのデプロイメントの管理は、Ultralytics HUBのようなプラットフォームや、以下のようなコミュニティのツールを使って効率化することができます。 Hugging Face.Ultralytics ブログでAIの進歩についてもっと読む。
