2022年（画像生成AI、マルチモーダルAI、AIチャットbot）

　OpenAIは、2021年に発表したAIモデル「Dall-E」よりもより少ないメモリや処理能力で動作する画像生成AIモデル「Dall-E 2」を発表した。

　NVIDIAは写真などの2D（2次元）画像を素早く3D（3次元）画像やコンテンツに変換する技術「NGP Instant NeRF」を開発した。

　AI研究開発機関Google DeepMindは、汎用（はんよう）マルチモーダルAI「Gato」に関する論文を発表した。それによると、同AIはテキストのキャプション付け、ロボットへの指示生成、ビデオゲームのプレイ、環境内のナビゲーションなど、600以上のタスクを実行できる。

　クリエイター向けAIツールを提供するRunway AI、画像生成AIサービスを開発するStability AI、ミュンヘン大学（Ludwig-Maximilians-Universitaet Muenchen）のComputer Vision & Learning research group の研究者らは、入力したテキスト（プロンプト）から自動的に画像を生成できる「Stable Diffusion」をオープンソース化した。オートエンコーダでデータを圧縮し、その中間形式を拡散モデルが利用することで、データの生成や処理を効率化し、より少ないメモリや処理能力で高品質な画像やコンテンツを生成できる。

　OpenAIは11月、ChatGPTを公開した。同社の大規模言語モデル（LLM）「GPT 3.5」を使ったチャットベースのインターフェースだ。公開から2カ月間で1億人以上のユーザーを獲得した。

2023年（AIチャットbot、マルチモーダルAI、NeRF）

　画像サービスを提供するGetty Imagesは複数のアーティストらとともに、Stable Diffusionを実装した複数の企業を著作権侵害で提訴した。Stability AI、Midjourney、DeviantArtなどが同意なくGetty Imagesのコンテンツをスクレイピング（Webサイトからデータを収集して使いやすく加工すること）したと主張した。

　Microsoftは同社の検索エンジン「Bing」をChatGPTに統合したと発表した。Googleはその動きに追随し、LLMである「LaMDA」（Language Model for Dialogue Applications）を基盤としたAIチャットbot「Bard」をリリースする計画を発表した。

　OpenAIは、テキストや音声などの数種類のデータを組み合わせて処理できるAI技術「GPT-4」を公開した。これを受け、米国の非営利団体Future of Life Instituteは、GPT-4を上回る能力を持つAIシステムの開発や運用を少なくとも半年間停止するよう求める署名活動を実施し、実業家のイーロン・マスク氏やAppleの共同設立者スティーブ・ウォズニアック氏ら約3万3700人が署名した。

　フランスとドイツの研究チームは 3D画像生成技術「NeRF」（Neural Radiance Fields）の技術を改良し、データをガウス分布で表現する新しい方法を開発した。これにより、より迅速かつ効率的な3D画像の生成や表示が可能となった。

　OpenAIの取締役会はCEOのサム・アルトマンを、社内コミュニケーションにおいて一貫性を欠いていたことを理由に解任したが、従業員らの反発もあり、最終的にはCEOに復帰した。

　Googleは、AIチャットbotや、テキスト、画像、音声生成、エンタープライズ向けおよびコンシューマー向けAIサービスを統合したブランドとして、生成AIモデル「Gemini」（旧Bard）を公開した。

2024年（AIエージェント、Embodied AI、オープンソースLLM、動画生成AI）

　Salesforceが、同社のCRM（顧客関係管理）システム「Salesforce」においてAIエージェント機能「Agentforce」の提供を開始した。Microsoft、Workday、Oracle、ServiceNowなど他の主要エンタープライズベンダーも独自のエージェント型AIインフラの構築に乗り出した。しかし、これらプラットフォーム間での相互連携は進んでいない。

　「Embodied AI」は、AI技術をロボットや自動運転車などに組み込むことで、現実世界と相互作用しながら学習するAIだ。文章や単語からパターンを理解して学習するLLMと比べ、Embodied AIは「ロボットが荷物を持ち上げる」「自動運転車が道路を走行する」といった現実世界における動きやそのシミュレーションから学習する。Embodied AIは以下の技術で構成されている。

• 大規模アクションモデル（LAM：Large Action Model）
  • 人間の意図を理解し、業務や意思決定を自動遂行できるモデル
• 大規模行動モデル（LBM：Large Behavior Models）
  • 人間の行動パターンを学習し、予測するモデル
• 世界基盤モデル（WFM：World Foundation Models）
  • 現実世界の環境を再現し、テキスト、画像、動画の入力に基づいて結果を予測する技術

　欧州連合（EU）は、2024年8月に欧州でのAIモデルの利用を制限する法律「AI法」（Artificial Intelligence Act）を施行した。オープンソースのAIシステムには特別条項が設けられた。米政府は、一部の国々へのAIチップ販売を制限する輸出規制を導入した。

　AIチップを開発するCerebras Systemsは、4兆のトランジスタと90万のAI最適化コアを持つウェハースケールAIチップ「WSE-3」を発表。個別のGPUを使用する場合と比べて、多くの生成AIのトレーニングと推論プロセスを10～20倍高速に実行できると同社は主張している。

　中国のAIスタートアップDeepSeekがLLM「DeepSeek V3」を発表した。DeepSeekは、中国の投資会社High-Flyerの支援を受けている。DeepSeek V3は、OpenAIの最新モデルに匹敵する性能を低コストで実現したとされている。V3はオープンソースとして公開されているため、OpenAIやAnthropicなどが提供する独自モデルのメリットと、モデルの仕組みや潜在的な課題を可視化できるオープンソースのメリットを比較検討する動きが広がっている。

　OpenAIはユーザーのプロンプトに基づいて短い動画を生成する動画生成AI「Sora」を発表。初期のデモでは、山道を走る車、短いアニメーション、シミュレーションされた都市を歩く人々など、リアルな動画を生成できることを示した。SoraはOpenAIのChatGPTサービスのアドオン（拡張機能）としてリリースされ、短い動画の生成が可能になったが、それによってアーティスト、俳優、作家などクリエイティブ業界における将来への懸念が高まっている。

　イーロン・マスク氏が創業したAI技術の会社「xAI」は、米テネシー州に10万台の高性能GPU「NVIDIA H100」を接続した大規模AIスーパーコンピュータを構築した。マスク氏は「史上最大のスーパーコンピュータ」と主張している。建設期間は最短19日、最長でも122日と推定されており、大規模AIインフラとしては最速クラスの構築例とされている。