おーちゃん （笑）惜しいです。マルチ（複数）の、モーダル（感覚・様式）って意味で、簡単に言うと『目も耳も口もついたAI』のことです。

おーちゃん そうなんです。今までAIといえばチャット、つまり『文字』だけでしたよね。でも今のAIは、スマホで撮った『写真』を見せたり、『音声』を聞かせたりできるんです。これが本当に劇的な進化でして。

おーちゃん 例えば、ハラさんの工場の機械にエラーメッセージが出たとするじゃないですか。マニュアル探すの面倒ですよね。そんな時、スマホでそのエラー画面の写真をパシャっと撮って、『これ何のエラー？どうやって直すの？』って聞けば、写真を読み取って解決策を答えてくれるんです。

おーちゃん そう。手書きのメモを写真に撮って『テキストに起こして』でもいいし、冷蔵庫の中身の写真を見せて『この食材で何作れる？』でもいい。視覚や聴覚を手に入れたAI、それがマルチモーダルなんです。