人工知能は、登場以来、個人や業界を問わず、興奮、批判、革新の議論を巻き起こしてきました。このテクノロジーは近年、コンテンツの生成にとどまらず、システム、プロセス、業務、そして日常生活の一部となりつつあります。最も注目に値し、話題に値するAIテクノロジーの1つがGPTです。GPTはChatGPTと混同されることがよくありますが、両者は異なります。GPTはコンテンツを生成できるAI技術であり、ChatGPTはGPT技術を使用して人間のようなテキストを生成するAIツールです。
GPTとは？
GPTはGenerative Pre-Trained modelsの略で、汎用言語予測モデルです。GPTはGenerative Pre-Trained Transformerの略で、幅広いコンテンツを生成するために情報を分析、抽出、要約できる多目的AIモデルです。その最も人気のあるアプリケーションの1つが、GPT-3.5モデルを基に構築されたAIチャットボットであるChatGPTです。人間のような自然な会話を行うことを目的としています。OpenAIによって開発されたGPTは、2018年に初めて導入され、それ以来、その能力を向上させる改良が何度か行われてきました。このブログでは、GPTのさまざまなバージョンとその進化について見ていきます。
GPTの仕組み
生成型事前学習型トランスフォーマ（GPT）は、ディープラーニングを利用して人間らしいテキストを理解し生成する強力なAIモデルです。GPTの動作をよりよく理解するために、その主要なコンポーネントとプロセスを分解してみましょう。
ニューラルネットワークと事前学習
GPTモデルは、人間の脳の機能と同様に情報を処理するように設計されたAIアルゴリズムであるニューラルネットワークを基盤として構築されています。これらのニューラルネットワークは、インターネット上のテキストなど、膨大なデータセットで事前学習されています。事前学習段階では、モデルは以下を学習します。
- 文の次の単語を予測する。
- 文法、構文、文脈を理解する。
この基礎的なトレーニングにより、GPTは言語構造と単語間の関係を把握し、さらなる改良の基盤を構築することができます。
トランスフォーマーとアテンションメカニズム
GPTのアーキテクチャの中核をなすのがトランスフォーマーであり、これはアテンションメカニズムを使用して最も関連性の高い情報を優先します。アテンションメカニズムは人間の注意を模倣することで機能し、これによりモデルは以下のことを実行できます。
- 重要度に基づいて入力をランク付けし、優先順位付けする。
- タスクの妨げとなる可能性がある関連性の低い情報をフィルタリングする。
アテンションメカニズムは、データ内の異なる要素間の関係に焦点を当てることで、GPTが効率的に一貫性のあるテキストを理解し生成するのを助けます。
文脈埋め込み
GPTの主な強みの1つは、文脈の中で単語を理解する能力です。これは、文脈埋め込みによって実現されます。文脈埋め込みは、文の周囲の単語に応じて変化する動的な単語表現を作成します。
特定のタスクに対する微調整
事前学習が完了すると、GPTは微調整（fine-tuning）を行い、エッセイの執筆、質問への回答、テキストの要約など、特定のタスクに特化します。この段階では、モデルが対象とする活動をより巧みかつ正確に実行できるようになり、幅広い用途を正確に処理できるようになります。
ニューラルネットワーク、トランスフォーマー、アテンションメカニズム、コンテクスチュアルエンベッディング、そしてファインチューニングというこれらの要素を組み合わせることで、GPTは人間のような応答を生成し、自然言語処理におけるさまざまなタスクを実行することに秀でています。
ChatGPTに情報はどのように教えるのか？
ChatGPTは、インターネット上の情報を責任を持って使用し、ユーザーのプライバシーとデータの完全性を確保しながら、言語モデルを改善するよう努めています。ChatGPTとその他の関連サービスは、主に次の3つの情報源を使用して開発されています。
- 一般に公開されているインターネットコンテンツ、
- 第三者からライセンス供与された情報、
- ユーザーまたは人間トレーナーから提供されたデータ。
この説明では、最初のカテゴリーである「インターネット上で一般に公開されている情報」に焦点を当てます。
このタイプの情報の場合は、ChatGPTはインターネット上で自由にアクセスできるデータのみを使用します。これには、有料のコンテンツや「ダークウェブ」上のコンテンツは含まれません。品質と安全性を確保するために、特定の種類のコンテンツはフィルタリングされ、モデルのトレーニングには使用されません。これには、
- ヘイトスピーチ、
- アダルトコンテンツ、
- 主に個人情報を収集するウェブサイト、
- スパム。
ChatGPTは、これらの情報を用いて、単語間の関連性を学習しながらモデルに教え込み、数値重みの更新に役立てています。これらの重みは、ユーザーの要求に応じて新しい単語を予測し生成するために使用されます。トレーニングデータからの単純な「コピー＆ペースト」とは異なり、ChatGPTは、本自体に継続的にアクセスすることなく、その知識を保持している人のような機能を発揮します。
インターネットデータの大部分は個人情報を含むものですが、ChatGPTはモデルトレーニングのために個人情報を積極的に探し出すことはありません。個人情報の使用は、モデルが言語の文脈を理解するのを助けることを目的としており、プロファイルの作成、広告、連絡、販売を目的としたものではありません。
個人情報の取り扱いに関する主なポイントは以下の通りです。
- 個人情報は、一般的な名称、住所、言語における文脈上の使用に関する理解を深めるために使用される場合があります。
- 個人情報の処理は最小限に抑えるよう努めています。これには、大量の個人データを集約するソースの削除が含まれます。
- ChatGPTは、個人に関するプライベートな情報や機密情報を求めるリクエストを拒否するように訓練されています。
ChatGPTの基本モデル：GPT-3.5アーキテクチャ
ChatGPTの基本技術は、2020年に発表されたOpenAIのGPT-3.5アーキテクチャに基づいています。1750億のパラメータを持つ強力なモデルであるGPT-3.5は、自然言語処理と生成能力の向上に大きく貢献しました。しかし、技術の進歩に伴い、このモデルはGPT-3.5ターボへと進化し、最終的には特定の用途に合わせてカスタマイズされたより高度なモデルに置き換えられました。
GPT-3.5 Turbo：汎用性とカスタマイズ性の向上
GPT-3.5 Turboは、オリジナルのGPT-3.5から大幅にアップグレードされたもので、開発者向けに特定のデータセットに合わせてモデルを最適化する「カスタムチューニング」機能を提供しています。パラメータ数は60億と少なくなっていますが、その適応性により、幅広いタスクに最適です。GPT-3.5 Turboは、トークン使用量に応じた競争力のある価格設定により、依然として費用対効果に優れています。2024年7月現在、API利用にはまだ対応していますが、ChatGPTの無料ユーザーにはGPT-4o miniが後継モデルとして採用されています。
GPT-4 Turboへの移行：より効率的で高性能なモデル
2023年11月、OpenAIはDevDayでGPT-4 Turboをリリースしました。このモデルは、強化された処理能力と経済効率を組み合わせることで、コンテンツ生成やソフトウェア開発など、さまざまな用途に最適です。GPT-4 Turboは、拡張された文脈ウィンドウと改善された関数呼び出しで知られており、開発者はプロジェクトにおいて、かつてないほどの制御と精度を得ることができます。
GPT-4o Mini：低コストで高いパフォーマンス
GPT-4o Miniは、テキストとビジョンを組み合わせたタスクに優れ、GPT-3.5 Turboなどの以前のモデルよりも優れた性能を発揮するように設計されています。 知識ベースが更新され、大量のトークン要求にも対応できるようになったことで、さまざまな用途で高い効果を発揮します。 特に、以前のモデルよりも大幅に低価格であるため、予算重視のプランを組む開発者にとって魅力的な選択肢となります。
GPT-4とGPT-4oの比較
GPT-4からGPT-4oへの移行は、AI技術の大きな進歩を意味し、特にテキスト、画像、音声、動画の処理能力の向上という点で、マルチモーダル機能の面で大きな進歩を遂げました。GPT-4oは、応答時間を平均5秒からわずか320ミリ秒に短縮し、前モデルを大幅に改善しました。この強化により、ユーザーとのやりとりが大幅に豊かになり、リアルタイムのアプリケーションに最適なモデルとなりました。
さらに、GPT-4oは多言語のタスクに優れ、アフリカーンス語、中国語、イタリア語、ジャワ語、ポルトガル語などの言語でパフォーマンスが向上しており、グローバルな適用可能性が広がっています。また、さまざまな声色を作り出し、笑い声や歌声など人間のような表現を模倣できる高度な音声機能も導入されており、より自然なやりとりが可能になります。
視覚処理においては、GPT-4oは視覚コンテンツをより深く理解・分析することで、GPT-4を上回る性能を発揮し、より文脈を意識したAIの応答を可能にします。言語理解力を測定するLLMUベンチマークテストでは、GPT-4oは88.7%という素晴らしいスコアを記録し、GPT-4の86.6%を上回りました。これにより、GPT-4oの優れた認知能力が浮き彫りになりました。
全体的に見て、GPT-4oはGPT-4を大幅に上回る改善が施されており、複数のモダリティや言語をより高速かつ正確に処理できるため、教育テクノロジーから国際コミュニケーションまで、幅広い用途に活用できる強力なツールとなっています。
| カテゴリー | GPT-4 | GPT-4o |
| 入力コンテキストウィンドウ | 8,192トークン | 128Kトークン |
| 最大出力トークン | 8,192トークン | 2,048トークン |
| 発売日 | 2023年3月14日 | 2024年5月13日 |
| 知識の期限 | 2021年9月 | 2023年10月 |
| オープンソース | いいえ | いいえ |
| APIプロバイダー | OpenAI | OpenAI |
| 入力（100万トークンあたり） | $30.00 | $5.00 |
| 出力（100万トークンあたり） | $60.00 | $15.00 |
| MMLU (5-shot) | 86.4% | 88.7% |
| MMMU | 34.9% | 69.1% |
| HellaSwag (10-shot) | 95.3% | 利用不可 |
| GSM8K (5-shot) | 92.0% | 利用不可 |
| HumanEval (0-shot) | 67.0% | 利用不可 |
| MATH (0-shot) | 76.6% | 利用不可 |
GPT-4o Canvas
2024年10月3日に導入されたGPT-4o Canvasは、執筆とコーディングで共同作業を行うことができます。ChatGPTのインターフェースで、Canvasは別のウィンドウを開き、ユーザーがプロジェクトで共同作業を行うことを可能にします。このモデルは、アイデアを並行して作成し、洗練させる新しい方法を備えたベータ版です。GPT-4o Canvasは、ChatGPT PlusとTeamユーザーに展開されました。OpenAIは翌週にエンタープライズおよびエデュユーザーに導入する予定でしたが、それらにも展開されました。
キャンバスでは、ユーザーはChatGPTに注目してほしい部分をハイライトすることができます。キャンバスは、プロジェクト全体を考慮したインラインフィードバックと提案を提供します。キャンバスには、文章の長さの調整、コードのデバッグ、その他の便利なタスクを行うためのショートカットメニューがあります。ライティングのショートカットには、編集の提案、長さの調整、読みやすさの変更、絵文字の追加、そして最終的な仕上げが含まれます。コーディングのショートカットでは、コードのレビュー、ログ/コメントの追加、バグの修正、言語への移植が可能です。
o1シリーズのご紹介：o1プレビューとo1ミニ
2024年9月12日に発売されたo1シリーズには、o1プレビューとo1ミニの2つのモデルがあります。これらのモデルは複雑な推論に最適化されており、ヘルスケアや物理学などの分野で広く使用されています。特にo1 miniは、コーディングや科学的なクエリにコスト効率の高いソリューションを提供し、価格はo1 previewの80%オフとなっています。両モデルとも、ChatGPT PlusとTeamユーザーが利用でき、今後は無料ユーザーへの拡大も予定されています。
音声変換モデル：Whisperとテキスト読み上げ（TTS)
利用可能な音声モデルには、WhisperとText-to-Speech (TTS)があり、それぞれ特定の用途に合わせて調整されており、価格もそれに応じて設定されています。Whisperモデルは、音声コンテンツをテキストに書き起こすことに優れており、複数の言語を英語に翻訳することにも長けています。このモデルは、1分あたり0.006ドル（1秒未満の端数は切り上げ）というコストパフォーマンスに優れた価格体系となっており、迅速かつ効率的な音声からテキストへの変換に最適です。
一方、テキスト読み上げ（TTS）モデルは、テキストを音声に変換することに重点を置いており、異なるレベルの音声品質を提供しています。標準的なTTSモデルは、100万文字あたり15ドルで、基本的なテキスト読み上げの要件に適しています。より高い音声品質を必要とする高度な用途には、100万文字あたり30ドルのTTS HDモデルをご利用いただけます。このレベルでは、明瞭性と正確性が向上し、プロフェッショナルなプレゼンテーションや高品質な音声出力が不可欠な用途に最適です。
これらのモデルは、アクセシビリティ、エンターテインメント、またはプロフェッショナルな目的など、テキストと音声のフォーマット変換を必要とするユーザーに、多様なソリューションを提供します。各モデルは特定のニーズを満たすように設計されており、さまざまな用途や予算に適したオプションが用意されています。
結論
適切なモデルの選択は、お客様の具体的な要件とタスクの複雑さに大きく依存します。 最大限の正確性が求められ、マルチモーダルな入出力が関わるタスクには、GPT-4oが最も強力なモデルとして際立っており、すべてのベンチマークで最高精度のスコアを誇ります。 ただし、特に無料プランのユーザーにとっては、メッセージ制限により使用が制限される可能性があるため、ChatGPT Plusへのアップグレードを検討する価値があります。
数学、コーディング、科学などの複雑な推論作業に従事している人には、2024年9月に発表されたo1モデルが優れたパフォーマンスを発揮します。これに対し、GPT-4o miniは、数学、コーディング、学術的知識などの分野においてGPT-4を上回る性能を発揮し、テキストベースの問い合わせに最適です。
文書、PDF、音声などのファイルの添付や処理が必要な場合は、GPT-4が推奨されます。さらに、現在ベータ版のGPT-4o Canvasは、ライティングやコーディングのプロジェクトにおける共同作業機能を提供します。注目すべきは、o1モデルは推論タスクの処理速度が向上しており、迅速かつ効率的な分析処理を必要とするニーズにより一層応えることができる点です。
よくある質問（FAQs）
どのモデルを使用すべきでしょうか？
開発者は、タスクの複雑性に応じて、GPT-4oまたはGPT-4o miniのどちらかを使用することをお勧めします。GPT-4o は幅広い機能に優れ、GPT-4o mini はよりシンプルなタスクに対してより高速で費用対効果の高いソリューションを提供します。 ニーズに最適なモデルを決定するには、両方を Playground（新しいウィンドウで開きます）で試して、パフォーマンスとコストの最適なバランスを見つけることをお勧めします。
視覚機能に対応するモデルと、価格の計算方法は？
ビジョンをサポートするモデルは次のとおりです：gpt-4o、gpt-4o-2024-08-06、gpt-4o-2024-05-13、gpt-4o-mini、gpt-4o-mini- 2024-07-18、gpt-4-2024-04-09、gpt-4-turbo、gpt-4-vision-preview、およびgpt-4-1106-vision-preview。画像はトークンに変換され、トークン数は使用するモデルによって異なります。
ChatGPT APIは、ChatGPT Plus、Teams、またはEnterpriseのサブスクリプションに含まれていますか？
OpenAI APIは、ChatGPT Plus、Teams、およびEnterpriseのサブスクリプションとは別に請求されます。APIには独自の価格設定があり、openai.com/pricingでご確認いただけます。ChatGPTのサブスクリプション費用については、ChatGPTの価格ページをご覧ください。
ChatGPTのOpenAI o1モデルには、どのような使用制限が適用されますか？
各ユーザーは、OpenAI o1-preview に対しては1週間に50メッセージ、OpenAI o1-mini に対しては1日に50メッセージの使用枠から開始します。 使用枠のリセット日時を確認するには、モデル選択ドロップダウンからモデル名を選択します。 使用枠のリセットは、最初のメッセージ送信日から7日ごとにUTC 00:00に行われます。例えば、最初のメッセージが9月12日に送信された場合、制限は9月19日にリセットされます。
