マルチモーダル

マルチモーダルとは人間の脳のように異なる種類の情報をまとめて扱う能力のこと。

テキストや音声、画像、動画などのデータを統合して処理できるため、単一情報を処理する「シングルモーダル」 と比較して複雑なタスクを実行できる。

GPT-4やGoogleの 「Gemini」 はマルチモーダルが特徴的。