問題 No.1744
OpenAIによって開発された、テキストのプロンプト（指示文）から高精細な画像を生成するマルチモーダルAIモデルとして、適切なものはどれか。
【正解の解説】
テキストから自然な静止画像を生成する画像生成モデルであるDALL-E
DALL-Eは、言葉による指示（テキスト）を読み取ることで、これまでにない独創的で高精細な画像を自在に描き出すマルチモーダルAIモデルです。AIが言葉と視覚的イメージの関連性を深く理解していることを示しており、デザインや広告などの実務領域からクリエイティブな試験問題まで広く注目を集める極めて重要な技術です。
スポンサーリンク
【その他の選択肢の解説】
音声入力からテキストへの高精度な書き起こしを行う音声認識モデルであるWhisper
WhisperはOpenAIが開発した汎用的な音声認識モデルであり、多言語の音声文字起こしや翻訳において優れた性能を発揮します。画像生成を行うDALL-Eとは対象とするデータモダリティが根本的に異なるため、混同しないように正確に区別して覚える必要があります。
強化学習を用いて人間のフィードバックから最適化を行う言語モデルであるChatGPT
ChatGPTはテキストによる高度な対話や文章生成を行う大規模言語モデル（LLM）であり、RLHF（人間フィードバックによる強化学習）を活用して安全で自然な受け答えを実現しています。画像を生み出すDALL-Eの機能とは異なるため、AIモデルごとの役割や得意領域を整理して理解することが重要です。
画像や動画の特徴量を抽出し多様なタスクに対応する基盤モデルであるCLIP
CLIPは、画像とそれが持つ自然言語の記述（テキスト）を同一の空間で比較できるように学習されたマルチモーダルモデルです。DALL-Eなどの画像生成モデルの土台や評価指標としても深く関わっていますが、本問が問う「テキストから画像を生成するモデル」そのものの説明としては不適切です。