問題 No.2858
テキスト、画像、音声、行動など、極めて多様なモダリティを一つのTransformerモデルで処理できるように設計された基盤モデルの名称として、最も適切なものはどれか。
【正解の解説】
Unified-IO
人間が目、耳、言葉を使ってあらゆる情報を同時に理解するように、Unified-IOは画像も音声も文章もすべて同じ頭脳（Transformer）で処理します。まるで、日本語も英語もプログラミングも完璧にこなす超万能な通訳者のようなもので、あらゆるメディア形式を一つの枠組みでシームレスに扱えるのが最大の強みです。
スポンサーリンク
【その他の選択肢の解説】
Omni-Net
名前の響きが「すべて」を意味する「Omni」を含んでおり、マルチモーダルモデル全体を指すような錯覚を起こさせますが、学術的に確立された特定のAIモデル名ではありません。出題者が受験者の曖昧な記憶や勘を揺さぶるために用意した典型的なダミー選択肢なので注意しましょう。
Multi-Modal BERT
Multi-Modal BERTは画像とテキストのペアなどを扱う初期のモデルであり、BERTの構造を拡張したものです。しかし、音声やロボットの行動制御といった、極めて多様なモダリティまでを完全に一つのモデルで双方向に処理できる「Unified-IO」とは対応範囲が狭く、アプローチの次元が異なります。
General-X
「General（一般的な）」に「X」を組み合わせた、いかにもそれらしい名称ですが、実際のAI研究や論文では使われない出題者作成のフェイク用語です。新しいAIモデルの名称問題では、実在しないカッコいい専門用語風の選択肢に惑わされないよう、正確なモデル名暗記が試されます。