【正解の解説】
マルチモーダルタスク
人間が目で見えた情報と耳で聞いた言葉を組み合わせて理解するように、AIに目と耳（画像と文字）の両方を与えて総合的に判断させる仕組みです。例えば、レストランのメニュー表の画像を見せて「この料理の値段はいくら？」と質問すると、画像と文字を同時に読み取って「1000円です」と正確に答えを導き出すような、まさに人間の認知能力に近づけた最先端のAI技術を指しています。
【その他の選択肢の解説】
トランスファータスク
トランスファータスクは日本語で言う「転移学習」や「タスク間の知識移転」を指す言葉であり、複数の異なるデータ形式を同時に融合して処理する今回の問題の仕組みとは根本的に異なります。例えば、犬の画像を識別できるAIが、その経験を活かして猫の画像をより早く識別できるようになるような学習の効率化手法を指すため、モーダル（感覚モダリティ）の融合を意味する言葉としては不適切です。
クロスモーダルタスク
クロスモーダルは「画像から文章を生成する」「文章から画像を生成する」といった異なるモーダリティ間を跨ぐ変換や検索の技術そのものを指すことが多く、画像とテキストを統合して質問に答えるようなAIの応用タスク全般を総称する言葉としては、マルチモーダルタスクがより適切です。言葉の響きが似ているため試験でも混同しやすいですが、全体を統括する大きな枠組みがマルチモーダル、その間を結ぶ個別の架け橋がクロスモーダルというニュアンスの違いがあります。
ハイブリッドタスク
ハイブリッドタスクという決まった学術用語はAI分野では一般的ではなく、ガソリン車と電気自動車を組み合わせたハイブリッドカーのように、ルールベースとAIを組み合わせた手法などを曖昧に指す際に使われることが多いです。画像認識と自然言語処理の融合という明確なAIの応用分野を聞かれている本問においては、出題者が受験者の知識の曖昧さを突くために用意した架空のトラップ（誤答）として機能しています。