テキスト・画像・音楽・動画
生成AIローンチの歴史
一元化

本書について

西暦2,022年11月、ChatGPTの公開は、生成AIという技術を一夜にして世界の話題の中心へと押し上げた。しかし其の登場は、決して突然のものではなかった。本書は、テキスト・画像・音楽・動画を生み出す生成AIが、西暦2,015年から西暦2,025年までの間にどの様にローンチされてきたのかを、開発企業・基盤モデル・対応機能・公開形態等の記録と共に、年月日単位で一元化した記録である。

意外にも、其の系譜の最初期に立つのは音楽であった。西暦2,015年、ハミングや歌から著作権フリーの音楽を生成するiOSアプリ「Humtap」がローンチされ、翌西暦2,016年には音楽生成AI「AIVA」が登場し、自ら作曲したアルバム「Genesis」を世に送り出した。そして西暦2,018年、オープンAI社が大規模言語モデル(LLM)「GPT-1」をリリースする。プロンプトに答える形式ではなく、文章をより自然に理解し作る為のAIとして開発された此のモデルが、後の対話型AIの礎となっていく。

基盤は静かに、しかし着実に築かれていった。西暦2,019年から2,021年に掛けて、オープンAI社は音楽生成AIのMuseNet・Jukeboxを、そして西暦2,021年1月にはテキストから写実的な画像を生成する「DALL-E」を技術デモとして公開する。同年にはNovelAI・Boomy・Mubert等の画像・音楽生成ツールが相次いで現れ、10月にはギットハブ社が、オープンAI社のCodexを基盤とするコーディング支援ツール「GitHub Copilot」をローンチした。生成AIの部品は、此の頃までに出揃いつつあった。

そして西暦2,022年、転機が訪れる。7月にはデイヴィッド・ホルツ率いるチームが「Midjourney」を、8月にはステービリティAI社が「Stable Diffusion」を公開し、テキストから画像を生成するAIが一気に普及した。決定打となったのが、同年11月30日にオープンAI社が研究プレビューとして公開した「ChatGPT」であった。其の名は当時の主力モデルGPT-3.5に由来する。前後して、Perplexity AI・ChatSonic・YouChat等の対話型AIが続々とローンチされ、生成AIは専門家の道具から、誰もが触れる存在へと変わっていった。

翌西暦2,023年以降は、競争の時代となる。マイクロソフト社のBing Chat(GPT-4搭載)、アンソロピック社のClaude、グーグル社のBard、イーロン・マスクのxAI社によるGrok、そしてアドビ社のFireflyが相次いで登場した。動画ではランウェイ社のGen-1やシンセシア社のSynthesia、音楽ではSuno AIやUdioが現れ、西暦2,025年1月には、ディープシーク社のチャットボット「DeepSeek」が、公開僅か1週間でアプリのダウンロード数2,600,000回を記録する。本書は、此の十年間に積み重ねられたローンチを――誰が、何を、いつ世に送り出したのかを――出典と共に一冊に束ねている。