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2,015年8月7日、1つのiOSアプリがローンチされた。オリジナルの音楽や音楽ビデオを作成・共有する為の「Humtap」である。ユーザーがiPhoneにハミングや歌を入力すれば、AIが著作権フリーの音楽をビデオに追加する——本書は、此の小さなアプリを起点として、西暦2,025年1月20日のDeepSeekに至る迄、テキスト・画像・音楽・動画を生成するAIが次々と世に送り出されてゆく約十年の歩みを、年月日単位で一元化した記録である。

本書の記録は、音楽から幕を開ける。西暦2,016年2月に音楽生成AI「AIVA」がローンチされ、同年9月30日には、AIVAが作った楽曲によるアルバム「Genesis」がリリースされた。西暦2,018年6月、オープンAI社はLLM（大規模言語モデル）「GPT-1」をリリースする。プロンプトに答える形式では無く、文章をより自然に理解し、作る為のAIとして開発された物である。翌西暦2,019年にはアマデウスコード社が音楽生成AIのiOSアプリ「Amadeus Code」をローンチし、4月25日にはオープンAI社が、10種類の楽器を使って4分間の楽曲を生成する「MuseNet」をローンチした。何十万ものMIDIファイルから次のトークンを予測して学習し、調和・リズム・スタイルのパターンを見付けるという、GPT-2と同じ汎用的な教師無し学習を用いた音楽生成AIである。西暦2,020年4月の「Jukebox」は、アーティスト・ジャンル・歌詞・音楽サンプルの長さを指定するだけで自動的に作曲し、wavファイルを生成した。

同じ西暦2,020年、動画生成AIも姿を現す。7月、ウィンシャトル社共同創業者のヴィクラム・チャラナとビシャル・チャラナ、そしてアビド・モハメッドが創業したピクトリー社が、テキスト・URL・PowerPoint等から動画を生成する「Pictory」の最初のバージョンをローンチした。前年にシアトルで開催されたハッカソンにて、最初のプロトタイプを開発していたのである。10月27日には、グリアクラウド社がテキストでマスコットをアニメーション化する「GliaStar」をローンチし、英語・中国語・日本語・韓国語・ベトナム語に対応した。西暦2,021年1月5日、オープンAI社はテキストからフォトリアリスティックな画像をオンデマンドで生成する「DALL-E」を、技術デモとしてローンチする。音楽では、作った曲を主要なストリーミング及びソーシャルメディアで配信し、再生数に応じた収益を得られる「Boomy」、シーン・ムード・ジャンルを選ぶだけで作曲出来る「Ecrett Music」、テキストから音楽を生成する「Mubert」が相次いだ。そして同年10月29日、ギットハブ社がAIコーディングアシスタントツール「GitHub Copilot」をローンチする。LLMには、オープンAI社のGPT-3を基盤としたモデルであるCodexが用いられた。

西暦2,022年、生成AIは一気に裾野を広げる。4月18日にはテキストから人間のナレーターによる動画を生成する「Elai.io」が、6月にはデジタルレシピ社の、GPT-3を基盤としてキャッチコピーを生成する「Catchy」がローンチされた。7月12日、リープモーション社共同創業者デイヴィッド・ホルツ率いるチームが、テキストから画像を生成する「Midjourney」のオープンベータ版をローンチし、同月27日には動画生成AI「Steve.AI」が続く。8月22日にはステービリティAI社が、ルートヴィヒ・マクシミリアン大学ミュンヘンとランウェイML社の研究者と共に「Stable Diffusion」をローンチし、9月14日の「Canva Create 2022」では、Stable Diffusionを搭載したテキストから画像に変換するアプリを、Canvaに導入する事が発表された。11月16日には、メモ・タスク・Wiki・データベース等を一元的に使えるノーションラボ社のアプリ「Notion」に、文章の生成・アイデア出し・翻訳・グラフや表の作成等を自動で行う「Notion AI」が統合される。

そして11月30日、オープンAI社はAIチャットボット「ChatGPT」を研究プレビューとしてローンチする。名称は、当時の同社の主力LLMであるGPT-3.5に由来した。12月に入ると、チャットボットが相次いで名乗りを上げる。7日にはオープンAI社出身のアラヴィンド・スリニヴァス、メタ社出身のデニス・ヤラッツ、ウォール街でのトレーダー経験を持つジョニー・ホー等が「Perplexity AI」をローンチし、12日にはライトソニック社の開発したGPT-3.5アーキテクチャのLLMを基盤とする「ChatSonic」が、24日にはSuSea社の検索エンジンYou.comから派生した「YouChat」がローンチされた。同じ12月、オーストラリアのスタートアップ企業Leonardo.Ai社がローンチした画像生成AI「Leonardo.Ai」は瞬く間にユーザーを増やし、同社はクラウドプロバイダーを2週間でアマゾン社のAWSへと移した上、LLMの実行にもアマゾン社のインスタンスを用いて、推論コストの60%削減と、言語モデルの推論速度の最大35%向上を果たしている。

西暦2,023年、大手IT企業が相次いで乗り出す。2月7日、マイクロソフト社は検索エンジン型チャットボット「Bing Chat」をローンチした。当初はGPT-3.5よりも高度なオープンAI社のLLMを統合する予定であるとしていたが、実際は最初からGPT-4を搭載し、DALL-Eと併せて動作した。翌8日にはランウェイ社が、既存の動画に加工を施し新たな動画を生成出来る「Gen-1」をローンチする。3月14日にはアンソロピック社が「Claude」をローンチし、3月21日にはグーグル社がLaMDAを基盤とした「Bard」のサービスを、アメリカとイギリスに限り英語のみで開始した。同じ21日、ラスベガスで開幕したアドビサミット2023では「Adobe Firefly」のベータ版がローンチされ、マイクロソフト社はDALL-E 2を利用した「Bing Image Creator」のBingとEdgeへの導入を発表している。其の後も、5月にはディープシーク社のLLM「DeepSeek-V1」、8月頃にはインビデオ社の「Invideo AI」、11月4日にはイーロン・マスクの設立したxAI社のAIチャットボット「Grok」、12月20日にはMicrosoft Copilotのプラグインとして組み込まれたスノ社の音楽生成AI「Suno AI」と、ローンチは途切れる事が無い。

西暦2,024年1月にはシンセシア社が動画生成AI「Synthesia」をローンチし、3月17日にはxAI社がLLM「Grok-1」を、重みとアーキテクチャをオープンソースとしてGitHubにてリリースした。4月10日には、ユーディオ社がテキストから音楽を生成する「Udio」のパブリックベータ版をローンチする。そして西暦2,025年1月20日、ディープシーク社がAIチャットボット「DeepSeek」をローンチした。其の後僅か1週間でアプリのダウンロード数は2,600,000回に達し、アップル社とグーグル社のアプリストアでランキングの上位に入る。iPhoneに口遊んだハミングから、アプリストアの上位を占めるチャットボットへ——生成AIのローンチの全軌跡を、本書は一冊に束ねている。