4月、LMSYSのチャットボットアリーナで「im-also-a-good-gpt2-chatbot」がトップ生成AIのリーダーボードに登場しました。

このAIモデルは「GPT-4o」として発表されました。名前に含まれる「GPT2」は、OpenAIの以前のAIモデル「GPT-2」を示すものではありません。むしろ、GPTモデルの新しいアーキテクチャを示しており、「2」はモデルの設計における大きな変化を意味します。

OpenAIのエンジニアリングチームは、新しいバージョン番号を付けるほどの大きな変更と見なしています。しかし、マーケティングチームはこれをGPT-4の継続として、完全な見直しではないと控えめに提示しています。

GPT-4の新機能、提供内容、およびビジネスでの利用方法を見てみましょう。

### GPT-4oとは？

GPT-4oはOpenAIの最新のフラッグシップ生成AIモデルです。「O」はラテン語で「全て」を意味する「Omni」を示しており、テキスト、音声、ビデオの処理能力が向上しています。

ユーザーがAIとより簡単に対話できるようにします。以前のOpenAIの生成AIモデルは、モデルの知能を高めることに焦点を当てていましたが、GPT-4oは使いやすさを向上させ、応答速度を大幅に改善しています。

GPT-4o搭載のChatGPTに質問をして、回答中に中断することもできます。モデルは中断されたときに聞き取り、与えられた入力に基づいてリアルタイムで応答を調整します。ユーザーの声のニュアンスを捉え、歌を含むさまざまな感情的な声の出力を生成できます。

OpenAIのCTOは「GPT-4oは音声、テキスト、ビジョンを横断して推論します。これは人間と機械のインタラクションの未来を見据えた非常に重要なことです」と述べています。

### GPT-4oの提供内容

以下はGPT-4oの主なハイライトです。

- **ユーザー体験の改善**: AIとの対話がより自然で簡単になりました。
- **多言語対応**: GPT-4oは約50言語でのパフォーマンスが向上しており、グローバルにアクセスしやすくなっています。
- **パフォーマンスの向上**: GPT-4oはGPT-4 Turboの約2倍の速度で動作し、前のモデルの半額でより高いレート制限を提供しています。
- **音声機能の強化**: 悪用のリスクがあるため、音声機能の改善はすべての顧客に提供されていませんが、OpenAIは信頼できるパートナーの小規模グループにサポートを提供し始めました。
- **無料プランの利用可能性**: GPT-4oはChatGPTの無料プランで利用可能です。ChatGPT Plusのサブスクリプションでは、メッセージの制限が5倍になります。GPT-4oのレート制限に達すると、モデルは自動的にGPT-3.5に切り替わります。
- **ユーザー体験の向上**: OpenAIはウェブ上でより会話的なホームスクリーンとメッセージレイアウトを提供しています。GPT-4oを搭載したChatGPTのmacOSデスクトップ版（ChatGPT Plusユーザーに段階的に展開中）は、キーボードショートカットを通じて質問ができます。Windows版のアプリケーションは今年後半に登場予定です。
- **自然な会話の提供**: モデルは中断に対応し、応答とトーンを調整します。会話は自然なペースで進行しますが、モデルが応答を推論するために短い間隔があるかもしれません。

### GPT-4oのリスクと懸念

生成AIに関する企業のポリシーはまだ初期段階です。欧州連合の法律が唯一の重要な法的枠組みです。安全なAIとは何かについては自分自身で決定する必要があります。

OpenAIは、モデルが公開されるかどうかを決定するために、準備フレームワークを活用しています。モデルはサイバーセキュリティ、生物学的、化学的、放射線的、または核の脅威、説得力、モデルの自律性のテストが行われます。モデルのスコアは、いかなるカテゴリでも最も高いグレード（低、中、高、または重大）を受け取ります。

GPT-4oは中程度の懸念を持ち、最高のリスクレベルを回避していますが、人類文明を覆す可能性のあるリスクは避けています。

すべての生成AIと同様に、GPT-4oも常に意図した通りに動作するとは限りません。ただし、以前のモデルと比較して、GPT-4oは大幅な改善を示しています。深層偽造詐欺のリスクなどの一部のリスクがあるかもしれません。これらのリスクを軽減するために、音声出力はプレセットボイスのみに制限されています。

### GPT-4oとOpenAIの他の生成AIモデル

GPT-4oは、テキストと画像の分析能力を向上させています。以前のモデルと比較して、GPT-4oは「人が着ているTシャツのブランドは何か？」などの複雑な質問により適切に回答できます。例えば、このモデルは異なる言語のメニューを見て翻訳することができます。

未来のモデルは、スポーツイベントを観察し、そのルールを説明するなど、さらに高度な機能を提供するでしょう。

以下はGPT-4oと他のOpenAI生成AIモデルとの違いです。

- **音声のトーン**: 以前のOpenAIシステムは、Whisper、GPT-4 Turbo、Text-to-Speechをパイプラインで組み合わせ、推論エンジンを使用していました。これらは話された言葉のみを扱い、トーンや背景音、複数の話者の音を無視していました。これにより、GPT-4 Turboの感情や話し方の表現が制限されていました。

GPT-4oでは、テキストとオーディオを通じて推論を行います。これにより、モデルはトーンや背景の音の情報に対してより反応し、高品質な応答を生成できます。

- **低レイテンシー**: GPT-4oの平均音声モードレイテンシーは0.32秒で、GPT-3.5の平均2.8秒より9倍速く、GPT-4の平均5.4秒より17倍速いです。平均的な人間の反応時間は0.21秒です。したがって、GPT-4oの反応時間は人間に近く、リアルタイムの音声翻訳に適しています。

- **トークン化の改善**: トークンはモデルが理解できるテキストの単位です。大規模言語モデル（LLM）で作業する際、プロンプトテキストは最初にトークンに変換されます。英語で書くと、3つの単語が約4つのトークンになります。

言語を表現するのに必要なトークンが少ないほど、計算が少なくて済み、テキスト生成の速度が向上します。これにより、APIユーザーのコストも減少します。

GPT-4oでは、ヒンディー語、マラーティー語、タミル語、テルグ語、グジャラート語などのインドの言語が特にトークンの削減が見られます。アラビア語は2倍の削減が示されており、東アジアの言語は1.4倍から1.7倍の削減が見られます。

### GPT-4oと他の生成AIモデルの比較

GPT 4 Turbo、Claude 3 Opus、Gemini Pro 1.5がGPT-4oと比較する主要な候補です。Llama 3 400Bは将来的に候補となるかもしれませんが、まだ完成していません。

以下

は、さまざまなパラメータに基づくGPT-4oと上記のモデルの比較です。

- **Massive Multitask Language Understanding (MMLU)**: このテストには、小学校数学、アメリカ史、コンピュータ科学、法律などのタスクが含まれます。高い正確性を達成するには、広範な世界知識と問題解決能力を持つ必要があります。GPT-4oは他のAIモデルよりも優れたパフォーマンスを発揮します。

- **Graduate-Level Google-Proof Q&A (GPQA)**: 複数の選択肢がある質問は、生物学、物理学、化学の分野の専門家によって書かれています。問題は非常に高品質で難易度が高く、関連分野のPhDを持つ専門家が74%の正確性に達します。GPT-4oは他のモデルよりも優れたパフォーマンスを発揮します。

- **MATH**: 中学校および高校数学の問題。GPT-4oのパフォーマンスは他のモデルよりも優れています。

- **HumanEval**: コード生成の正確性をチェックするためのテストです。GPT-4oのパフォーマンスは他のモデルよりも優れています。

- **Multilingual Grade School Math (MSGM)**: 小学校数学の問題が10言語に翻訳されています。Claude 3 OpusはMSGMでGPT-4oよりも優れたパフォーマンスを発揮しました。

- **Discrete Reasoning Over Paragraphs (DROP)**: 完全な段落を理解し、値を加算、カウント、並べ替えするような質問です。GPT-4 TurboはDROPでGPT-4oよりも優れたパフォーマンスを発揮しました。

GPT-4 TurboとGPT-4oのパフォーマンスの違いは数パーセントに過ぎません。ただし、これらのLLMベンチマークは、テキスト、音声、ビデオにまたがるAIのパフォーマンスを比較するものではありません。この概念は新しく、モデルの多モーダル推論能力を測定する方法はまだ登場していません。

GPT-4oのパフォーマンスは印象的で、多モーダル訓練の将来に対する期待を示しています。

### GPT-4oの使用ケース

GPT-4oはテキスト、音声、ビデオを効果的に推論できます。これにより、さまざまな使用ケースに適しています。例えば：

- **リアルタイムコンピュータビジョンと自然な対話**: GPT-4oは、人間と対話するように自然な会話を提供します。タイピングの時間が少なくなり、会話がより自然になります。迅速かつ正確な情報を提供します。

より高速で視覚・音声能力の向上により、OpenAIはリアルタイムの使用ケースをいくつか提案しています。これにより、ナビゲーション、翻訳、ガイド付き指示、複雑な視覚情報の理解の機会が開かれます。

たとえば、GPT-4oはデスクトップ、モバイル、将来的にはウェアラブルデバイスで動作する可能性があります。モデルやスクリーンを切り替えることなく、視覚またはデスクトップ画面を表示して質問することができます。

一方で、GPT-4oがカメラからのビデオ入力を理解し、シーンを音声で説明する能力は、視覚障害者にとって非常に有用です。これは、リアルライフの音声説明機能のように機能し、周囲をよりよく理解するのに役立ちます。

- **企業アプリケーション**: GPT-4oはデバイスの入力をシームレスに接続し、モデルとの対話を簡単にします。統合されたモダリティと性能向上により、企業はカスタムビジョンアプリケーションを構築できます。

オープンソースモデルが利用できない場合や、追加のステップでコストを削減するためにカスタムモデルに切り替えることができます。

- **ビジネスでGPT-4oをリード生成に活用**: GPT-4oはパフォーマンスと速度を改善しています。Chatsimpleを使うと、GPT-4o搭載のAI営業エージェントをウェブサイトに組み込むことができます。現在、ウェブサイトの訪問者は複雑な質問に答え、リードをキャッチし、会議の予約をより迅速に行うことができます。

Chatsimpleを使用すると、これらのエージェントをトレーニングして、非常に複雑な訪問者の質問に答えることができます。将来的には、ChatsimpleがGPT-4oのテキスト、ビデオ、音声にわたる推論機能を活用して、複数のメディア形式でAI営業エージェントをトレーニングするかもしれません。

それまでの間、ウェブサイトの訪問者にはChatsimpleのAI営業エージェントを利用して、製品やサービスに関する質問の迅速な回答を体験してもらいましょう。

Chatsimpleを試して、訪問者が製品やサービスに関する質問に対するGPT-4oの速度を体験してください。

---