生成AIの種別

生成AIは「何を生成するか（モダリティ）」と「どう生成するか（アーキテクチャ）」の二軸で整理すると見通しがよくなります。両者は独立しており、たとえば画像生成でも拡散モデルと自己回帰モデルの双方が存在します。

モダリティ別の分類

マルチモーダルモデル は、異なる種類の入力を共通のベクトル空間に写像することで、「画像を見て説明する」「図を読んで質問に答える」といった横断的なタスクを可能にします。テキスト中心だった生成AIが、視覚・聴覚を含む方向へ拡張している流れの中心にあります。

アーキテクチャ別の分類

生成の「やり方」には複数の系統があります。現在の主流は自己回帰モデルと拡散モデルですが、背景としてGANやVAEも押さえておきたい技術です。

図3 — 自己回帰と拡散の違い

自己回帰モデル（Autoregressive）

要素を 一つずつ順番に 生成し、各ステップで「これまでの出力」を条件に次を予測します。テキスト生成（LLM）の標準的な方式です。逐次的なため一貫性が高い一方、生成は本質的に直列で、長い出力ほど時間がかかります。

拡散モデル（Diffusion）

画像生成の主流。学習時にデータへ徐々にノイズを加える「前向き過程」を定義し、その逆をたどる「ノイズ除去」を学習します。生成時はランダムノイズから出発し、段階的にノイズを除去して画像へ収束させます¹⁶ 。高品質かつ多様な生成に優れ、画像生成の Stable Diffusion ¹⁷ などが該当します。

GAN / VAE（背景）

GAN（敵対的生成ネットワーク） ¹³ は、生成器と識別器を競わせて学習する方式で、拡散モデル以前の画像生成を牽引しました。VAE（変分オートエンコーダ） ¹⁴ は、データを低次元の潜在空間に圧縮・復元する過程で分布を学びます。いずれも単独利用は相対的に減りましたが、潜在空間の概念など、後続技術の基礎となっています。

方式	主な用途	生成の特徴	長所 / 留意点
自己回帰	テキスト・コード・音声	1要素ずつ逐次生成	一貫性が高い／直列で長文は遅い
拡散	画像・動画・音声	ノイズから段階的に復元	高品質・多様／反復計算が必要
GAN	画像	生成器と識別器の競争	高速生成／学習が不安定になりやすい
VAE	圧縮・潜在表現	潜在空間を経由	潜在操作が容易／単体では精細さに限界

提供形態 — クローズドとオープン

利用者の視点では、モデルの提供形態の違いも重要です。クローズド（プロプライエタリ） なモデルはAPI経由で利用し、最新・高性能な反面、重みは公開されず内部のカスタマイズに制約があります。オープンウェイト なモデルは重みが公開され、自前環境での実行や深いカスタマイズ（微調整）が可能ですが、運用やインフラの責任は利用者側に移ります。