マルチモーダルAIの定義
マルチモーダルAIとは、異なる種類の情報（テキスト、音声、画像、動画、センサー情報など）を一つのシステムで統合的に処理するAI技術です。
これらの種類の情報はモダリティと呼ばれ、モダリティを二つ以上取り扱うからこそのマルチという名づけなのです。
マルチモーダルの処理ではそれぞれの情報源からの入力を個別に処理するだけでなく、それらを組み合わせて全体の理解を深めることができます。
また、マルチモーダルに対して一つのタスクをこなすAIをシングルモーダルAIと呼ぶこともあります。
ではマルチモーダルとシングルモーダルの違いをひとつ考えてみましょう。
例えばマルチモーダルの防犯カメラ用のAIがあったと仮定します。
このAIは作動中は、音声検知、映像による動体の検知を複合して対象が「怪しい」もしくは「集中的に撮影するべき」と判断することになるでしょう。
さらにこのAIがレポートを提出する場合「怪しい」と思ったところを詳細にレポートしてくれることでしょう。
シングルモーダルでは、進化した場合映像の情報をテキストに起こすことは可能ですが、同時に音声情報と絡めて出力することはできません。
この辺りが、マルチとシングルの大きな差となります。
また、マルチモーダルAIは深層学習の手法を活用しており、畳み込みニューラルネットワーク（CNN）などの伝統的なAI技術を超える、複数のデータ入力と統合的な処理が特徴です。
これにより、AIはより複雑な情報を捉え、深い洞察を得ることが可能となっています。
