マルチモーダルとは複数の種類のデータを統合して処理するシステムや手法を指します。AIや大規模言語モデルの文脈では、テキスト、画像、音声、ビデオなど異なる種類のデータソースを同時に扱う能力を指しています。

　特に、LLMに関して画像キャプションや画像への質疑応答などの画像と言語を結びつける技術が注目されています。また、Chat-GPT にも音声データや画像データの読み込みができるようになり、より多様な使い方ができるようになっています。

　これにより、より複雑な現実を捉えることができ、汎用的なAIとなり、様々な分野で利用できるようになります。