生成する、読み取る、動かす

大きな発表は世界の見え方を一晩で変えます。ただし、翌朝から診療を任せられるという意味ではありません。

2007年のiPhoneは情報に触れる入口を変え、2016年のAlphaGoはルールが明確な難問で機械が別の探索を示しました。2022年のChatGPTは言葉をコンピューターへの入口にしました。三つは転換点ですが、同じ種類の成果ではありません。

2026年の現在地は、三つの能力で見る

いま見るべきなのは、製品名ではなく能力です。

一つ目は文章や画像などの出力を作る「生成」です。二つ目は文字、画像、音声、動画を一つの文脈で扱う「読み取り」です。三つ目はブラウザーや外部の道具を使って操作する「実行」です。

一つのサービスが三つを備えても、確認方法は別です。文章は原文と比べます。画像や音声は読み落としを探します。操作は何を開き、何を変更し、どこで止まったかを履歴で確かめます。

入力が増えるほど、見落とす場所も増える

GPT-4oの発表は文字、画像、音声を同じモデルで扱う構成を示しました。Gemini 2.5の発表も、複数の情報形式と長い文脈を扱う方向を示しています。

画像を読めることは、医用画像を診断できる証明ではありません。音声を扱えることは、診察録のために患者との会話を送信してよいという許可でもありません。能力、性能、入力してよいデータを分けて考えます。

答えるAIから、動くAIへ

エージェントは目的に向けて道具を選び、途中の結果から次の操作を決めます。OpenAIのComputer-Using Agentは、画面を見てマウスやキーボードを操作する研究を報告しました。

ここで新しく増えるのは、出力の誤りだけではありません。違うボタンを押す、誤った相手へ送る、意図しない情報を開く、といった行動の失敗です。読む権限、書く権限、送る権限を一つにまとめません。

デモから現場へは、一段ずつ上がる

動くデモを見たら、次に同じ条件で再現します。続いて複数例で誤りを数えます。実務では人が確認する影の運用を行い、停止条件を確かめてから、範囲を限って使います。臨床上の利益はその先で用途ごとに評価します。

観察課題は公開されたイベント案内を一つ選び、AIに「要約だけ」を頼むことです。生成時間、原文との不一致、確認時間を記録します。リンクの送信や予約はさせません。前講と同じ三つの記録を、異なる資料でも取れるかを見ます。

この階段を飛ばさないことが、「試せる」を「任せられる」へ進める条件になります。

能力の地図ができたら、次講では「AGI」という一語を三つの軸に分けます。