Vision(画像認識)

ざっくり言うと

最近の ChatGPT・Claude・Gemini などは、文字だけでなく画像もアップロードして質問できます。これが Vision の正体です。

イメージ

正確には

Vision は、LLM(大規模言語モデル)のマルチモーダル機能の一部です。マルチモーダルとは「テキスト・画像・音声など複数の入力形式を扱えること」を指します(関連: マルチモーダル)。

主要 3 社の公式ドキュメントでは、それぞれ次のように扱われています。

サービス	機能名(公式表記)	入力できる画像形式(公式記載より)
OpenAI(現行Vision対応モデル)	Images and vision	PNG, JPEG, WEBP, 非アニメーション GIF
Anthropic(Claude)	Vision	JPEG, PNG, GIF, WEBP
Google(Gemini)	Image understanding	PNG, JPEG, WEBP, HEIC, HEIF

いずれも、画像をプロンプト(指示文)と一緒に送ると、AI が内容を読み取って文章で回答するという仕組みです。

Vision でできること(公式記載ベース)

各社のドキュメントが共通して挙げている主な用途は次の通りです。

• 画像の内容説明(写っているもの・状況を説明する)
• 画像内の文字の読み取り(看板・書類・スクショ内の文字を抽出)
• 図表・グラフの読み解き(棒グラフ・表・チャートを要約)
• 複数画像の比較(2 枚の画像の違いを答える)
• 画像をきっかけにした分類・整理(レシートを項目ごとに仕分け 等)

Vision と「画像生成」は別物

混同しやすいので注意したいのが、Vision は「画像を読む」機能であって、「画像を作る」機能ではないということ。画像を新しく作り出すのは Text-to-Image(画像生成 AI)と呼ばれる別ジャンルです。

機能	入力	出力
Vision(画像認識)	画像 + テキスト	テキスト(画像の説明・回答)
Text-to-Image(画像生成)	テキスト	画像

「目で見るのが Vision、手で描くのが画像生成」と覚えると混乱しません。

個人事業主の活用例

注意点

特にお金が絡む書類(請求書・確定申告の領収書など)は、Vision の出力をそのまま使わず、金額と日付だけは目視で再確認するのが事故防止の鉄則です。

やってみよう

関連用語として、Vision を含むより広い概念は マルチモーダル、画像内の文字読み取りに特化した技術は OCR、逆に画像を作り出す側は Text-to-Image を参照してください。