マルチモーダルAIとは、テキスト・画像・音声・動画など複数の種類（モダリティ）のデータを同時に理解・生成できるAIのことです。従来のAIはテキストならテキストだけ、画像なら画像だけと単一のデータ形式しか扱えませんでした。しかしGPT-4oやGoogleのGeminiなどは、写真を見せて「これは何？」と聞いたり、音声で指示を出して画像を生成させたりできます。たとえばレシートの写真を撮って「これを家計簿にまとめて」と頼む、といった使い方が可能です。人間が日常的に「見て・聞いて・読んで」情報を総合判断しているのと同じことを、AIにもさせようという技術の方向性です。今後のAI活用では、このマルチモーダル対応かどうかがツール選びの重要なポイントになります。