BLIP（Bootstrapping Language-Image Pre-training）は、画像とテキストを一緒に学ぶ視覚言語の事前学習モデルです。写真を見て説明文を書く画像キャプション、画像について質問に答えるVQA——マルチモーダルAIの「理解側」を担う代表の一つ。本記事は層構造の暗記ではなく、「画像→言葉」の橋をどう架けるかに焦点を当てます。
得意な二つのタスク
試験でマルチモーダル例として頻出なのが、次の二つです（G-392）。
| タスク | 入力 | 出力 | 試験向けの一言 |
|---|---|---|---|
| Image Captioning （画像キャプション） |
画像 | 説明文 | 画像の内容を文章で説明（G-390、TF-167） |
| VQA （Visual Question Answering） |
画像＋質問文 | 回答文 | 画像内容に基づいて質問に答える（G-392） |
どちらも画像認識と自然言語処理の組み合わせ——視覚情報を捉え、言葉で表現する——というマルチモーダルの典型です（TF-166）。
ブートストラップの意味
名前の Bootstrapping は、ざっくり「自分で学習用のデータを増やしながら学ぶ」イメージです。BLIPでは、モデルが生成したキャプションなどをフィルタリングして学習データを拡充し、視覚と言語の対応を強化する——という設計が特徴として知られます。
試験では細部のデータ生成ループまで暗記する必要はありません。「大規模な画像―テキストペアで事前学習し、下流タスクに転移する」——基盤モデルの思想——と接続して覚えるのが効率的です。
視覚言語モデルの位置づけ
BLIPは次の系譜の一モデル名として整理します。
- 視覚 — 画像をCNNやVision Transformerでエンコード（BEiTなどの画像事前学習と関連）
- 言語 — Transformer系でテキストを処理
- 融合 — 画像特徴と言語特徴を共通の意味空間で結ぶ
- 転移 — ファインチューニングでキャプション・VQAなどに適応
GPT-4やGeminiのような製品レベルのマルチモーダル対話とは世代も規模も異なりますが、「画像＋言語」という試験定義（G-389）にはBLIPも該当します。
似た概念との区別
| 用語 | 方向・役割 | BLIPとの違い |
|---|---|---|
| Text-to-Image | 文章→画像生成 | BLIPは主に画像→言葉（G-390のBは×） |
| テキスト画像生成 | DALL·E等 | 生成の別系統。キャプションとは逆方向 |
| LLM | テキスト中心 | BLIPは画像入力が前提の視覚言語モデル |
| CNN | 画像分類・検出 | BLIPは言語出力まで含むマルチモーダル |
| CLIP | 画像―テキストの埋め込み | 対照学習の代表。BLIPはキャプション・VQA寄り |
試験で押さえるポイント
- 分野 — 画像キャプション・VQA向けの視覚言語事前学習
- タスク — Image Captioning＝画像を文章で説明、VQA＝画像＋質問に回答
- マルチモーダル — 画像と言語の組み合わせ（G-389、TF-166）
- すり替え回避 — Text-to-Image、話者識別、強化学習ではない
すり替えに注意
| 誤った説明 | 正しい理解 |
|---|---|
| 画像キャプション＝文章から画像生成 | 画像→文章。Text-to-Imageは逆（G-390） |
| VQA＝Image Captioning | 質問応答 vs 説明文生成。別タスク（G-392） |
| BLIP＝純粋なCNN | 視覚＋言語のマルチモーダルモデル |
| BLIP＝ChatGPT | 研究モデル名 vs 対話サービス |
| マルチモーダル＝画像生成だけ | 理解・対話・キャプションも含む |
よくある質問
BLIPは何ができるモデルですか？
画像の内容を文章で説明する画像キャプション生成や、画像と質問文を入力として答える視覚質問応答（VQA）など、画像と言語を組み合わせるマルチモーダルタスク向けの事前学習モデルです。
BLIPとText-to-Imageは同じですか？
違います。BLIPは主に画像を理解して言葉で説明・回答する方向（画像→文章）の視覚言語モデルです。文章から画像を生成するText-to-Image（DALL·Eなど）は別タスクです（G-390）。
BLIPはテキスト専用のLLMですか？
いいえ。BLIPは画像とテキストの両方を扱うマルチモーダルモデルです。テキストだけを扱うLLMや、画像だけを分類するCNNとは棲み分けが異なります。