画像（マルチモーダル）に関するニュース一覧

Microsoftは2026年4月2日、自社開発の基盤AIモデル3種（MAI-Transcribe-1、MAI-Voice-1、MAI-Image-2）を発表しました。音声認識・音声生成・画像生成の3分野をカバーし、Microsoft FoundryとMAI Playgroundで即日提供を開始しています。

音声認識モデルMAI-Transcribe-1は、業界標準のFLEURSベンチマークで上位25言語において平均WER3.8%を達成しました。OpenAIのWhisper-large-v3を全25言語で上回り、GoogleのGemini 3.1 Flashにも22言語で勝利するなど、最高水準の精度を示しています。

この動きを可能にしたのは、2025年10月のOpenAIとの契約再交渉です。従来MicrosoftはAGIの独自追求を契約上禁じられていましたが、新条件により自社モデル開発の自由を獲得しました。ムスタファ・スレイマン率いる超知能チームが正式に発足し、AI自給自足を目指しています。

注目すべきは開発体制の効率性です。音声認識モデルはわずか10人のチームで構築され、画像チームも10人未満とのことです。競合の半分のGPUで最高水準の性能を実現しており、AI事業のコスト構造を根本的に変える可能性があります。

価格面では全ハイパースケーラー最安を明言し、MAI-Voice-1は100万文字あたり22ドル、MAI-Image-2はテキスト入力100万トークンあたり5ドルに設定されました。スレイマン氏は今後、大規模言語モデルでもフロンティア級の自社モデルを投入する方針を示しており、Microsoftの競争戦略は新たな段階に入っています。

Google DeepMindは2026年4月1日、オープンモデル「Gemma 4」を4サイズ同時に公開しました。最上位の31BモデルはArena AIリーダーボードでオープンモデル世界3位を獲得し、ライセンスは従来の独自条項からApache 2.0へ変更されました。

31B Denseは高品質な推論特化、26B MoEは128個の小規模エキスパートのうち8個だけを活性化し、31B級の性能を4B級の速度で実現します。AIME 2026で31Bが89.2%、MoEが88.3%を記録し、前世代Gemma 3の20.8%から飛躍的に向上しました。

エッジ向けのE2BとE4Bは、スマートフォンやRaspberry Pi、Jetson Nanoで完全オフライン動作します。Per-Layer Embeddings技術により、E2Bは総パラメータ51億ながら実効2Bとして軽量に動き、音声認識もモデル内で処理できます。

全モデルが画像・動画・音声のマルチモーダル入力に対応し、関数呼び出しもアーキテクチャレベルで統合されています。可変アスペクト比の画像処理、最大256Kトークンの長文脈、140以上の言語への対応により、エージェント型AIワークフローの構築基盤として設計されています。

Apache 2.0ライセンスへの移行は、企業導入における法的障壁を解消する重要な転換点です。NVIDIAとの協業によりRTX GPUからDGX Sparkまで最適化され、Ollama・llama.cpp・Hugging Faceなど主要ツールが初日から対応しています。中国系モデルがオープン化を後退させる中、Googleは逆方向の戦略を明確にしました。

UAE・技術革新研究所（TII）のFalconチームは2026年4月1日、画像認識・セグメンテーション・OCRを単一のTransformerで処理するオープンソースモデル「Falcon Perception」を公開しました。パラメータ数はわずか6億で、従来のパイプライン型システムに代わる統合的なアプローチを提案しています。

Falcon Perceptionの最大の特徴は、画像パッチとテキストトークンを最初の層から同一のパラメータ空間で処理する「早期融合」アーキテクチャです。画像トークンには双方向注意、テキストトークンには因果的注意を適用するハイブリッドマスクにより、1つのモデルで視覚エンコーダとテキストデコーダの両方の役割を果たします。

オープン語彙セグメンテーションベンチマークSA-Coでは、Macro-F1で68.0を達成し、Meta社のSAM 3の62.3を上回りました。特に属性認識で+8.2、食品・飲料カテゴリで+12.2と大きな差をつけています。一方、存在判定の精度（MCC 0.64対0.82）ではSAM 3に及ばず、今後の改善課題として示されています。

同時に発表されたFalcon OCRは0.3Bパラメータの文書認識モデルです。olmOCRベンチマークで80.3点、OmniDocBenchで88.6点を記録し、DeepSeek OCR v2やGPT 5.2を上回る性能を示しました。オープンソースOCRモデルとして最高のスループットを実現し、vLLM統合によりA100上で毎秒2.9画像を処理できます。

チームは性能評価のため、能力別に分類した診断ベンチマーク「PBench」も公開しました。単純な物体認識（L0）から関係推論（L4）まで5段階に分かれ、Falcon Perceptionは空間理解でSAM 3に+21.9点、OCR識別で+13.4点と、プロンプトが複雑になるほど差が拡大する結果となっています。

学習には5400万枚の画像と1億9500万の正例表現、4億8800万のハードネガティブを使用しました。3段階の学習レシピにより、シーン理解からタスク特化、高密度シーン対応へと段階的に能力を獲得させています。モデルとコードはHugging Faceで公開されており、Apple Silicon向けのMLX統合やDockerサーバーも提供されています。

MITなどの研究チームは、3Dプリントで製作する物体の外観を事前に高精度で再現するAIツール「VisiPrint」を開発しました。成果はACM CHI 2026で発表されます。

従来の3Dプリントソフトは機能面のプレビューに重点を置いており、色や質感が実物と異なることが多く、試作のやり直しが頻発していました。素材の約3分の1が廃棄されるとの調査もあり、資源の無駄が深刻な課題です。

VisiPrintは、スライサーソフトのスクリーンショットと素材の画像を入力するだけで動作します。コンピュータビジョンモデルが素材の特徴を抽出し、生成AIモデルがノズルの積層パターンや造形プロセスの影響を反映した外観を生成します。

技術の核心は、深度マップとエッジマップを組み合わせた専用の条件付け手法にあります。これにより形状の正確さとスライスパターンの忠実さを両立させています。汎用的なAIモデルでは形状の変形やパターンの誤りが起きやすい問題を解決しました。

ユーザー評価では、ほぼ全員が既存手法より外観と質感の再現性が高いと回答しました。プレビュー生成時間は平均約1分で、競合手法の2倍以上の速度を実現しています。歯科での仮歯の色合わせや建築模型の視覚評価など、外観が重要な分野での活用が期待されています。

2026年3月、AI企業Runwayがニューヨークで「AI Summit」を開催し、ハリウッドの映画スタジオ幹部やテック企業の経営者が一堂に会しました。OpenAIがSoraを終了した直後のタイミングでの開催となりました。

RunwayのCEOクリストバル・バレンズエラ氏は基調講演で「私たちは魔法の時代に生きている」と宣言し、AIの可能性を強調しました。ParamountのCTOフィル・ワイザー氏は生成AIを「歴史上のテクノロジートレンドのトップ10、あるいはトップ5」と位置づけ、印刷機や火の発見と同列に語りました。

一方で、デモで披露されたAI生成画像の多くは明らかに合成的で不自然な仕上がりでした。AIスタジオSilversideが制作したコカ・コーラのAI生成ホリデー広告は広く批判を浴びた事例ですが、サミットではその事実に触れられませんでした。

こうした熱狂の中で冷静な視点を示したのが、『ジュラシック・パーク』やスター・ウォーズシリーズを手がけた超大物プロデューサー、キャスリーン・ケネディ氏です。同氏はAFI（米国映画協会）にAIツール教育における「テイスト（審美眼）」の育成を問いかけ、人間の判断力の重要性を訴えました。

ケネディ氏はまた、最近のスター・ウォーズ作品で3Dプリントの小道具が数テイクで壊れた事例を紹介しました。熟練の小道具職人が持つ経験的直感がなければ、見た目だけで実用に耐えない製品になると指摘し、創造的プロセスにおける偶然や試行錯誤の価値を強調しました。

Googleはブラジル政府と提携し、同国の森林保護を支援するため、2000年代初頭の国土を高精細に記録した初の衛星画像地図を作成・公開しました。データはGoogle EarthおよびEarth Engineで誰でも利用可能です。

2000年代初頭のブラジルでは記録的な森林破壊が進行し、生物多様性の喪失や気温上昇といった深刻な環境問題を引き起こしていました。今回の地図はこの時期のスナップショットとして、保護活動の基準点となります。

地図の作成にあたり、Googleは数千枚の歴史的衛星画像を処理し、雲の除去や色補正を実施しました。その結果、従来利用可能だった画像と比較して最大6倍の精度を実現し、森林の詳細な区画を初めて可視化できるようになりました。

この高精度データにより、地方当局は森林伐採が発生した正確な場所を把握できるようになります。これまで不可能だった方法で保護の進捗を追跡し、具体的な対策を講じることが可能になります。

作成されたデータはオープンデータとして公開されており、研究者や政策立案者を含むすべての人が活用できます。AI・衛星技術を環境保全に応用する取り組みとして、他国の森林管理にも応用が期待されます。

クリエイティブワークフロー基盤を提供するFLORAは、VercelのAIスタック上に画像生成AIエージェント「FAUNA」を構築したと発表しました。50以上の画像モデルを統合し、ファッションキャンペーンなどの視覚制作を効率化する狙いです。

FAUNAは従来のノードベースのキャンバスとは異なり、ユーザーがアイデアを伝えるだけで参考画像の収集、モデル選択、バリエーション生成を自動で行います。ワークフロー設計の知識がなくても、プロ品質のビジュアル探索が可能になります。

技術面では、画像・動画生成は数分かかり、1回のセッションで多数の並行ジョブが発生します。FAUNAはVercelのAI SDKのエージェントフレームワークとWorkflow SDKの永続化機能を組み合わせ、長時間実行や障害時の再試行に対応しています。

FLORA開発チームは以前LangChainとTemporalを併用していましたが、2つのシステムの保守負担が課題でした。Vercelへの移行により基盤が一本化され、本番投入速度が2倍に向上したと報告しています。インフラの議論が不要になり、プロダクト改善に集中できるようになりました。

FLORAはUI/UX以外の全デザイン業務の支援を最終目標に掲げています。また、Vercelは同時期にダッシュボードからチーム間でDB移行ができる機能も公開しました。Prisma、Neon、Supabaseに対応し、今後対応プロバイダーを拡大する予定です。

Samsungは2026年2月のUnpackedイベントで、Galaxy S26のギャラリーアプリに搭載するAI写真編集ツール「Photo Assist」に自然言語プロンプト対応を追加すると発表しました。服の変更やペットの合成など、写真を自由に加工できる機能です。

安全面では、「死体」「火」などの危険なキーワードや、過去にGoogle Pixel 9で使われた回避手法がブロックされており、衣服の除去や犯罪シーンの生成もできません。ガードレールは比較的しっかり機能していると評価されています。

一方で編集精度には明確な限界があります。生成された部分には独特の光沢感があり、画像全体の画質も劣化する傾向が見られます。プロンプトと無関係な部分まで変更される過剰編集や、人物追加で別の被写体が複製されるなどの不具合も報告されています。

背景の除去や料理写真の補正など、比較的単純な編集では高い実用性を発揮します。子どもの写真の背景を宇宙空間に変えるといった遊び心のある加工も、一定の品質で実現できています。ただしAI透かしはトリミングで簡単に除去でき、コンテンツ認証情報の確認にも手間がかかります。

Samsungのカメラ部門責任者Sungdae Joshua Cho副社長は「写真とはコミュニケーションである」と述べ、AI編集を表現手段の拡張と位置づけています。写真の定義が揺らぐ中、どこまでがAI加工として許容されるかは、今後ユーザー個々の判断基準に委ねられることになりそうです。

IBMは2026年3月31日、企業向け文書理解に特化した小型視覚言語モデル「Granite 4.0 3B Vision」をHugging Faceで公開しました。30億パラメータながら、表・図表・帳票からの情報抽出で大型モデルを上回る性能を発揮します。

本モデルはGranite 4.0 Microの上にLoRAアダプタとして構築されており、画像処理が不要な場面ではベースモデルに自動的にフォールバックします。この設計により、1つのデプロイでマルチモーダルとテキスト専用の両方に対応できます。

技術面では、独自のDeepStack Injection方式を採用しています。抽象的な視覚特徴を前段レイヤーに、高解像度の空間特徴を後段レイヤーに分離して注入することで、文書の内容と配置の両方を正確に理解します。

性能面では、図表理解ベンチマークのChart2Summaryで86.4%を達成し、自身の2倍以上のサイズのモデルを含む全評価対象中で首位となりました。表抽出でもPubTables-v2やTableVQAなど複数のベンチマークで最高スコアを記録しています。

さらに、170万件の合成チャートデータセット「ChartNet」を独自開発し、CVPR 2026で発表予定です。24種類のチャートタイプと6つの描画ライブラリをカバーし、コード・画像・データ表・要約・QAの5要素を揃えた高品質なデータで訓練されています。

活用面では、単体での画像理解に加え、文書処理ツールDoclingとの統合により、大規模PDFの自動処理パイプラインを構築できます。請求書や財務報告書、学術論文など幅広い文書に対応し、Apache 2.0ライセンスで自由に利用可能です。

Googleは2026年3月31日、動画生成AIモデルファミリーの新モデル「Veo 3.1 Lite」の提供を開始しました。開発者が大量の動画を低コストで生成できることを目的とした、同社で最もコスト効率の高い動画モデルです。

Veo 3.1 Liteの最大の特徴は、上位モデル「Veo 3.1 Fast」と同等の生成速度を維持しながら、コストを50%以下に抑えた点です。大量の動画を扱うアプリケーション開発において、大幅なコスト削減が期待できます。

機能面では、テキストから動画を生成する「Text-to-Video」と、画像から動画を生成する「Image-to-Video」の両方に対応しています。解像度は720pと1080pを選択でき、動画の長さも4秒・6秒・8秒から指定可能です。

アスペクト比は横型の16:9と縦型の9:16に対応しており、SNS向けの短尺動画からビジネス用途まで幅広い活用が見込まれます。利用はGemini APIおよびGoogle AI Studioの有料プランから可能です。

さらにGoogleは4月7日からVeo 3.1 Fastの価格も引き下げる予定です。動画生成モデル全体のコスト低減を進めることで、より多くの開発者がプロダクトに動画生成機能を組み込めるよう環境を整備しています。

OpenAIは2026年3月31日、ChatGPTがApple CarPlayに対応したことを明らかにしました。iOS 26.4以降と最新版のChatGPTアプリをインストールすることで、車内ダッシュボードからAIチャットボットを音声で利用できるようになります。

Appleは先日リリースしたiOS 26.4のアップデートで、CarPlayにおける「音声ベースの対話型アプリ」のサポートを追加しました。これにより、AI chatbotが車載プラットフォームで音声機能を通じて利用できる道が開かれました。

CarPlay上のChatGPTでは、テキストによる会話表示は行われません。Appleの開発者ガイドラインでは、アプリがテキストや画像をレスポンスとして表示しないよう求めており、安全な運転環境の確保が重視されています。画面上にはミュートボタンと会話終了ボタンのみが表示されます。

一方で、過去にChatGPTと交わした会話の一覧を確認する機能は備わっています。ただし、Siriのようなウェイクワードには対応しておらず、利用するにはCarPlay画面上でアプリアイコンをタップして起動する必要があります。

今回の対応により、運転中でもハンズフリーでChatGPTに質問や相談ができるようになります。経営判断やビジネス情報の確認を移動中に行いたいビジネスパーソンにとって、車内での生成AI活用の選択肢が広がる動きといえます。

AI音楽生成プラットフォームSunoが最新モデルv5.5を発表しました。今回のアップデートでは音質向上だけでなく、ユーザーが自分の声を学習させる「Voices」機能、好みを反映する「My Taste」、カスタムモデル作成の3機能が追加され、制作の自由度が大幅に向上しています。

GoogleはChainsmokers公認のAI音楽プラットフォーム「ProducerAI」を買収し、Google Labs傘下に統合しました。DeepMindの最新音声モデルLyria 3を搭載し、Geminiアプリからテキストや画像をもとに30秒の楽曲を生成できる機能のベータ版を全世界で提供開始しています。

一方、プラットフォーム側では規制と透明性の動きが加速しています。Bandcampは主要音楽プラットフォームとして初めてAI生成コンテンツを全面禁止しました。Apple Musicはアーティストやレーベルに対しAI使用の自主的なタグ付けを求める「透明性タグ」制度を開始し、Deezerは精度99.8%のAI楽曲検出ツールを外部企業向けに販売開始しました。

大手レーベルの戦略も大きく転換しています。かつてAI企業を著作権侵害で提訴していたWarner Music GroupはSunoとライセンス契約を締結し、所属アーティストの声や肖像のAI利用を許諾しました。Universal Music GroupもNvidiaと提携し、音楽理解AIモデル「Music Flamingo」の活用を発表するなど、訴訟から協業へと舵を切っています。

しかし課題も山積しています。ノースカロライナ州の男性がAI生成楽曲をボットで数十億回再生し800万ドル超の印税を不正取得した事件で有罪答弁を行いました。アーティストからはAIクローンへの怒りの声が高まり、著作権法の整備も追いついていません。Sunoは評価額24.5億ドルに達する一方、3大レーベルからの訴訟も継続しており、AI音楽の法的・倫理的な枠組みは依然として不透明な状況です。

Mantis Biotechは、多様なデータソースを統合し人体の「デジタルツイン」を構築するプラットフォームを開発しています。希少疾患など信頼性の高いデータが不足する領域で、合成データを生成し医療研究を加速させることを目指しています。

同社のプラットフォームは、教科書やモーションキャプチャ、生体センサー、医療画像など多様なデータを取り込み、LLMベースのシステムで検証・統合します。さらに物理エンジンを通じて高精度な人体レンダリングを生成し、予測モデルの学習に活用します。

物理エンジン層が重要な差別化要因です。例えば指が欠損した人の手姿勢推定のように、公開データセットが存在しないケースでも、物理モデルから指を除去し再生成することで合成データを容易に作成できます。プライバシーを侵害せずにデータ課題を解決する手法として注目されます。

現在の主要顧客はプロスポーツチームで、NBA球団向けに選手のジャンプ動作や疲労度の経時変化を可視化するデジタルツインを提供しています。アスリートの怪我リスク予測や、トレーニング負荷と睡眠データの相関分析などに活用されています。

同社はDecibel VC主導のシードラウンドで740万ドルを調達しました。Y CombinatorやLiquid 2も参加しています。今後は予防医療向けの一般公開を目指すほか、製薬企業やFDA治験に携わる研究者向けに、患者の治療反応に関するインサイト提供を進める方針です。

Microsoft Researchは、ロボットなどの身体性AIが視覚情報をもとに計画を修正できるかを評価する2つの新ベンチマーク「AsgardBench」と「GroundedPlanBench」を公開しました。いずれもオープンソースで提供されています。

AsgardBenchは、3Dシミュレーション環境AI2-THOR上に構築され、家庭内タスクにおいてAIエージェントが視覚観察に基づき計画を逐次修正できるかを測定します。エージェントは毎ターン全手順を提案しますが、実行されるのは最初の1ステップのみで、その結果を見て次の計画を立て直す必要があります。

主要なビジョン対応モデルを評価した結果、画像入力により大半のモデルで成功率が2倍以上に向上しました。一方で、微妙な視覚的差異の識別ミス、タスク進捗の追跡喪失、実行不可能なアクションの試行といった共通の失敗パターンも明らかになりました。

GroundedPlanBenchは、ロボットが「何をするか」と「どこで行うか」を同時に計画できるかを評価します。308のロボット操作シーンから1,009タスクを構築し、V2GPフレームワークがロボットのデモ動画から4万3千件の空間的に紐付けられた訓練データを自動生成します。

評価の結果、自然言語による計画と空間推論を別々に処理する従来の分離型アプローチでは、同一物体への誤った参照が発生しやすいことが判明しました。V2GPで訓練したモデルは計画と空間推論を統合的に処理し、ベンチマークと実機実験の双方で分離型を上回る性能を達成しています。

欧州議会は2026年3月、EU AI規制法の主要部分の適用延期と、ヌード画像生成アプリの禁止を大多数の賛成で可決しました。高リスクAIシステムの遵守期限は当初の8月から2027年12月へと大幅に先送りされます。

高リスクAIのうち、玩具や医療機器など分野別安全規制の対象となるシステムについては、さらに長い猶予が設けられ、2028年8月が新たな期限として提案されています。AI生成コンテンツへの透かし義務も2026年11月に延期されました。

ヌード生成アプリの禁止条項も改正案に盛り込まれました。詳細な規制内容は未定ですが、ユーザーによる画像生成を防ぐ有効な安全措置を備えたシステムは適用除外とされています。

この動きの背景には、XのAIチャットボットGrokが著名人の性的ディープフェイク画像を大量生成し、EU全域で強い批判を浴びた問題があります。議会は迅速な対応を求める世論に応える形で禁止措置を支持しました。

今回の議決は欧州議会の単独行動であり、EU法の改正には27加盟国の閣僚で構成されるEU理事会との交渉が必要です。企業にとっては規制の不透明感が続く状況で、EUが自ら設定したガイドライン公表期限を守れなかった前例もあり、8月までの実施は不透明です。

Google DeepMindは2026年3月、AIが人間の思考や行動を有害に操作するリスクを測定する初の実証済みツールキットを開発し、研究成果を論文として公開しました。評価手法の全資料も公開され、外部研究者による再現実験が可能です。

1万人以上が参加した9件の研究は英国・米国・インドの3カ国で実施されました。金融分野では模擬投資シナリオを用い、健康分野ではサプリメントの選好変化を追跡するなど、高リスクな意思決定環境でAIの操作能力を検証しています。

研究では操作の有効性（実際に意見を変えたか）と傾向性（操作戦術をどの程度試みるか）の両面を測定しました。AIモデルは明示的に操作を指示された場合に最も多くの操作戦術を使用し、特定の戦術が有害な結果につながりやすい可能性も示唆されています。

注目すべき発見として、ある領域での操作成功が他領域での成功を予測しないことが判明しました。特に健康関連トピックではAIの有害操作効果が最も低く、領域ごとに標的を絞った評価手法の重要性が裏付けられています。

DeepMindはこの研究を踏まえ、Frontier Safety Frameworkに「有害操作CCL（Critical Capability Level）」を新設しました。Gemini 3 Proの安全性評価にも本手法を適用しており、今後は音声・動画・画像入力やエージェント機能による操作リスクの研究へ拡大する方針です。

ByteDanceは2026年3月26日、AI動画生成モデルDreamina Seedance 2.0を動画編集プラットフォームCapCutに搭載し、ブラジル・インドネシアなど7カ国で段階的に提供を開始すると発表しました。OpenAIがSoraアプリを終了する中での展開となります。

同モデルはプロンプト、画像、参照動画を使って動画・音声コンテンツの作成・編集・同期が可能です。参照画像がなくても数語のテキスト入力だけでシーンを自動生成でき、リアルな質感や動き、照明の再現に優れています。

料理レシピやフィットネスチュートリアル、ビジネス概要、アクション系コンテンツなど幅広いジャンルに対応します。従来のAI動画モデルが苦手としていた動きの多い映像でも高品質な出力が期待できると同社は説明しています。

展開地域が限定的な背景には、ハリウッドからの著作権侵害批判があります。映画協会がByteDanceに対し侵害行為の停止を求めたことを受け、グローバル展開を一時中断していた経緯があり、知的財産に関する対応が続いています。

安全対策として、実在の顔を含む画像や動画からの生成をブロックし、無許可の知的財産利用も制限します。生成コンテンツには不可視の電子透かしが埋め込まれ、プラットフォーム外での共有時にもAI生成であることを識別可能にしています。

MITの研究チームは、装着者の手の動きをリアルタイムで追跡し、ロボットハンドを無線制御できる超音波リストバンドを開発しました。研究成果はNature Electronics誌に掲載され、VR・ロボティクス分野への応用が期待されています。

このリストバンドは手首の筋肉や腱の超音波画像を連続的に撮影し、AIアルゴリズムが画像を5本の指と手のひらの位置情報にリアルタイムで変換します。手首の腱は指を動かす「操り糸」のような役割を果たしており、その状態を画像化することで手全体の動きを正確に把握できます。

従来のカメラ方式は設置が複雑で遮蔽物に弱く、センサーグローブは自然な動きを妨げるという課題がありました。筋電信号を用いる方式もノイズの影響を受けやすく、微細な動きの識別が困難でした。超音波方式はこれらの問題を解決し、指の22自由度すべてを高精度で追跡できます。

実証実験では8名の被験者がアメリカ手話の全26文字やテニスボール・ハサミなどの把持動作を行い、いずれも正確に追跡されました。ロボットハンドとの連携では、装着者の動きに合わせてロボットがピアノ演奏やバスケットボールのシュートを再現することに成功しています。

研究チームは今後、ハードウェアのさらなる小型化と、多様な手のサイズ・形状に対応するためのAI学習データの拡充を進めます。将来的には誰でも装着可能な汎用デバイスとして、ヒューマノイドロボットの訓練データ収集や外科手術支援、VR・ゲーム操作など幅広い分野への展開を目指しています。

Googleは2026年3月25日、音楽生成AI「Lyria 3 Pro」を発表しました。前月リリースしたLyria 3の上位モデルで、従来の30秒から最長3分の楽曲生成に対応し、Geminiアプリやエンタープライズ向けツールに展開します。

Lyria 3 Proは楽曲の構造理解が大幅に向上しており、プロンプトでイントロ、ヴァース、コーラス、ブリッジといったセクション指定が可能です。テンポ指定や画像からのムード生成など、マルチモーダル入力にも対応しています。

提供先は多岐にわたり、Geminiアプリでは有料会員向けに展開されます。企業向けにはVertex AIでパブリックプレビューとして提供され、開発者向けにはGoogle AI StudioおよびGemini APIから利用可能です。

動画編集アプリGoogle Vidsや、先月買収した音楽制作ツールProducerAIにも統合されます。ProducerAIではアーティストや作曲家がエージェント的な体験を通じて本格的な楽曲制作を行えます。

著作権への配慮として、Googleはアーティストの模倣を行わない方針を明示しました。アーティスト名がプロンプトに含まれた場合は「広いインスピレーション」として扱います。全出力にはSynthIDの電子透かしが埋め込まれ、AI生成コンテンツの識別が可能です。

ゼネラルモーターズ（GM）は、自動運転AIの訓練において、実時間の5万倍の速度でシミュレーションを行う独自技術「GM Gym」と抽象環境「Boxworld」を開発したことを公表しました。毎秒1000kmの走行データを生成し、安全性と走行性能を検証しています。

自動運転における最大の課題は、道路上のマットレスや突然の停電など、極めてまれな「ロングテール」シナリオへの対応です。GMはこれらの予測困難な状況を大規模シミュレーションで体系的に再現し、AIの対処能力を鍛えるアプローチを採用しています。

GMが開発したVision Language Action（VLA）モデルは、インターネット規模の知識を活用して画像を理解し、警察官の手信号が赤信号より優先されるといった高度な状況判断を可能にします。さらに「二重周波数VLA」により、高レベルの意味理解と瞬時の車両制御を両立させています。

合成データ生成では、拡散モデルを用いた「Seed-to-Seed Translation」技術により、晴天の走行データを雨天や霧の夜間に変換できます。また敵対的テストツール「SHIFT3D」で知覚システムの弱点を事前に発見し、再訓練によりニアミス衝突を30%以上削減する成果を上げています。

GMは強化学習で獲得した抽象的な運転方策を、「On Policy Distillation」技術で実車モデルに効率的に転移させています。わずか30分の蒸留で12時間分の強化学習に相当する知識を移植でき、シミュレーションと実世界の橋渡しを実現しています。

MITが主導する国際研究チームは、医療用AIシステムに「謙虚さ」を組み込む新たなフレームワークを開発し、BMJ Health and Care Informatics誌に発表しました。診断の不確実性を医師に明示し、過信による誤診を防ぐ仕組みです。

従来の医療AIは過信した診断結果を提示する傾向があり、ICU医師が自身の直感に反してAIの提案に従ってしまう事例が報告されていました。患者も権威的に見えるAIの誤った推奨を受け入れやすいことが先行研究で判明しています。

新フレームワークの中核は、メルボルン大学が開発した認識的美徳スコアと呼ばれるモジュールです。AIが自らの確信度を臨床シナリオの複雑さに応じて評価し、根拠が不十分な場合は診断を一時停止して特定の検査や専門医への相談を提案します。

研究チームは既に大規模医療データベースMIMICを基盤としたAIシステムへの実装を進めており、Beth Israel Lahey Health系列の臨床現場への導入を計画しています。X線画像の解析や救急外来での治療方針決定など幅広い応用が見込まれます。

この取り組みは、AIの公平性向上という大きな目標の一環でもあります。多くの医療AIモデルは米国のデータに偏っており、農村部の患者など医療アクセスが限られる層がデータセットから除外される問題があります。MIT Critical Dataのワークショップでは、データサイエンティストや医療従事者が共同で構造的不平等の再現を防ぐ設計に取り組んでいます。

ウクライナの戦場で、AI搭載の自律型ドローンが急速に実戦配備されています。元Petcube CEOのアジュニューク氏が設立したThe Fourth Law社は、既存ドローンに後付けできる約50ドルの自律モジュールを数千基以上前線に供給し、命中率を最大4倍に向上させました。

自律化が求められる背景には、ロシア軍の高度な電子妨害があります。GPS信号の妨害やなりすましにより操縦者との通信が遮断されると、従来のドローンは無力化されます。自律航法はAIによる画像認識で地形を把握し、外部通信に依存せず目標に到達するため、妨害の影響を受けません。

ロシア側も急速に進化しています。イラン設計のShahedドローンの月間発射数は2024年1月の334機から2025年8月には4000機超へと10倍以上に増加しました。撃墜された残骸からはNvidia Jetson Orinプロセッサが発見され、AI画像認識による自律航法や機体間通信機能の搭載が確認されています。

防衛側でも自律技術の導入が進んでいます。MaXon Systems社は赤外線センサーと自律迎撃ドローンを組み合わせたシャヘド迎撃システムを開発しました。元Google CEOエリック・シュミット氏が支援するProject EagleのMeropsシステムも、これまでに1000機以上のシャヘドを撃墜する成果を上げています。

しかし専門家は、AIによる標的識別の精度にはまだ課題があると指摘します。戦車など大型目標の認識は可能ですが、兵士と民間人の区別や高速移動する小型目標の追尾は困難です。完全自律の実用化には2〜3年、人間の介入なしの運用には10〜15年かかるとの見方もあります。

この技術革新の波はウクライナの戦場にとどまりません。アフリカのテロ組織やメキシコの麻薬カルテルもFPVドローンを使用し始めており、自律型攻撃兵器の拡散リスクが高まっています。一方で欧米の技術水準はウクライナ・ロシアに大きく後れを取っており、専門家は安全保障上の格差拡大に警鐘を鳴らしています。

米ペンシルベニア州ランカスター・カントリー・デイ・スクールの16歳の男子生徒2人が、AIツールを使い女子生徒ら計60人の性的画像347枚を生成した事件で、少年裁判所での量刑が2026年3月26日に予定されています。

2人は児童性的虐待に関する59件の重罪を認め、児童性的虐待の共謀罪およびわいせつ物所持でも有罪を認めました。被害者のうち1人を除く全員が18歳未満であり、事件の深刻さが際立っています。

学校側は匿名の州通報窓口を通じて画像の存在を早期に把握していたにもかかわらず、当時は法的報告義務がなかったことを理由に、6カ月間にわたり保護者や警察への通報を怠りました。その間も被害者数は増え続けていました。

少年裁判所の量刑は更生を重視した少年保護観察部門の勧告に基づき決定される見通しで、公益にかなう場合は21歳までの監督処分が含まれる可能性があります。この判決は全米の中高校における同様の事案に影響を与えると注目されています。

被害者家族の少なくとも10家族が、弁護士を通じて量刑後に学校を相手取った訴訟を提起する方針を表明しています。学校の対応の遅れに対する責任追及が、今後の教育機関におけるAI悪用防止体制の整備を促す契機となる可能性があります。

OpenAIは動画生成AI「Sora 2」および専用アプリにおける安全対策の全容を公開しました。生成されるすべての動画に業界標準のC2PAメタデータと可視・不可視の透かしを埋め込み、AI生成コンテンツの出所を明確にします。

肖像権の保護では、写真からの動画生成時にユーザーが被写体の同意を得ていることを宣誓する仕組みを導入しました。特に子どもや若年層が含まれる画像には、通常より厳格なガードレールとモデレーションが適用されます。

独自の「キャラクター」機能により、自身の外見や声の使用を完全に管理できます。アクセス権の付与・取消はユーザーが随時行え、他者が作成した下書き動画も確認・削除・通報が可能です。公人の描写はキャラクター機能経由のみに制限されています。

未成年者向けには、フィードから不適切コンテンツを自動除外し、大人からのメッセージ開始を遮断します。保護者はChatGPTの管理画面からDMの送受信やフィードのパーソナライズ設定を制御でき、連続スクロールにも初期上限が設けられています。

有害コンテンツ対策としては、生成前のプロンプト検査と出力の多層スキャンを組み合わせ、性的素材やテロプロパガンダ、自傷促進を遮断します。音声領域では生成された音声の書き起こしを自動検査し、存命アーティストや既存楽曲の模倣を阻止する仕組みも整備されています。

Crimson Desertの開発元Pearl Abyssは、同作にAI生成アートが含まれていたことを認め、公式に謝罪しました。プレイヤーがゲーム内でAI生成と見られる画像を発見し、RedditやSNSで拡散されたことがきっかけです。

開発元はX（旧Twitter）で声明を発表し、AI生成コンテンツは開発過程で仮素材として使用されたもので、リリース前に差し替える予定だったと説明しました。最終版への混入は意図的ではなかったとしています。

同社は現在、ゲーム内の全アセットを対象とした包括的監査を実施中であり、AI生成コンテンツを特定次第、順次手作業の素材に置き換えると表明しました。品質管理体制の見直しも進めています。

さらに開発元は、AI利用についての情報開示が不十分だったことも謝罪しました。「AIの使用について明確に開示すべきだった」と述べ、今後の開発における透明性確保を約束しています。

ゲーム業界では生成AIの活用が大きな論争となっており、大手スタジオが積極導入を進める一方、多くのインディー開発者は「AI不使用」を掲げて差別化を図っています。今回の問題は、AI利用における透明性と品質管理の重要性を改めて浮き彫りにしました。

映画監督のヴァレリー・ヴィーチ氏は、ドキュメンタリー『Ghost in the Machine』を制作し、生成AI技術がいかに優生学の思想的系譜の上に成り立っているかを明らかにしました。同作品は2026年3月26日から28日までKinemaで配信され、秋にはPBSで放映予定です。

ヴィーチ氏がこの映画を制作するきっかけとなったのは、OpenAIの動画生成AI「Sora」を試した際の体験でした。アーティスト向けSlackコミュニティで、有色人種の女性メンバーが自身の写真を元に画像生成したところ、モデルが常に白人化した画像を出力するという深刻な問題が発覚しました。

同氏がOpenAIに人種差別的・性差別的な出力について直接報告したところ、「修正できることはない」と事実上問題を黙殺されました。この対応が、生成AI技術の根本的な構造問題を探る動機となりました。

映画は、チャールズ・ダーウィンの従兄弟であるフランシス・ゴルトンが創始した優生学にまで歴史を遡ります。ゴルトンの多次元モデリング手法は弟子のカール・ピアソンに引き継がれ、ピアソンが開発したロジスティック回帰は現代の機械学習の基礎的構成要素となっています。

AI研究者や歴史家、批判理論家らが出演する本作は、AI業界のあらゆる側面が差別的世界観を支える科学分野との歴史的つながりに深く影響されていると主張します。ヴィーチ氏は「サム・アルトマンをカメラの前で抱擁するのはプロパガンダだ」と述べ、AI企業トップへの取材を意図的に排除しました。

Vercelの基盤を活用する豪州発のAIスタートアップ2社が、専任のDevOpsチームを持たずにグローバル規模のサービス運用を実現しています。画像生成のLeonardo.AIとAIエージェントのRelevance AIが、その代表例です。

APAC地域ではAIスタートアップへの投資が急増しており、豪州だけで10億ドル超がAI企業に投じられています。一方でDevOpsエンジニアの採用は困難を極め、豪州での年収は15万ドル以上、IDCによればAPAC企業の6〜8割がIT人材の確保に苦戦しています。

Leonardo.AIは当初ゲーム開発者向けのAI画像生成ツールとして出発し、現在は日産450万枚の画像を処理しています。Vercel導入前はビルドに10分以上、ページ読み込みに60秒かかっていましたが、移行後はビルド時間が2分に短縮されました。

Relevance AIはシドニーを拠点に、SalesforceやHubSpot、Slackなど既存ツール上で動作するAIエージェントプラットフォームを提供しています。5万のエージェントがインフラチームなしで自律稼働し、リード選定や顧客対応を自動化しています。

またVercel Sandbox SDKはバージョン1.9.0でファイル書き込み時の権限設定機能を追加しました。writeFiles APIにmodeプロパティを渡すことで、chmodの追加実行が不要になり、サンドボックス内でのスクリプト管理が効率化されます。

両社に共通するのは、インフラ管理をプラットフォームに委ね、エンジニアリングリソースをプロダクト開発に集中させる運用モデルです。AI時代のスタートアップにとって、最大のチームではなく最速で出荷できるチームが勝つという構図が鮮明になっています。

大規模言語モデル（LLM）がロボティクスや自動運転など物理世界の理解を要する領域で限界に直面しており、投資家の関心が「世界モデル」へ急速にシフトしています。AMI Labsが10.3億ドル、World Labsが10億ドルのシード資金を相次いで調達しました。

チューリング賞受賞者のリチャード・サットン氏はLLMが人間の発言を模倣するだけで世界をモデル化していないと警告しました。Google DeepMindのデミス・ハサビスCEOも、現在のAIは数学五輪を解けるのに基本的な物理で失敗する「不均一な知性」を抱えていると指摘しています。

第1のアプローチ「JEPA」は、ピクセルレベルの予測ではなく潜在的な抽象表現を学習する手法です。人間が車の軌道と速度を追跡し背景の細部を無視するように、核心的な物理法則のみを捉えます。計算効率が高くリアルタイム推論に適しており、AMIは医療企業Nablaと提携してヘルスケア分野での活用を進めています。

第2のアプローチはWorld Labsが採用する「ガウシアンスプラット」で、画像やテキストから完全な3D空間環境を生成します。Unreal Engineなどに直接インポートでき、Autodeskが産業設計への統合を目的に同社を強力に支援しています。第3のアプローチはDeepMindのGenie 3やNvidiaのCosmosに代表されるエンドツーエンド生成で、モデル自体が物理エンジンとして機能します。

今後は各アプローチの長所を組み合わせたハイブリッドアーキテクチャの台頭が見込まれます。サイバーセキュリティ企業DeepTempoはLLMとJEPAを統合した「LogLM」でログ異常検知を実現しており、LLMが推論・対話層を担い世界モデルが物理・空間データ基盤となる構図が形成されつつあります。

Replitは自社HQからのライブ配信で、AIコーディングツール最新版「Agent 4」を正式発表しました。新機能の中核となるInfinite Canvasや並列タスク処理により、複数人での協働アプリ開発が大幅に効率化されます。

コミュニティマネージャーのManny Bernabe氏は、Agent 4で構築した「テイスト開発アプリ」を実演しました。画像をGoogle Geminiで分析し、タイポグラフィや配色、レイアウトの評価を返すこのアプリは、ランディングページ・Webアプリ・モバイル版を1つのキャンバス上で同時に管理できます。

Raymmar Tirado氏は「Replitopolis」と呼ばれる3D都市を披露しました。BigQueryのデータをリアルタイムで可視化し、各ビルがユーザーを、高さがプロンプト送信数を表現します。企業の読み取り専用データに接続するだけで内部ツールを構築できる可能性を示しました。

デザイナーのZade Keylani氏は、Agent 4のUIデザイン自体をAgent 4で構築した経験を共有しました。Figmaファイルではなく動作するプロトタイプをエンジニアに引き渡す手法により、開発中にリアルな問題を発見・報告できたと語ります。空間的思考を活かすCanvasが試行錯誤のハードルを下げたと強調しました。

マーケティング担当のRaina Saboo氏は、Agent 4のテーマを「意図ある創造性」と説明しました。Agent 3が自律性を追求したのに対し、Agent 4は人間の方向性とAIの能力を掛け合わせる設計思想です。DatabricksやStripeなど大手企業顧客も早期アクセスで導入を進めており、ローンチ週には資金調達発表とブランド刷新も同時に実施されました。

NVIDIAは2026年3月20日、マルチモーダル・多言語対応のコンテンツ安全モデル「Nemotron 3 Content Safety 4B」をHugging Faceで公開しました。従来の英語中心・テキストのみの安全モデルが抱えていた文化的ニュアンスの見落としを解消することを目指しています。

同モデルはGemma-3 4B-ITビジョン言語基盤モデル上に構築され、LoRAアダプターで安全分類機能を追加しています。テキスト・画像またはその両方を入力として受け取り、安全・危険の判定を出力します。アシスタント応答が含まれる場合はやり取り全体の文脈を評価し、複合的に生じる違反も検出できます。

訓練データにはNemotron Safety Guard Dataset v3の文化的に適応された多言語データ、人手でアノテーションされたマルチモーダルデータ、合成データなどが含まれます。英語データは日本語・中国語・韓国語を含む12言語に翻訳され、実運用環境を反映した多言語カバレッジを実現しています。

ベンチマーク評価では、Polyguard・VLGuard・MM SafetyBenchなど主要テストで平均84%の精度を達成し、同規模のオープン安全モデルを上回りました。さらにポルトガル語やロシア語など訓練外言語でも強力なゼロショット汎化性能を示しています。推論遅延は大型モデルの約半分で、エージェントループやリアルタイム用途にも適しています。

4月にはNVIDIA NIMとしても提供予定で、GPU最適化された推論マイクロサービスとして本番環境への迅速な導入が可能になります。企業のAIエージェントやグローバルサービスにおけるコンテンツモデレーション基盤として、実用性の高い選択肢となりそうです。

AIとコンピュータビジョンを活用した食事記録アプリが続々と登場しています。BitePal、Hoot、Lose It!、MyFitnessPalなど複数のアプリを実際に試し、栄養専門家への取材を通じてその実力と限界が明らかになりました。

食事記録アプリの最大の利点は、日々の食事に対する意識と責任感を高める点です。登録栄養士のメリダン・ザーナー氏によると、人は食事摂取量を20〜50%過小評価する傾向があり、アプリによる記録がその補正に役立つといいます。

一方で、各アプリが提示する推奨カロリーには大きなばらつきがありました。同じ身長・体重を入力しても異なる数値が表示され、ホルモンや骨格、遺伝的要因など個人差を方程式に反映しきれないことが原因です。正確な代謝率は専門家による検査が必要とされます。

AIカメラ分析機能では、同じ地中海風ボウルでもアプリによって約1,000カロリーから大幅に高い数値まで差が出るなど、精度に課題が残りました。バーコードスキャンの方がより正確なカロリー計測が可能で、総合的にはLose It!が最も使いやすいと評価されています。

ただし、完璧主義的な性格の人は数値目標に執着しすぎる危険があると専門家は警告しています。食べ物を「良い」「悪い」と二分する思考は不健康であり、栄養管理はグレーゾーンで機能するものだとザーナー氏は強調。アプリはあくまで健康管理の「ツールボックスの一つ」として活用すべきだと結論づけています。

MITの研究チームは、生成AIを活用してミリ波無線信号による障害物越しの物体認識精度を大幅に向上させる新手法を開発しました。IEEE CVPRで2本の論文として発表される本研究は、ロボットの隠れた物体操作や室内環境認識に革新をもたらします。

新システム「Wave-Former」は、ミリ波の反射信号から隠れた物体の部分的な3D形状を復元し、生成AIモデルが欠損部分を補完する仕組みです。ミリ波は鏡面反射の性質上、センサーに戻らない方向の情報が失われますが、AIがその空白を埋めることで精度を従来比約20%向上させました。

訓練データの不足という課題に対し、研究チームは既存の大規模画像データセットにミリ波反射の物理特性をシミュレーションで組み込む手法を考案しました。これにより年単位のデータ収集を省略し、合成データセットで生成AIモデルを効率的に学習させることに成功しています。

さらに拡張システム「RISE」では、室内を移動する人体からの多重反射（ゴースト信号）を解析し、固定レーダー1台で部屋全体の家具配置を復元します。従来はノイズとして破棄されていた二次反射を逆に活用する発想で、既存手法の約2倍の精度を実現しました。

これらの技術は倉庫ロボットが出荷前に梱包内容を確認する用途や、スマートホームロボットが住人の位置を把握して安全に協働する場面での応用が期待されます。カメラを使わないためプライバシーを保護でき、移動ロボットにセンサーを搭載する必要もない点が大きな利点です。

Adobeは2026年3月19日、AI画像生成ツール「Firefly Custom Models」のパブリックベータ版を公開しました。企業やクリエイターが自社の画像素材を使ってモデルを学習させ、特定の画風やキャラクターデザインに沿った画像を生成できる機能です。

このツールは大量のコンテンツ制作が必要なチーム向けに設計されています。一度学習させたカスタムモデルは複数のプロジェクトで再利用が可能で、線の太さ・カラーパレット・ライティング・キャラクターの特徴を一貫して保持できます。毎回ゼロから作り直す必要がなくなります。

カスタムモデルで使用した画像はデフォルトで非公開となり、Adobeの汎用Fireflyモデルの学習には使用されません。ブランド資産の独自性を守りながら、スケーラブルな制作体制を構築できる点が大きな特徴です。

著作権保護の面では、学習開始前にユーザーが必要な権利と許可を保有していることを確認する同意画面が表示されます。さらにFireflyはアップロード画像のContent Authenticity Initiative認証情報を自動チェックし、AI学習を拒否している素材の使用を防止します。

Adobeは従来からFireflyモデルをライセンス済みコンテンツとパブリックドメインで学習させており、著作権侵害リスクの少ない商用利用可能なAI画像生成として差別化を図っています。昨年のAdobe Maxで限定ベータとして発表された本機能が、今回一般に開放されました。

GoogleはGeminiをGoogle Workspace全体に統合し、Docs、Gmail、Sheets、Slides、Drive、Meet、Calendar、Chat、Vids、Formsの各サービスでAI機能を本格展開しています。日常業務での要約・下書き・データ整理・会議管理を効率化する実用的な機能群が揃いました。

Google Docsでは長文レポートの自動要約に加え、「Help me create」機能でDriveやGmailの文脈を取り込んだ初稿の自動生成が可能になりました。文体の統一や他文書のフォーマット適用など、複数人での共同編集を支援するベータ機能も提供されています。

Gmailでは「AI Inbox」が重要メールを自動選別し、長いスレッドを要約カードで表示します。さらに「AI Overview」機能で過去のメール全体を横断検索でき、文脈に応じた返信文の自動生成やトーン調整も可能です。受信トレイの管理負担が大幅に軽減されます。

Google Meetでは自動ノートテイク機能が注目されており、会議中の要点・決定事項・アクションアイテムを自動で記録・整理します。途中参加者向けの要約機能やリアルタイム翻訳字幕、音声ノイズ低減など、会議体験を向上させる機能も追加されています。

Google Calendarでは「Help me schedule」機能が参加者全員のカレンダーを分析し、最適な会議時間をAIが提案します。早朝を避けるなどの個人設定にも対応し、Gmailと連携して空き時間を検出するため、手動でのスケジュール調整が不要になります。

Google Vidsではトピックやアウトラインからラフカットを自動生成し、AIアバターやVeo 3による画像の動画変換にも対応しています。Formsではアンケートの自動生成に加え、回答結果のトレンド分析をリアルタイムで提供し、データ収集から分析までを一元化しています。

Rebel Audioは、初心者向けに録音・編集・配信・収益化を一つのプラットフォームで完結させるAI搭載ポッドキャスト制作ツールです。2026年3月にプライベートベータを開始し、380万ドルのシードラウンドを超過応募で完了しました。

ポッドキャスト市場は2030年までに1145億ドル規模に成長すると予測されており、2025年時点で世界のリスナー数は5億8400万人に達しています。Rebel Audioはこの急成長市場で、初心者クリエイターの参入障壁を下げることを目指しています。

プラットフォームにはAIアシスタントが組み込まれ、番組名の提案やカバーアート生成、文字起こし、翻訳、吹替などを支援します。音声クローン機能では広告の自動読み上げも可能で、制作工程の大幅な効率化を実現しています。

AI生成コンテンツへの懸念に対しては、音声クローンをオプトイン方式とし、権利確認を必須化しています。ディープフェイク防止のセーフガードや、不適切な画像を遮断するモデレーションシステムも導入し、配信プラットフォームのガイドラインに準拠する設計です。

料金は月額15ドルの基本プランから、動画対応のPlusプラン（35ドル）、動的広告挿入や翻訳機能を含むProプラン（70ドル）までの3段階です。創業者のJared Gutstadt氏は制作会社Audio Upの実績を持ち、アドバイザーには「サバイバー」プロデューサーのMark Burnett氏が就任しています。

Nvidiaの研究チームは、消費電力5ミリワット以下で人間の顔を1ミリ秒未満で検出できる常時稼働型ビジョンシステムを開発しました。電気技術者のBen Keller氏が2月18日、サンフランシスコで開催されたIEEE ISSCCで発表しました。

従来のビジョン処理には約10ワットが必要とされていましたが、常時稼働には消費電力が大きすぎるという課題がありました。今回のSoCは60fpsのフレームレートで動作しながら、消費電力を約2000分の1に抑えることに成功しています。

中核技術は「Alpha-Vision」と呼ばれる常時低消費電力アクセラレータです。深層学習アクセラレータ、小型CPU、データ近傍演算サブシステムで構成され、16.7ミリ秒ごとに画像を更新しますが、実際に電力を消費するのは全体のわずか5%の時間です。

電力効率の鍵は「Race to Sleep」と呼ばれるアプローチです。顔認識に必要なデータを2MBのSRAMにローカル保存し、787マイクロ秒で検出処理を完了した後、即座にSRAMを低電力スリープモードに移行させることで、メモリリーク電力を最小限に抑えています。

応用先としては、ノートPCのディスプレイをユーザーの離席時に自動消灯しパスワード不要で復帰する機能や、自動運転車・ドローン・ロボットへの常時ビジョン搭載が想定されています。消費者向けデバイスの省電力化に大きく貢献する可能性があります。

EUは2026年3月、AIを使って本人の同意なく性的画像を生成する「ヌーディファイ」システムをEU市場から全面禁止する法改正案を発表しました。ユーザーによる悪用防止の実効的な安全措置を講じたシステムは例外とされます。

この改正案は、従来の利用者個人の処罰中心の規制から、プラットフォーム側の責任を問う方向への大きな転換を意味します。Bloombergによれば、Grokのスキャンダルがまさにこの規制転換の必要性を象徴する事例として報じられています。

EU議員らは欧州委員会への質問書で、GrokをはじめとするAIヌード生成ツールの増加が、ジェンダーに基づくサイバー暴力や児童性的虐待素材の作成を助長していると警告しました。個人の加害者は特定が困難なため、根本からの防止策が必要だと主張しています。

米国でも法的圧力が高まっています。2026年1月にはマスク氏の子どもの母親であるアシュリー・セントクレア氏が最初の訴訟を提起し、3月にはテネシー州の少女3人がGrokによるCSAM出力の被害を受けた全児童を代表する集団訴訟を起こしました。

EU議会の市民的自由委員会のマクナマラ議員は、ヌーディファイアプリの禁止は市民が期待するものだと述べています。xAIがGrokによる実在人物の画像生成防止に消極的な姿勢を示す中、規制強化の流れは欧米双方で加速する見通しです。

Hugging Faceは2026年春のオープンソースAI生態系レポートを公開しました。2025年にユーザー数は1300万人に達し、公開モデルは200万件超、データセットは50万件を突破するなど、すべての指標がほぼ倍増しています。

中国が月間ダウンロード数で米国を逆転し、全ダウンロードの41%を占めるに至りました。DeepSeek R1の公開を契機に、Baiduは2024年のゼロから100件超のリリースへ急増し、ByteDanceやTencentも8〜9倍にリリース数を拡大しています。

企業の開発シェアは2022年以前の約70%から2025年には37%に低下しました。一方、個人や小規模コミュニティがダウンロードの39%を占め、量子化やファインチューニングを通じてモデルの流通を主導する存在へと成長しています。

各国政府はAI主権の確保に動いています。韓国は国家ソブリンAIイニシアティブを発足させ、LG AI ResearchやNaverなど国内企業を指名しました。スイスやEU各国も公的資金によるオープンモデル開発を推進し、Reflection AIと韓国のデータセンター提携も発表されています。

ロボティクス分野ではデータセットが2024年の1,145件から2025年に26,991件へと急増し、Hub最大のカテゴリとなりました。科学研究でもタンパク質折りたたみや創薬への応用が進み、オープンソースAIは言語・画像生成を超えて物理世界への拡張を加速させています。

NVIDIAは2026年3月のGTC 2026において、ローカル環境で動作するAIエージェント向けの新しいオープンモデル群と開発基盤を発表しました。DGX SparkやRTX PCでクラウド級の性能を実現することを目指しています。

Nemotron 3 Superは1200億パラメータのオープンモデルで、アクティブパラメータは120億に抑えられています。エージェントAI向けベンチマークPinchBenchで85.6%を記録し、同クラスのオープンモデルで最高スコアを達成しました。

小型モデルとしてはNemotron 3 Nano 4Bが発表され、GeForce RTX搭載PCでもエージェントやアシスタントの構築が可能になります。AlibabaのQwen 3.5シリーズ向けの最適化も同時に提供され、26万2000トークンの大規模コンテキストウィンドウに対応します。

エージェント実行基盤としてNemoClawがオープンソースで公開されました。OpenClaw向けの最適化スタックで、ローカルモデルによる推論でトークンコストを削減し、OpenShellランタイムによるセキュアな実行環境を提供します。

ファインチューニングの分野では、Unsloth StudioがウェブベースのUIで公開され、500以上のAIモデルに対応します。従来は高度な技術知識が必要だったカスタマイズ作業を、ドラッグ＆ドロップの直感的な操作で完結できるようになりました。

クリエイティブAI分野では、LightricksのLTX 2.3がNVFP4・FP8対応で2.1倍の高速化を実現し、Black Forest LabsのFLUX.2 Klein 9Bも画像編集が最大2倍に高速化されました。RTX GPU向けに最適化されたモデルが続々と登場しています。

H Companyは2026年3月17日、NVIDIAのNemotron-Nano-2 VLモデルをベースにしたマルチモーダルコンピュータ操作エージェントモデル「Holotron-12B」をHugging Faceで公開しました。本モデルは画面認識・操作に特化し、量産環境での高スループット推論を目指して開発されたものです。

Holotron-12Bの推論効率を支えるのは、状態空間モデル（SSM）とアテンション機構のハイブリッドアーキテクチャです。従来のTransformerが抱える二次計算コストを回避し、長いコンテキストや複数画像を含むエージェント的ワークロードで優れたスケーラビリティを実現しています。

ベンチマーク評価では、WebVoyagerスコアがベースモデルの35.1%から80.5%へと大幅に向上しました。H100 GPU1枚でvLLMを使用した実験では、同時接続100の条件下で8.9kトークン/秒のスループットを記録し、前モデルHolo2-8Bの5.1kトークン/秒を大きく上回りました。

学習は2段階で実施されました。NVIDIAのNemotron-Nano-12B-v2-VLを起点に、H Company独自の画面理解・ナビゲーションデータで教師あり微調整を行い、約140億トークンで最終チェックポイントを構築しています。ライセンスはNVIDIA Open Model Licenseで公開されています。

今後の展開として、NVIDIAが同日発表したNemotron 3 Omniをベースとした次世代モデルの開発も予告されました。SSM-AttentionとMoEアーキテクチャを活用し、企業向けの大規模自律型コンピュータ操作への展開を目指すとしています。

AIプレゼンテーションプラットフォームのGammaは、マーケティング素材を生成する新製品「Gamma Imagine」を発表しました。CanvaやAdobeとの競争激化を見据え、テキストプロンプトからブランド固有のビジュアル資産を作成できる機能を提供します。

Gamma Imagineでは、インタラクティブなチャートやデータビジュアライゼーション、マーケティング資料、SNS用グラフィック、インフォグラフィックなどを生成できます。現在100以上のテンプレートが用意されており、AI機能と組み合わせて活用することが可能です。

データ駆動型の素材生成を実現するため、ChatGPTやClaude、Make、Zapier、Atlassian、n8nなど主要ツールとの連携を進めています。これにより外部データを取り込んだ高度なビジュアル作成が可能になります。

CEOのGrant Lee氏は、Gammaの立ち位置をAdobe・Figmaなどのプロ向けツールとPowerPointなどのレガシーツールの中間と位置づけています。デザインリソースを持たないビジネスパーソンにAIネイティブなアプローチで視覚的コミュニケーションを提供する考えです。

同社は2025年11月にa16z主導のシリーズBで6800万ドルを調達し、評価額は21億ドルに達しました。当時ARR1億ドル・ユーザー7000万人と発表しており、現在は1億人に迫る規模に成長しています。

BuzzFeedの共同創業者兼CEOジョナ・ペレッティ氏は、2026年3月のSXSWカンファレンスにおいて、AI技術を活用した消費者向けアプリを開発する新会社Branch Officeの設立と3つの新アプリを発表しました。

第1のアプリBF Islandは、AIによる写真編集機能を備えたグループチャットアプリです。編集チームが厳選したトレンドやミームのライブラリを搭載し、ユーザーが旬のネタを素材にAI画像を作成できる点が特徴とされています。

第2のConjureは、かつて流行したBeRealに似た日替わり写真アプリで、「AIの精霊がCEO」という独自のコンセプトを掲げています。第3のQuiz Partyは、BuzzFeed名物のクイズを友人と一緒に楽しめるソーシャルアプリです。

しかし会場の反応は冷淡でした。プレゼンはスライドの不具合から始まり、デモ後には沈黙と気まずい笑いが広がりました。Q&A;ではBeRealの失敗を引き合いに、ユーザー定着の課題を指摘する質問も出ています。

BuzzFeedは発表の数日前に事業継続への重大な疑義を開示しており、前年の純損失は5730万ドルに達しています。AI時代の新収益源として期待をかけるものの、「AIで何ができるか」を優先し「ユーザーが何を求めているか」が後回しになっているとの指摘もあり、成功への道筋は不透明です。

イーロン・マスク氏率いるxAI社に対し、AIチャットボット「Grok」が未成年の実写画像から性的コンテンツを生成したとして、テネシー州の少女3名がカリフォルニア北部地区連邦裁判所に集団訴訟を提起しました。原告のうち2名は現在も未成年です。

原告の一人「ジェーン・ドウ1」は、高校のホームカミングや卒業アルバムの写真がGrokによって裸体画像に加工され、Discordサーバー上で少なくとも18名の未成年の性的画像とともに流通していたことを、匿名の通報者から知らされました。加害者はすでに逮捕されています。

逮捕された加害者は、GrokのAPIを利用するサードパーティアプリで画像を生成し、ファイル共有サービスMegaにアップロードした上で、Telegramのグループチャットで数百人のユーザーと児童ポルノの交換材料として使用していたと訴状は述べています。

訴訟では、xAIが昨年の「スパイシーモード」導入時に児童性的虐待素材（CSAM）が生成されることを認識していたと主張しています。他の主要AI企業が採用している安全対策をxAIは怠り、製品設計上の欠陥があったと指摘しています。マスク氏自身がGrokの性的画像生成能力を公に宣伝していた点も問題視されています。

この問題を受け、欧州連合がGrokに対する調査を開始し、英国首相が警告を発するなど国際的な波紋が広がっています。米国では上院がディープフェイク被害者の訴訟権を認める法案を可決し、トランプ大統領が署名した「Take It Down法」が2025年5月に施行予定で、AI生成ディープフェイクの配布が刑事罰の対象となります。

エリザベス・ウォーレン上院議員（民主党・マサチューセッツ州）は2026年3月、ヘグセス国防長官に書簡を送り、イーロン・マスク氏率いるxAIのAIモデル「Grok」に機密ネットワークへのアクセスを許可した国防総省の決定について強い懸念を表明しました。

書簡では、Grokがユーザーに対し殺人やテロ攻撃の助言を提供し、反ユダヤ主義的コンテンツや児童性的虐待画像を生成した事例が指摘されています。ウォーレン議員はこうしたガードレールの欠如が米軍人の安全と機密システムのサイバーセキュリティに深刻なリスクをもたらすと主張しました。

この動きの背景には、Anthropicが軍への無制限アクセス提供を拒否したことで国防総省から「サプライチェーンリスク」と認定された経緯があります。その後、国防総省はOpenAIおよびxAIと機密ネットワークでのAI利用契約を締結しました。

国防総省の高官はGrokが機密環境で使用するために導入されたことを認めつつも、まだ実際の運用には至っていないと説明しています。報道官は軍の生成AI基盤「GenAI.mil」への近日中の展開を予告しました。

ウォーレン議員は国防総省とxAI間の契約内容の開示を要求し、サイバー攻撃への対策や機密情報の漏洩防止策について説明を求めています。同日にはGrokが未成年者の実画像から性的コンテンツを生成したとする集団訴訟も提起され、安全管理への疑問が一層深まっています。

スイス製薬大手ロシュは、NVIDIA GTC 2026において、NVIDIA Blackwell GPUを3500基以上導入し、米国と欧州のハイブリッドクラウド環境でAI基盤を大幅に拡張すると発表しました。製薬企業として公表ベースで最大規模のGPUインフラとなります。

創薬部門では、傘下のジェネンテックが推進する「Lab-in-the-Loop」戦略の中核にAIを据えています。対象となる低分子プログラムの約90%にAIが統合されており、あるオンコロジー向け分解誘導剤の設計では開発期間を25%短縮する成果を上げています。

別のプログラムでは、従来2年以上かかっていたバックアップ分子の開発をわずか7カ月で完了しました。NVIDIA BioNeMoプラットフォームを活用し、生物学的・分子的基盤モデルの学習と微調整を自社データで行う体制を整えます。

NVIDIA Omniverseを用いた製造施設のデジタルツイン構築にも着手しています。ノースカロライナ州の新しいGLP-1製造工場では、稼働前に仮想環境でシステムの最適化を進めており、規制文書作成や品質保証、生産スケジューリングにもAI活用を拡大しています。

診断事業では、デジタル病理分野で大量の画像から微細な疾患パターンを検出する技術を開発中です。NVIDIA NeMo Guardrailsを用いて医療グレードのAI安全性を確保しつつ、ラボ運営の効率化や臨床意思決定支援にもAIを展開し、創薬から診断・製造まで一貫したAI活用体制の構築を目指しています。

Picsartは、クリエイターがAIアシスタントを「雇用」できるAIエージェントマーケットプレイスを開設しました。SNSコンテンツのリサイズやリミックス、商品写真の編集など、特定タスクを自動化する4種類のエージェントを提供開始しています。

最も高機能なFlairエージェントはShopifyと連携し、市場トレンドを分析してオンラインストアの改善提案を行います。将来的にはA/Bテストの実施や低パフォーマンス商品の特定も可能になる予定で、ECオーナーの売上向上を包括的に支援します。

Resize Proエージェントは各プラットフォームの推奨サイズに画像・動画を自動変換します。元の素材がサイズに合わない場合はAIが生成的にフレームを拡張し、意図的に構図を整えたような仕上がりを実現します。

これらのエージェントはWhatsAppやTelegram上でも利用可能で、デスクでも移動中でもチャット形式で指示を出せます。CEOのアヴォヤン氏は「クリエイターは操作者から意思決定者へ変わる」と、エージェントによるワークフロー革新を強調しました。

安全面では、エージェントの自律レベルをユーザーが設定でき、すべての操作に承認を求めるモードも用意されています。LLMベースのソフトウェアに伴うハルシネーションや意図しない動作のリスクに対し、段階的な制御で対応しています。無料プランでは利用が限定的で、本格利用には月額約10ドルからの有料プランが必要です。

OpenAIは、ChatGPTに導入予定だった「成人向けモード」について、テキストベースの官能的会話に限定して提供する方針であることが明らかになりました。画像・音声・動画の生成機能は当面含まれず、ポルノではなく「官能小説」レベルの内容を想定しています。

この機能は2025年10月にサム・アルトマンCEOが発表しましたが、未成年の保護やコンテンツモデレーションに関する社内の懸念から延期されています。OpenAIが開発した年齢推定システムは、未成年を成人と誤判定する割合が約12%に達しており、週1億人以上の18歳未満ユーザーを抱えるChatGPTでは数百万人規模の未成年がアクセスする恐れがあります。