画像（マルチモーダル）に関するニュース一覧

OpenAIのChatGPTが中国語で応答する際、「我会稳稳地接住你（あなたを穏やかに受け止めます）」という不自然なフレーズを繰り返し使用する現象が、中国のインターネットで大きな話題となっています。数学の問題や画像生成の依頼など文脈を問わず出現するこの表現は、ネイティブ話者には過剰に情緒的で場違いに映り、ミーム化が進んでいます。

この口癖は中国のSNS上で急速に拡散し、ChatGPTを救命エアバッグに見立てた風刺画像が人気を集めました。重慶の20歳の開発者Zeng Fanyu氏は、このミームに触発されてプロンプトエンジニアリングツール「Jiezhu」をオープンソースで開発しています。OpenAI自身も新画像モデル発表時にこの現象をネタにした画像を公開しており、問題を認識していることがうかがえます。

原因として2つの仮説が指摘されています。第一に、英語の「I've got you」を中国語に変換する際の不自然な翻訳です。西洋のLLMは主に英語コーパスで訓練されるため、中国語の応答にも英語的な構文が残りやすいことが学術研究で確認されています。中国語の前置詞使用頻度などを分析すると、英語話者の文体に近い特徴が見られます。

第二の原因は、強化学習を通じた追従性（sycophancy）の増幅です。Anthropicの2023年の論文は、人間のフィードバックがおべっか的な回答を優遇する傾向を確認しました。「穏やかに受け止める」は中国では本来心理療法の文脈でのみ使われる表現であり、セラピースピークの氾濫とAIの追従性が重なった結果と考えられています。

さらに懸念されるのは、この現象がChatGPTに留まらない点です。最近ではClaudeやDeepSeekなど他のLLMでも同様の口癖が確認されており、訓練データの共通性やモデル間の蒸留による伝播が疑われています。モード崩壊と呼ばれるこの問題は、AIの言語品質を均質に低下させるリスクをはらんでいます。

Googleは2026年5月6日、AI搭載の検索機能をガーデニングに活用する5つの方法を公式ブログで紹介しました。Google Trendsのデータによると、花やハーブを自由に混ぜ植えする「カオスガーデン」への関心が2025年に急上昇し、2026年春も検索数が前月比140%増加しています。「ミニガーデン」の検索量も2026年に過去最高を記録しました。

注目されるのはAI Modeの多彩な使い方です。自宅のパティオやベランダの写真をアップロードすると、AIがその空間に合った植栽イメージを生成してくれます。さらにCanvas機能を使えば、月ごとの作業リストやコンパニオンプランティングの計画表を含む年間管理ガイドを作成できます。カオスガーデンに挑戦したいユーザーには、日当たりやスペースに応じた最適な種の組み合わせも提案します。

買い物の場面でもAIが役立ちます。Googleショッピングの「nearby」フィルターを使えば近隣の園芸店の在庫を確認でき、「AIによる代理電話」機能では、Googleが自動で店舗に電話をかけて商品の有無を問い合わせてくれます。子ども用のガーデニング手袋の検索も前月比180%増と、家族で楽しむ層の拡大がうかがえます。

もう一つの目玉がSearch Liveです。Google Lensで植物の写真を撮り、葉の黄変などの症状について「何が起きているのか」と質問すると、リアルタイムで対話しながら原因の特定や対処法の提案を受けられます。水やりの調整や剪定のタイミングといった具体的なフォローアップにも応答します。

今回の発表は、Googleが検索のAI機能を日常生活の具体的なシーンに落とし込む戦略を加速させていることを示しています。ガーデニングという親しみやすいテーマを通じて、AI Modeの画像理解やCanvas、Search Liveといった新機能の実用性をアピールした形です。

AnthropicとSpaceXAIは2026年5月6日、AnthropicがxAIのメンフィス所在データセンター「Colossus 1」の計算資源を利用する契約を締結したと発表しました。Anthropicは同社の年次開発者カンファレンスで発表し、SpaceXAI側もブログ記事で詳細を公開しています。この契約により、Anthropicは300メガワット超の電力容量と約22万基のNvidia GPU（H100、H200、GB200）へのアクセスを得ます。

Anthropicはこの計算資源を「Claude Pro」「Claude Max」の利用者向け容量拡大に充てる方針です。近年、Claude Codeなどのサービスでは利用制限やサービス中断への不満が高まっており、開発者は週平均20時間以上Claude Codeを使用しているとされます。また、Anthropicは軌道上AI計算基盤の共同開発にも関心を示しており、SpaceXAIの宇宙データセンター構想の将来的な顧客となる可能性があります。

この提携はxAIの戦略的転換を象徴しています。xAIはすでにトレーニングを新施設Colossus 2に移行済みで、旧施設を外部に貸し出すことで収益化を図りました。TechCrunchの分析によれば、画像生成問題でGrokの利用者が減少するなか、xAIは計算資源の販売を主軸とする「ネオクラウド」企業へと変貌しつつあります。GoogleやMetaが自社のAI開発のために計算資源を囲い込む戦略とは対照的です。

SpaceXAIにとって、この契約はIPOを控えた重要な実績となります。Anthropicという有力顧客の存在は、軌道データセンターを含む今後の大規模インフラ投資の収益性を投資家に示す材料になります。一方で、競合に計算資源を販売する姿勢は、xAI自身のソフトウェア開発やコーディングツールへの野心と矛盾するとの指摘もあります。

AI業界全体では計算資源の争奪が激化しています。AnthropicはGoogle Cloudに2000億ドル、Amazonに1000億ドル超のコミット契約を結んでおり、AnthropicとOpenAIの契約だけで主要クラウド事業者の受注残2兆ドルの半分以上を占めるとも報じられています。計算資源の確保がAI開発の成否を左右する時代が本格化しています。

OpenAIがChatGPT専用スマートフォンの開発を加速させていることが明らかになりました。サプライチェーンアナリストのMing-Chi Kuo氏が詳細を公開し、同社初のハードウェア製品となるこの端末は2027年初頭の量産開始を目指しているとのことです。以前から噂されていたJony Ive氏との協業によるAIデバイスとは別のプロジェクトとなります。

端末にはMediaTek Dimensity 9600のカスタム版が搭載される予定です。このチップは2026年秋にリリース見込みで、現行のDimensity 9500の後継にあたります。最大の特徴は強化されたHDR対応の画像信号プロセッサ（ISP）で、実世界の視覚認識能力を高める設計です。メモリにはLPDDR6、ストレージにはUFS 5.0が採用されます。

注目すべきはデュアルNPUアーキテクチャの搭載です。これにより言語処理と画像認識といった異なる種類のAI演算を同時に実行できるようになります。ChatGPTのマルチモーダル機能をデバイス上で高速に動作させることを狙った設計と考えられます。

Kuo氏によれば、2027年から2028年にかけての累計出荷台数は約3000万台に達する可能性があるとのことです。この数字はSamsungのフラッグシップモデルの年間販売台数に匹敵する規模であり、ハードウェア初参入の企業としてはきわめて野心的な目標です。AI企業がソフトウェアだけでなくハードウェアまで手掛ける動きが加速するなか、OpenAIがどこまで市場に食い込めるかが注目されます。

OpenAIは2026年5月5日、ChatGPTの既定モデルをGPT-5.5 Instantに更新すると発表しました。従来のGPT-5.3 Instantを置き換え、全ユーザーに順次提供されます。APIでは「chat-latest」として利用可能になり、開発者も即座にアクセスできます。

最大の改善点はハルシネーションの大幅な削減です。社内評価によると、医療・法律・金融など正確性が求められる領域で、GPT-5.3比で52.5%のハルシネーション削減を達成しました。ユーザーから事実誤認の報告があった難易度の高い会話でも、不正確な回答が37.3%減少しています。数学ベンチマークAIME 2025では81.2点（従来65.4点）、マルチモーダル推論のMMMU-Proでも76点（同69.2点）と大きく性能が向上しました。

応答品質の面では、語数を30.2%、行数を29.2%削減し、冗長さを排除しつつ情報量を維持しています。不要な絵文字やフォローアップの質問も抑制され、より自然で実用的な対話が可能になりました。さらに過去の会話履歴やファイル、接続済みのGmailを活用したパーソナライゼーションが強化され、ユーザーが同じ情報を繰り返し伝える必要がなくなります。

新機能として全モデルに「メモリソース」表示が導入されます。AIが応答に使用した文脈（保存済みメモリや過去のチャット）を確認でき、古い情報の削除や修正が可能です。共有チャットでは他者にメモリソースは表示されません。パーソナライゼーション強化はまずPlus・Proユーザー向けにWeb版で提供開始し、モバイルやFree・Go・Business・Enterpriseプランへも数週間内に拡大予定です。

GPT-5.3 Instantは有料ユーザー向けに3か月間利用可能な状態が維持された後、廃止されます。OpenAIは過去にGPT-4oの廃止時にユーザーから強い反発を受けた経緯があり、今回は移行期間を設けることで混乱の軽減を図っています。同モデルはサイバーセキュリティおよび生物・化学分野で「High」能力と分類された初のInstantモデルであり、それに応じた安全対策が実装されています。

Googleは2026年5月5日、Gemini APIのFile Search機能を大幅に拡張し、マルチモーダルデータを扱えるRAGシステムの構築を可能にしたと発表しました。従来はテキストのみだった検索対象が画像にも広がり、カスタムメタデータやページ単位の引用機能も新たに追加されています。

Gemini Embedding 2モデルを活用した新しいFile Searchでは、画像とテキストを同時に処理できます。たとえばクリエイティブエージェンシーが、キーワードやファイル名ではなく自然言語で「特定の感情やビジュアルスタイル」を記述して画像アーカイブを検索するといった用途が想定されています。

カスタムメタデータ機能により、非構造化データにキーバリュー形式のラベルを付与できるようになりました。department: Legalやstatus: Finalのようなフィルタをクエリ時に適用することで、無関係なドキュメントからのノイズを削減し、検索速度と精度の両方を改善します。

ページ引用機能は、大規模PDFから抽出された回答の出典をページ番号レベルで特定します。ユーザーが回答の根拠を即座に確認でき、ファクトチェックが必要な業務での信頼性を大きく高めます。

すでに複数の企業が早期導入を進めています。AI共同研究プラットフォームのK-Denseは科学画像の混合モーダル検索で高い精度を確認し、GIF検索のKlipyはテキスト内画像の理解精度向上とハルシネーション排除を評価しています。

Googleは、ベルギーを流れるスヘルデ川流域の水質・水量問題に対応するため、Agua SeguraとAgrow Analyticsの2社を支援し、AI精密農業の導入を進めています。対象は1,000ヘクタール超の農地で、衛星画像や熱画像から得られる気候・水・土壌データをAIが統合分析し、農家に最適な灌漑・施肥の判断材料を提供します。

Agrow Analyticsの技術プラットフォームは、複数のデータソースをリアルタイムで統合し、農家が水と肥料を効率的に使えるよう精密な推奨を行います。これにより、年間の灌漑需要を大幅に削減し、約60万立方メートル(約1億5,800万ガロン)の水の補充が見込まれています。

この取り組みの背景には、Googleのデータセンター運営における水資源への責任意識があります。同社はデータセンター周辺のコミュニティにおける水のレジリエンス構築を重要課題と位置づけており、今回のプロジェクトもその一環です。

AI技術を農業分野に応用することで、環境負荷の低減と生産性向上を両立させるモデルケースとして注目されます。特に水資源が逼迫する地域では、データ駆動型の精密農業が持続可能な食料生産の鍵を握ると考えられています。

アプリ分析企業Appfiguresの最新レポートによると、AIモバイルアプリにおける画像生成モデルの公開が、従来のチャットボットモデル更新と比べて6.5倍のダウンロード増をもたらしていることがわかりました。テキスト対話の性能向上よりも、画像生成機能がユーザー獲得の主要因になるという構造的な変化が起きています。

具体的には、OpenAIが2025年3月にGPT-4o画像モデルを公開した後の28日間で、ChatGPTは1200万件以上の追加インストールを獲得しました。これはGPT-4o、GPT-4.5、GPT-5といったチャットボットモデル公開時の約4.5倍に相当します。

GoogleのGeminiでも同様の傾向が確認されています。2025年8月のGemini 2.5 Flash画像モデル（Nano Banana）公開後、28日間で2200万件超のダウンロード増を記録し、通常の4倍以上の伸びとなりました。Meta AIのVibes（動画フィード）も260万件の追加DLを獲得しています。

ただし、ダウンロード増が収益に直結するとは限りません。ChatGPTは画像モデル公開後28日間で推定7000万ドルの消費者支出増を達成した一方、GeminiのNano Bananaは同期間でわずか18万1000ドルにとどまりました。Meta AIに至っては有意な収益増が見られませんでした。

この結果は、画像生成機能がアプリの試用動機として強力である一方、有料課金への転換には別の戦略が必要であることを示しています。AIアプリ市場では、視覚コンテンツ生成が新規ユーザー獲得の鍵を握る時代に移行しつつあります。

Google for Startups Acceleratorは2026年5月4日、AIを活用してエネルギー分野の課題解決に取り組むスタートアップの応募受付を開始しました。2年連続の開催となる本プログラムは、送電網の近代化やエネルギー利用の効率化・低コスト化をAIで推進する企業を対象としています。

プログラムは9月から11月まで実施され、参加企業はエクイティフリー（出資不要）で支援を受けられます。Google Cloudのインフラや最先端AIツールへのアクセスに加え、AI・機械学習、プロダクトデザイン、市場戦略、リーダーシップ開発に特化したカリキュラムが提供されます。20以上のエネルギー関連企業やVCもパートナーとして参加します。

2025年の第1期では具体的な成果が報告されています。米国のArtemisはGemini統合により太陽光画像の3D抽出エラー率を半減させ、スペインのDelfosは風力・太陽光設備の故障を最大300日前に予測するAIを構築しました。フランスのTilt Energyは2カ国に展開を拡大し、数百MWの分散型フレキシブル容量を運用しています。

対象領域は3つです。第1にエネルギー効率化と活用（家庭や産業のエネルギーコスト削減）、第2に送電網の近代化（送電分析やGET技術）、第3に需要の柔軟化と最適化（仮想発電所や負荷集約）。IEAの予測では今後5年間の世界の年間電力需要が過去10年比で50%増加する見通しで、AI活用による電力インフラ整備の重要性が一段と高まっています。

DoorDashは2026年5月4日、加盟店向けにAIを活用した新ツール群を発表しました。出店手続きの簡素化、料理写真の自動編集、既存コンテンツからのWebサイト生成など、飲食店の業務負担を大幅に軽減する機能が追加されています。

出店ツールでは、加盟店が自社WebサイトのURLを指定するだけで、写真・営業時間・メニュー情報を自動取得し、アプリ上のリスティングを生成します。2024年にAmazonが導入した仕組みと類似しており、公開前に全情報の確認・編集が可能です。

写真編集では2つのAIツールが提供されます。AI Retouchは料理そのものを変更せずに背景置換・画像鮮明化・照明最適化を行い、AI Replateはプロの盛り付けのように料理写真を加工します。参照画像を指定してスタイルを適用する機能も備えています。

動画ライブラリも刷新され、動画内の料理にタグを付けて顧客が直接注文できる機能が追加されました。総再生数・動画経由の売上・新規顧客売上などの統計情報も確認できます。

コマースプラットフォームでは、DoorDash上の既存メニューや写真を活用してWebサイトを自動生成する機能をテスト展開し、平均約10%の注文転換率を記録しました。さらに、コンテンツ作成・メール配信・スケジュール管理を自動化するマーケティングキャンペーンビルダーも追加されています。

Microsoft、ノースウェスタン大学、非営利団体Witnessの共同チームが、AIディープフェイク検出システムの性能評価を目的とした新しいベンチマークデータセット「MNW」を公開しました。研究成果は2026年4月10日付でIEEE Intelligent Systems誌に掲載されています。生成AIによる偽メディアの品質が急速に向上する中、検出技術の遅れが社会的課題となっています。

現在のディープフェイク検出器は、限られた生成器のデータで訓練されるケースが多く、実環境での汎用性に欠けるという問題を抱えています。Microsoftの主任研究員Thomas Roca氏は「ラボのAIは野生のAIではない」と指摘し、既存のベンチマークでは高精度を示す検出器が、実際のオンライン環境では機能しない現状を問題視しています。

MNWベンチマークは、この課題に対応するため多種多様な生成器から作成されたフェイク画像・動画・音声を収録しています。リサイズやクロップ、圧縮といった後処理や、検出を逃れるための意図的な改ざんも反映しており、現実のAI生成メディアの実態を再現することを目指しています。

データセットは春と秋に定期更新される予定です。生成AIの進化に合わせて最新のアーティファクトや回避手法を取り込むことで、検出器が時代遅れになることを防ぎます。GitHubでオープンソースとして公開されており、開発者は自由にベンチマークとして利用できます。

産業界・学術界・市民社会の3つの視点を統合した点も特徴です。ノースウェスタン大学のMarco Postiglione氏は「どの組織単独でも達成できない」と連携の意義を強調しています。研究チームは、悪用のリスクを認識しつつも、ディープフェイク対策の緊急性がそれを上回ると判断し、検出技術の透明性と標準化に貢献する姿勢を示しています。

ハーバード大学医学部とベス・イスラエル・ディーコネス医療センターの研究チームが、OpenAIの大規模言語モデルが救急外来のトリアージで医師と同等以上の診断精度を示したとする研究をScience誌に発表しました。76名の救急患者を対象に、AIモデル（o1・4o）と内科医2名の診断を盲検で比較した結果、特に初回トリアージの段階でAIが優位だったとしています。

具体的には、o1モデルが初回トリアージで正確またはそれに近い診断を示した割合は67%でした。一方、2名の内科医はそれぞれ55%と50%にとどまりました。評価は別の指導医2名が、どの診断がAIによるものか知らされない盲検方式で行っています。AIには電子カルテの情報がそのまま提供され、データの前処理は一切行われていません。

ただし研究チームは、AIが実際の救急現場で生死に関わる判断を下す準備ができているとは主張していません。むしろ、この結果は前向き臨床試験の緊急性を示すものだと位置づけています。共著者のRodman医師は、AI診断に対する説明責任の枠組みが現時点で存在しないことを指摘し、患者は依然として重要な判断を人間の医師に委ねたいと考えていると述べています。

一方で専門家からは批判的な声も上がっています。救急医のPanthagani氏は、比較対象が救急専門医ではなく内科医であった点を問題視しました。救急医の主な役割は最終診断を当てることではなく、致命的な状態を見逃さないことだと指摘し、報道の見出しが研究結果を過大に伝えていると警告しています。AIの医療応用が進むなかで、適切な評価基準と責任体制の整備が急務と言えるでしょう。

米国家安全保障局（NSA）が、AnthropicのAIモデル「Mythos Preview」を使ったソフトウェア脆弱性の発見テストを実施していることが報じられました。BloombergとAxiosによると、NSAはMicrosoft製品のバグ探索にMythosを利用し、その速度と有効性に高い評価を示しています。現在Mythosへのアクセスは40組織に限定されています。

注目すべきは、国防総省がAnthropicを「サプライチェーンリスク」として利用禁止を宣言している中での動きである点です。ヘグセス国防長官は6カ月の移行期間を設けていますが、NSAがMythosの能力を理由に例外措置を検討する可能性も取り沙汰されています。Anthropic側は禁止令に対し訴訟を起こしています。

一方、ウォルト・ディズニー社はカリフォルニアのディズニーランドとディズニー・カリフォルニア・アドベンチャーで顔認証技術の導入を発表しました。来園者は顔認証レーンを「任意で」選択できますが、通常レーンでも画像が撮影される可能性があると説明されています。顔データは30日後に削除されるとのことです。

ランサムウェアグループ「Scattered Spider」の19歳の容疑者がフィンランドの空港で逮捕されました。MGMリゾーツやシーザーズ・エンターテインメントなどへの攻撃に関与した同グループは、英語圏の若年メンバーが多いことで知られています。容疑者は複数企業から数百万ドルを窃取した疑いが持たれています。

また、メディケアのオンラインディレクトリに紐づくデータベースが少なくとも数週間にわたりインターネット上で公開状態となり、医療提供者の社会保障番号などの個人情報が露出していたことがワシントン・ポストの報道で判明しました。このディレクトリはトランプ政権による医療提供者の全国データベース構築の一環として運用されていました。

米ミネソタ州が全米で初めて、AIを使った「ヌード化」アプリを禁止する法律を可決しました。同法は、実在する人物の画像を裸体化・性的に加工するウェブサイトやアプリ、ソフトウェアの開発者に対し、懲罰的損害賠償を含む広範な責任を課すものです。州司法長官は違反1件あたり最大50万ドル（約7,500万円）の罰金を科すことができ、徴収された罰金は性暴力や児童虐待の被害者支援サービスに充てられます。

ミネソタ州上院は4月30日、65対0の全会一致でこの法案を可決しました。先週には州下院でも迅速に可決されており、ティム・ウォルズ知事の署名を経て、2026年8月から施行される見通しです。法案が成立すれば、違反するアプリやサービスは州内でブロックされる可能性もあります。

法案提出のきっかけとなったのは、ミネソタ州在住の男性が自身の知人女性80人以上の画像をAIで裸体化していた事件です。民主党のエリン・メイ・クエイド上院議員がこの問題を受けて法案を提出し、被害者に初めて法的救済の道を開きました。全米性暴力被害者支援団体RAINNも法案策定に協力しています。

同法はAdobe Photoshopなど高度な技術スキルを要する汎用ツールは適用除外としており、あくまで誰でも簡単に使える専用の「脱衣アプリ」を対象としています。AIによるディープフェイクポルノが世界的に急増するなか、特に女性や子どもの被害が深刻化しており、他州への波及効果が注目されます。

米Planet Labsは、同社の高解像度衛星Pelican-4に搭載したAIモデルで、オーストラリアのアリススプリングス空港の航空機を自動検出することに成功したと発表しました。衛星上で画像認識アルゴリズムを実行し、16,000ピクセルの画像を0.5秒で処理できます。これにより、撮影から数分以内に分析結果をユーザーに届けることが可能になりました。

従来の地球観測では、衛星が取得した膨大なデータを地上に転送し、クラウドで処理するまでに6〜12時間を要していました。同社エンジニアリング担当副社長のKiruthika Devaraj氏は「過去を見ているのと同じだった」と指摘します。山火事など一刻を争う事態では、この遅延が被害拡大につながるリスクがありました。

AI処理にはNVIDIA Jetson ORIN GPUモジュールが使われており、18カ月の開発期間を経て検出精度80%を達成しました。次世代アルゴリズムでは95%超を目標としています。今後6〜9カ月以内にリアルタイムAI検出サービスを顧客に提供する計画です。

さらにPlanet Labsは、次世代のOwl衛星群により「惑星知能」の実現を目指しています。Owl群が地球を常時監視し、異常を自律的に検知して高解像度のPelican衛星に再撮影を指示する仕組みです。将来的にはJetson Thorプロセッサへの移行や、宇宙空間でのLLM稼働も視野に入れています。

同社はGoogleとSuncatcherプロジェクトで協業しており、2027年にプロトタイプ衛星2基の打上げを予定しています。宇宙空間でのデータ処理インフラ構築には、SpaceXやAmazonも関心を示しており、太陽光発電と自然冷却を活用できる利点がある一方、打上げコストの課題も残されています。

Metaは、スマートグラス「Ray-Ban Meta」のデータ注釈業務を委託していたケニア拠点の企業Samaとの契約を終了しました。2026年2月、Samaの従業員が複数のメディアに対し、Ray-Ban Metaで撮影された利用者の着替えや性行為、トイレ使用などの極めて私的な映像を業務で視聴していたと告発していました。

BBCの報道によると、スウェーデンやケニアのジャーナリストによる告発記事の公開から2カ月足らずで、Metaは契約を打ち切りました。Metaの広報担当者はBBCに対し「Samaが当社の基準を満たしていない」と説明しましたが、具体的にどの基準を満たさなかったかについては明らかにしていません。

一方、Samaは基準未達の通知を受けたことはないと反論しています。Samaの従業員たちは、私的映像の視聴を外部に告発したことへの報復として契約が打ち切られたと考えています。Samaによれば、この契約終了により1,108人の労働者が影響を受けました。

今回の問題は、AIのデータ注釈作業におけるプライバシー保護と労働者の内部告発に対する企業の対応という、AI開発プロセスの根幹に関わる課題を浮き彫りにしています。スマートグラスのように常時撮影が可能なデバイスでは、意図せず記録された映像の取り扱いが今後も大きな論点となります。

2026年4月30日、米WIREDは、アリゾナ州フェニックスの男性3人がSNS上の女性の写真を無断で収集し、AIで生成したポルノコンテンツの作成方法を有料で販売していたとして提訴された事案を報じました。被告らはCreatorCoreというソフトウェアを使い、実在の女性に酷似したAIインフルエンサーを作成し、Fanvueで販売していたとされます。

訴状によると、被告らは「AI ModelForge」というプラットフォームを通じ、月額24.95ドルで他の男性にも同様の手法を指導していました。女性のSNS写真をスクレイピングしてAIモデルに学習させる手順書を提供し、1か月で5万ドル以上の収入を得ていたとされます。2025年時点でCreatorCoreには8,000人以上の有料会員がおり、50万件を超える画像・動画が生成されていました。

被告らは法的リスクを避けるため、フォロワー5万人未満の一般女性を標的にするよう受講者に指示していたと訴状は指摘しています。原告の1人であるMGさんはフォロワー約9,000人の一般女性で、自身の顔や体型に酷似したAI生成画像がInstagramで拡散されていることを知人からの通報で知りました。

アメリカでは2025年5月にTake It Down法が成立し、非合意のAI生成性的コンテンツの公開を違法としましたが、施行は2026年5月です。アリゾナ州議会ではウェブサイトに自動検出ツールの導入を義務付ける法案が提出されていますが、削除してもすぐ再掲載される「もぐら叩き」状態が続いており、被害者の救済には課題が残っています。

香港発のスタートアップDAIMON Roboticsが、ロボットの物理的AI向けとしては世界最大規模のマルチモーダルデータセット「Daimon-Infinity」を公開しました。高解像度の触覚センシングデータを含み、洗濯物の折りたたみから工場の組み立てラインまで幅広いタスクをカバーしています。Google DeepMind、ノースウェスタン大学、シンガポール国立大学などが開発に参加しています。

同社の中核技術は、指先サイズのモジュールに11万個以上の感知ユニットを搭載した単色視覚ベース触覚センサーです。接触力だけでなく、変形・滑り・摩擦・材質・表面テクスチャまで記録でき、物理的なインタラクションの包括的な再構築を可能にします。分散型のラボ外データ収集ネットワークにより、年間数百万時間規模のデータ生成能力を持つとしています。

共同創業者のMichael Yu Wang教授は、現在主流のVision-Language-Action（VLA）モデルに触覚を加えたVision-Tactile-Language-Action（VTLA）アーキテクチャを提唱しています。触覚なしではロボットは暗所での物体認識や繊細な物体の把持に失敗しやすく、精密な力制御ができないと指摘します。視覚ベースの触覚センサーは画像形式でデータを出力するため、VLAフレームワークとの統合が自然に行える点が強みです。

ビジネスモデルは「3D」戦略として、デバイス（Devices）・データ（Data）・展開（Deployment）の垂直統合を掲げています。業界全体のデータ不足を解消するため、1万時間分のデータをオープンソース化しました。すでに中国のコンビニエンスストアでは、密集した棚から商品を取り出すために3本指での巧緻な操作が求められる場面でのロボット導入が検討されています。

Wang教授はカーネギーメロン大学でロボット操作の研究を始め、香港科技大学にロボティクス研究所を設立した経歴を持ちます。ロボットの巧緻操作は長年進展が遅かったものの、AIとハードウェアの同時進化により実用化の条件が整いつつあるとの見方を示しています。同社は将来的に、ロボットが家庭や日常生活に溶け込む「信頼できるパートナー」となることを目指しています。

米国の制裁対象である中国AI企業SenseTimeは4月29日、オープンソースの画像生成モデル「SenseNova U1」を公開しました。同モデルは画像をテキストに変換せず直接処理する独自技術「NEO-Unify」を採用しており、米国の競合モデルを大幅に上回る速度で画像の生成と解釈が可能だと同社は主張しています。

U1の最大の特徴は、画像をネイティブに「読む」能力にあります。従来のモデルが画像を一度テキストに変換して処理するのに対し、U1は画像のまま推論を行うことで処理速度を向上させ、必要な計算資源を削減しています。共同創業者のDahua Lin氏は「モデルの推論プロセスはもはやテキストに限定されない」と述べています。モデルはPCやスマートフォンでも動作可能な軽量設計で、幅広い活用が期待されます。

注目すべきは、U1が中国製チップで動作する点です。公開日にはCambricon、Biren Technologyなど10社の中国半導体メーカーが互換性を発表しました。米国の輸出規制により最先端AI半導体へのアクセスが制限される中、中国製チップへの対応は戦略的に重要な意味を持ちます。SenseTimeはHugging FaceとGitHubでモデルを無料公開しており、中国企業がオープンソースAIの主要な貢献者となっている傾向をさらに強めています。

技術的な性能面では、U1は市場の全オープンソースモデルを上回る画質を実現したとSenseTimeは主張しています。AlibabaのQwenやByteDanceのSeedreamといった中国のクローズドソースモデルに匹敵する一方、OpenAIのGPT-Image-2.0にはまだ及ばないとされています。ただし速度面ではこれらすべてのモデルを凌駕するとのことです。

SenseTimeはかつて顔認識技術で世界をリードしていましたが、ChatGPT以降の生成AIブームでDeepSeekやMiniMaxなど新興企業に後れを取っていました。同社はオープンソース戦略により研究者からのフィードバックを得て反復速度を高める方針に転換。Lin氏は「オープンかクローズドかではなく、反復の速度こそが勝敗を分ける」と語っています。また、この技術はロボットが視覚情報を高速に処理するうえで特に有用であり、中国のヒューマノイドロボット市場への展開も見据えています。

MITやウースター工科大学、Googleの研究チームが、AIビジョン言語モデル（VLM）のバイアスを効果的に除去する新手法「WRING（Weighted Rotational DebiasING）」を発表しました。この研究は2026年のICLR（国際学習表現会議）に採択されています。医療現場では皮膚病変の分類にAIが使われていますが、特定の肌色に偏ったモデルは高リスク患者を見落とす可能性があり、バイアスは安全上の重大な課題となっています。

従来広く使われてきた「投影デバイアス」手法は、モデルの埋め込み空間からバイアスに関連する部分空間を取り除くものです。しかしこの方法には「モグラ叩きジレンマ」と呼ばれる問題がありました。ある種のバイアスを除去すると、周囲の関係性が歪み、別のバイアスが増幅・生成されてしまうのです。たとえば人種バイアスを除去すると、性別バイアスが悪化するといった事態が起こります。

WRINGは、モデルの高次元空間においてバイアスの原因となる座標を異なる角度に回転させることで、特定の概念におけるグループ間の区別をモデルができなくする仕組みです。投影デバイアスのように部分空間を削除するのではなく、回転操作を行うため、他の学習済み関係性を損なわずに対象のバイアスだけを低減できます。しかも後処理として適用できるため、大規模モデルの再学習は不要です。

研究チームの実験では、WRINGはターゲットとなるバイアスを大幅に低減しつつ、他の領域でバイアスを増加させないことが確認されました。ただし現時点では、画像と言語を結びつけるCLIPモデルへの適用に限定されています。筆頭著者のWalter Gerych氏は、ChatGPTのような生成型言語モデルへの拡張が次のステップだと述べています。

Googleは2026年4月29日、Google TV向けにGeminiを活用した新機能群を発表しました。目玉は画像生成モデルNano Bananaと動画生成AIVeoのテレビ上での利用で、Geminiタブの「Create」ボタンから音声プロンプトで写真の加工や動画の生成が可能になります。まず米国のGemini対応TCLテレビから提供が開始されます。

Nano Bananaでは「父に変な服を着せて」といった音声指示で写真を変換でき、背景の差し替えや新しいシーンの生成にも対応します。Veoでは静止画にモーションを加えたり、テキスト指示だけでクリップを一から作成できます。Googleはこれらをリビングでの共有体験として位置づけています。

Google Photosにも複数の強化が加わります。Geminiによる音声検索で旅行や誕生日パーティーなどの写真を素早く呼び出せるほか、「リミックス」機能で水彩画や油絵風のスタイルを適用できます。さらにダイナミックスライドショーでは、アルバムをコラージュやアニメーション付きのスクリーンセーバーとして表示できます。

AI機能に加え、ホーム画面にはYouTube Shortsのパーソナライズフィード「Short videos for you」が今夏から米国で追加されます。YouTubeがモバイルでShortsの非表示オプションを導入した直後の動きですが、Googleはテレビでのショート動画需要を見込んでおり、将来的にはShorts以外のプラットフォームへの拡張も示唆しています。

DeepInfraが、Hugging Face Hubの推論プロバイダーとして新たに統合されました。DeepInfraは業界でも最も低コストなトークン単価を誇るサーバーレスAI推論プラットフォームで、100以上のモデルカタログを持ち、開発者が最小限のセットアップでAI機能をアプリケーションに組み込めます。

今回の初期統合では、会話およびテキスト生成タスクをサポートしています。DeepSeek V4、Kimi-K2.6、GLM-5.1など人気のオープンウェイトLLMにアクセスできるようになりました。テキストから画像・動画への生成やエンベディングなど、追加タスクへの対応も順次展開される予定です。

利用方法は2つあります。ユーザーが自身のDeepInfra APIキーを設定して直接リクエストを送る方法と、Hugging Face経由でルーティングする方法です。後者の場合、プロバイダーのトークンは不要で、標準的なプロバイダー料金のみが課金されます。Hugging Face側の追加マークアップはありません。

SDKとの統合も進んでおり、Pythonのhuggingface_hubやJavaScriptの@huggingface/inferenceから簡単に利用できます。さらにPi、OpenCode、Hermes Agentsなど主要なエージェントハーネスにも統合済みで、追加のコードなしでDeepInfraホストモデルを活用可能です。PROプランのユーザーには毎月2ドル分の推論クレジットが付与され、複数プロバイダーにまたがって利用できます。

NVIDIAは2026年4月28日、マルチモーダルAIモデルNemotron 3 Nano Omniを公開しました。このモデルはテキスト・画像・動画・音声を単一のアーキテクチャで処理できるオムニモーダルモデルで、AIエージェントの構築を効率化することを目的としています。パラメータ規模は30B（アクティブ3B）で、従来のように複数モデルを組み合わせる必要がなくなります。

性能面では、文書理解のMMLongBench-DocやOCRBenchV2、動画理解のWorldSense、音声理解のVoiceBenchなど6つの主要ベンチマークでトップの精度を記録しています。同等の対話性能を持つオープンなオムニモデルと比較して、マルチドキュメント処理で7.4倍、動画処理で9.2倍のシステム効率を実現しました。

アーキテクチャの核となるのは、23層のMamba状態空間モデル、23層のMixture-of-Experts（128エキスパート、Top-6ルーティング）、6層のグループ化クエリアテンションを組み合わせたハイブリッド構成です。視覚側にはC-RADIOv4-Hエンコーダを採用し、動的解像度処理により100ページ超の文書やGUIスクリーンショットにも対応します。音声側にはParakeet-TDT-0.6B-v2エンコーダを搭載し、最大20分の音声入力をネイティブに処理できます。

想定される活用領域は、企業文書の分析、GUI操作を行うコンピュータ使用エージェント、長時間の動画・音声理解、自動音声認識、そして汎用的なマルチモーダル推論の5分野です。すでにH Company、Aible、Eka Care、Foxconnなどが採用を進めており、Dell Technologies、Oracle、Infosysなども評価段階にあります。

モデルはオープンウェイトで公開されており、BF16・FP8・NVFP4の各チェックポイントがHugging Faceからダウンロード可能です。訓練データや手法も公開されているため、NVIDIA NeMoを使った独自のカスタマイズが可能です。NVIDIA Jetsonのようなエッジデバイスからデータセンター、クラウドまで幅広い環境にデプロイでき、Nemotronファミリー全体では過去1年で5,000万回以上のダウンロードを達成しています。

Anthropicは2026年4月28日、AIチャットボットClaudeを主要クリエイティブソフトウェアに直接接続する「クリエイティブコネクタ」の提供を開始しました。対応するソフトウェアはAdobe Creative Cloud、Blender、Ableton、Autodesk、Affinityなど多岐にわたります。今月初めに発表したClaude Designに続き、クリエイティブ業界への参入を加速する動きです。

各コネクタはソフトウェアごとに異なる機能を提供します。Adobe向けコネクタではPhotoshop、Premiere、Expressなどから画像・動画・デザインをClaude上で扱えるようになります。Blender向けコネクタは3DモデリングソフトのPython APIに自然言語インターフェースを提供し、シーンのデバッグや新規ツール構築、オブジェクト変更の一括適用が可能です。Ableton向けコネクタは公式ドキュメントを参照して質問に回答します。

Anthropicはこの発表に合わせて、Blender開発基金のCorporate Patronに就任したことも明らかにしました。Netflix、Epic Games、Wacomと並ぶ最上位スポンサー枠で、年間少なくとも24万ユーロ（約2,810万円）を拠出します。Blender財団はこの支援によりプロジェクトの独立した推進とアーティスト向けツール開発を継続できるとしています。

Anthropicは「Claudeは趣味や想像力を置き換えることはできないが、より速く野心的なアイデア出し、より広いスキルセット、大規模プロジェクトへの挑戦を可能にする」と述べています。反復的な作業の排除によって、クリエイターが創造的なプロセスに集中できる環境を目指す方針です。

Amazonは2026年4月28日、ショッピングアプリの商品ページでAI音声Q&A;機能「Join the chat」を公開しました。ユーザーが商品について質問すると、AIがリアルタイムで会話形式の音声回答を生成します。商品の特徴やカスタマーレビューなどの情報を統合し、店舗の詳しい店員と話すような体験を提供することが狙いです。

この機能の特徴は、ユーザーの質問に応じて会話が展開する点にあります。前の回答を踏まえてより関連性の高い情報を提供し、同じ内容を繰り返さないよう設計されています。例えば「このコーヒーメーカーは初心者向きか」「このセーターはチクチクしないか」といった具体的な質問に、レビュー情報を交えて答えることができます。

「Join the chat」は、昨年5月からテスト運用されている音声要約機能「Hear the highlights」の拡張として位置づけられています。「Hear the highlights」は数百万の商品ページで短い音声サマリーを提供しており、ユーザーは商品画像の下にあるボタンから音声要約を聴いたうえで、さらに詳しく知りたい場合に「Join the chat」で質問できます。

今回の機能追加は、AmazonのAIショッピングツール群の拡充の一環です。すでに商品リサーチを支援する生成AIアシスタント「Rufus」、ユーザーの好みに合った商品を継続的に提案する「Interests」、閲覧・購買履歴に基づく商品提案機能「Help me decide」などが展開されており、AI活用による購買体験の向上を加速させています。

OpenAIが公開した個人情報保護モデル「Privacy Filter」を活用し、Hugging Faceの開発者3名が実用的なWebアプリ3本を構築しました。Privacy Filterは15億パラメータのモデルで、活性パラメータは5000万、Apache 2.0ライセンスで提供されています。128Kトークンのコンテキストに対応し、PII検出ベンチマークで最高精度を達成しています。

1つ目の「Document Privacy Explorer」は、PDFやDOCXファイルをアップロードすると、個人名・メールアドレス・電話番号などの個人情報を自動検出してカテゴリ別にハイライト表示するアプリです。128Kコンテキストを活かし、文書全体を一括処理するためチャンク分割が不要です。

2つ目の「Image Anonymizer」は、スクリーンショットや画像内の個人情報を黒塗りで自動秘匿するツールです。Tesseract OCRで文字領域を抽出した後にPrivacy Filterで検出し、ピクセル座標の矩形として返します。ブラウザ上でバーの表示切替やドラッグ移動、手動追加も可能です。

3つ目の「SmartRedact Paste」は、テキストを貼り付けると秘匿済みの公開URLと、原文を確認できるトークン付き非公開URLの2つを生成するプライバシー対応ペーストビンです。多言語テキストにも対応しています。

3つのアプリはすべてgradio.Server上に構築されています。モデル推論は@server.apiデコレータでGradioのキューに載せ、ZeroGPU割り当てやプログレス通知を活用します。静的ページの配信にはFastAPIのルートを使い、モデル呼び出しとUI提供を明確に分離する設計パターンが共通しています。

食品流通プラットフォームのChocoは、OpenAIのAPIを基盤としたAIエージェントを導入し、食品・飲料の受発注業務を大規模に自動化しました。同社は米国・英国・欧州・中東で2万1000社以上の卸売業者と10万社以上の買い手をつなぐプラットフォームを運営しており、年間880万件超の注文を処理しています。

従来、注文はメール・テキスト・ボイスメール・手書きメモなど多様な形式で届き、担当者がERPシステムへ手入力していました。この作業は遅く、ミスも多く、事業拡大のボトルネックとなっていました。特に顧客固有のSKUマッピングや配送パターンといった暗黙知の処理が最大の課題でした。

ChocoはOrderAgentと呼ばれるAIエージェントを開発し、メール・SMS・画像・文書などマルチモーダルな入力を構造化された注文データに変換する仕組みを構築しました。さらにVoiceAgentをOpenAIのRealtime APIで実装し、電話での自然な注文受付をサブ秒のレイテンシで24時間対応可能にしています。

導入効果として、手作業による受注入力を最大50%削減し、営業チームは人員を増やさず生産性を2倍に向上させました。エラー率は1〜5%以下に抑えられ、自動化の閾値も設定可能です。評価基盤として少数の正解データセットによるA/Bテストと継続的モニタリングを実施し、精度を担保しています。

今後Chocoは、営業・商取引・サプライチェーン全体でより自律的なAIシステムの展開を計画しています。非エンジニアがエージェントオーケストレーターとしてAIシステムを設計・管理する新たな運用モデルへの移行を進めており、ワークフローソフトウェアからAI実行基盤への転換を加速させる方針です。

Canvaの新AI機能「Magic Layers」が、デザイン内の「Palestine」を自動的に「Ukraine」に置き換えていたことが2026年4月27日に発覚しました。この機能は平面画像を編集可能なレイヤーに分解するもので、文字内容の変更は想定されていません。Xユーザー@ros_ie9の投稿で問題が広く知られました。

この問題は「Palestine」という単語に限定されており、「Gaza」など関連する単語には影響がないことが確認されています。投稿が拡散した後、複数のユーザーが同様の現象を再現できたと報告しています。The Vergeの独自テストでは、修正後のためか単語の置換は確認されませんでした。

Canvaの広報担当者Louisa Green氏は「Magic Layers機能の問題を認識し、迅速に調査と修正を行いました」と声明を発表しました。同社は問題を深刻に受け止め、再発防止のための追加チェックを導入するとしています。また「ご迷惑をおかけしたことをお詫び申し上げます」と謝罪しました。

今回の問題は、CanvaがAdobeのAIデザインツール群に対抗すべく大規模なAI刷新を進めている最中に起きた失態です。Magic Layersは同社が「創作の次の時代の幕開け」と位置づけるAIアップデートの主要機能であり、プラットフォームの信頼性に影を落とす結果となりました。

2026年4月、韓国・大田市の動物園から2歳のオオカミ「ヌクグ」が脱走し、警察・ドローン・獣医師らが総動員で捜索にあたりました。ヌクグは1960年代に野生絶滅した韓国オオカミの復活計画における3世代目の個体であり、李在明大統領が安全な救出を約束するなど、国を挙げての関心事となっていました。

脱走から数時間後、交差点でオオカミを目撃したとするAI生成画像がSNS上で拡散しました。大田市はこの画像を受けて住民に緊急テキスト警報を発令し、警察も記者会見でこの偽画像を使用して捜索資源を誤った地域に振り向ける事態となりました。

警察は防犯カメラの映像確認やAIツールの利用記録の取得を通じて、40歳の男性容疑者を特定し逮捕しました。容疑者は「遊びで作った」と供述しています。

容疑者は捜索妨害の罪で最大5年の懲役または約100万円の罰金に直面しています。AI生成コンテンツが公的な緊急対応を実際に混乱させた事例として、各国の法整備議論にも影響を与える可能性があります。

ジャーナリストのカトリーナ・マンソン氏が新著『Project Maven』で、米軍のAI標的選定システム「Maven Smart System」の開発から実戦運用までの全容を明らかにしました。2017年に海兵隊情報将校ドリュー・キューコア大佐が主導し、ドローン映像へのコンピュータビジョン適用として始まったこのプロジェクトは、現在では衛星画像やレーダー、SNSなど数十のデータソースを統合する包括的な軍事AI基盤へと進化しています。

Mavenは当初Googleが開発を担当していましたが、2018年に社員の抗議運動を受けて同社が撤退しました。その後Palantirがユーザーインターフェースとデータ統合を担い、MicrosoftやAmazon、Anthropicの技術も組み込まれました。現在はNATOも導入しており、米軍の「プログラム・オブ・レコード」として正式な調達プログラムに格上げされる見込みです。

ウクライナ戦争がMavenの転換点となりました。米第18空挺軍団がドイツからロシア軍の戦車や陣地の特定にAIを活用し、1日に最大267件の「関心ポイント」をウクライナに提供しました。標的選定プロセスにおける人間の関与は6段階から2段階に削減され、AnthropicのClaude等のLLMの導入により、処理速度はさらに飛躍的に向上しています。

しかし、この加速には深刻なリスクが伴います。イラン攻撃の初日に米軍は1000以上の標的を攻撃しましたが、そのなかには元海軍基地を転用した女子校が含まれ、150人以上の子どもが犠牲になりました。データベースの更新漏れが原因であり、技術史家のケビン・ベイカー氏は「チャットボットが子どもを殺したのではない。データベースの更新を怠った人間と、その失敗を致命的にするほど高速なシステムを構築した人間がいた」と指摘しています。

米軍内部ではAI活用の拡大を巡り激しい議論が続いています。推進派はデータの監査可能性と透明性の向上を主張する一方、慎重派は最終段階での人間の判断こそが人命を守ると警告しています。マティス元国防長官も「多くの標的を攻撃することは勝利とは異なる」と述べています。さらにマンソン氏の取材では、爆薬搭載の無人水上艇など完全自律型兵器の開発計画も明らかになっており、AI兵器の倫理的課題は一層深刻さを増しています。

世界的に権威ある写真コンテストが、AI生成画像とAI加工ツールに関する詳細なルールを公表しました。応募作品はすべてカメラで撮影されたものに限定され、合成画像やAI生成画像は一切認められません。ポストプロダクションでの生成的塗りつぶし（ジェネレーティブフィル）の使用も自動的に失格となります。

スマートフォンで撮影した写真は標準撮影モードに限り応募可能です。HDRやポートレートモード、クリエイティブライティング効果、パノラマモードで撮影された作品は応募資格を失います。コンテストは「写真とは何か」という根本的な問いに対し、カメラによる光学的記録という原点に立ち返る姿勢を示しています。

一方で、AIを活用したスマートツールや補正ツールの使用は一定の条件下で認められています。条件は、画像全体に大幅な変更を加えないこと、新しい情報を追加しないこと、カメラが捉えた情報を削除しないことの3点です。

ただし、Adobe Super ResolutionやTopaz Photo AIなどAI拡大・シャープ化ツールは明確に禁止されています。これらは生成AIモデルに基づいて新情報を導入する仕組みであるため、コンテストの趣旨に反するとされました。写真業界におけるAI利用の線引きとして、今後の業界標準に影響を与える可能性があります。

Googleは2026年4月24日、AIアシスタント「Gemini」アプリの第10回Gemini Dropとして大規模なアップデートを発表しました。今回の更新では、macOS向けネイティブデスクトップアプリの提供開始、音楽生成AI「Lyria 3 Pro」による最大3分間の楽曲作成機能の無料開放、NotebookLMとの統合によるノートブック機能など、多岐にわたる新機能が追加されています。

パーソナライズ機能では、Personal IntelligenceとNano Bananaを組み合わせた画像生成が強化されました。ユーザーは自分の生活や趣味に合った画像を生成でき、Googleアプリとの連携により個人に最適化された支援を受けられます。この機能はグローバルに展開が開始されています。

実用面では、Gemini Liveのカメラ連携機能が日常生活を幅広くサポートします。冷蔵庫の中身を映してレシピ提案を受けたり、故障した設備を撮影して修理手順を案内してもらったり、植物の状態を診断してもらうことが可能です。部屋の写真をアップロードしてインテリアの模様替えをシミュレーションする機能も提供されています。

生産性向上の観点では、GmailにおけるGemini統合も注目されます。長いメールスレッドの要約や過去の領収書の検索に加え、米国のUltra Subscriberは受信トレイを自動整理するAI Inbox機能やAgent Modeを利用できます。複雑な概念を3Dモデルやチャートで対話的に可視化する機能も追加され、学習や分析の効率化が期待されます。

Googleは2026年4月のGoogle Cloud Next '26で、AIが本格的に業務を遂行する「エージェント時代」の到来を宣言しました。目玉となるGemini Enterprise Agent Platformは、AIエージェントの構築・管理・拡張を一気通貫で行える統合環境です。最新モデルのGemini 3.1 Proに加え、画像生成のGemini 3.1 Flash Image、音声のLyria 3、さらにAnthropicのClaude Opus 4.7も利用可能になります。ローコード開発環境のAgent Studioにより、機械学習の専門知識がなくても自然言語でエージェントを構築できます。

エンドユーザー向けにはGemini Enterpriseアプリが提供されます。ノーコードのAgent Designerにより、非エンジニアでもトリガーベースのワークフローを構築可能です。長時間稼働エージェントはセキュアなクラウドサンドボックス内で自律的に動作し、Agent Inboxで一元管理できます。Google Workspaceにも「Workspace Intelligence」としてエージェント機能が統合され、Docs・Drive・Meet・GmailをまたいだAI活用が可能になります。

インフラ面では第8世代TPUが発表されました。学習特化のTPU 8tと推論特化のTPU 8iの2種類で、TPU 8iは1ドルあたりの推論性能が80%向上しています。NVIDIAの次世代システムVera Rubin NVL72の早期提供も決定しました。大規模スーパーコンピュータ接続用のVirgoネットワークや、毎秒10テラバイト転送を実現するManaged Lustreなどストレージの刷新も発表されています。

データ活用では「Agentic Data Cloud」が登場しました。Geminiが企業データを自動的にタグ付け・関連付けするKnowledge Catalogにより、エージェントが業務固有の文脈を理解できるようになります。Apache Iceberg準拠のCross-Cloud Lakehouseは、AWSなど他社クラウドにあるデータもそのまま即座にクエリ可能です。

セキュリティ分野では、2026年に買収完了したWizとの統合が披露されました。脅威ハンティングエージェントや検知エンジニアリングエージェントなど、自律的にセキュリティルールを作成・更新する専用AIが提供されます。導入事例としては、Home DepotがGeminiで店舗・電話対応アシスタントを稼働させ、Unileverが37億人の消費者対応に全社的なエージェント展開を進めるなど、大手企業での実運用が広がっています。

画像・動画・音声の拡散モデルをノードベースのワークフローで制御するオープンソースツール「ComfyUI」が、Craft Ventures主導のラウンドで3000万ドルを調達し、企業評価額が5億ドルに達しました。Pace Capital、Chemistry、TruArrowも出資に参加しています。同社は2024年末にChemistry VenturesやCursor Capitalなどから1900万ドルのシリーズAを実施しており、今回はそれに続く資金調達です。

ComfyUIは2023年に拡散モデルの登場直後にオープンソースプロジェクトとして始まりました。MidjourneyやChatGPTのようなプロンプト入力型ツールでは、生成結果の6〜8割までしか意図通りにならないという課題に対し、ノードベースのインターフェースで生成プロセスの各段階を個別に制御できる仕組みを提供しています。

共同創業者でCEOのYoland Yan氏は、プロンプトで微調整を試みると完成していた部分まで変わってしまう問題を「カジノのスロットマシン」に例えました。ComfyUIでは特定の工程だけを差し替えられるため、最終出力の品質を確実にコントロールできます。この精密さがクリエイターに支持され、ユーザー数は400万人を超えています。

利用分野はVFX、アニメーション、広告、工業デザインなど幅広く、スタジオの求人で「ComfyUIアーティスト」や「ComfyUIエンジニア」が職種として掲載されるほど業界標準のツールになりつつあります。Yan氏は「AIスロップがあふれる世界で、人間がループに入るComfyのアプローチが最終的に支持を集める」と述べ、基盤モデルが進化しても精密制御の需要は続くとの見方を示しました。

AI生成のインフルエンサーがInstagramで急速にフォロワーを獲得し、その存在意義をめぐる議論が広がっています。カナダ人クリエイターのLuc Thierry氏が運営する「Jae Young Joon」は32万人以上のフォロワーを抱え、シートマスクの試用やコーチェラへの「参加」など、本物の人間と見紛う投稿を続けています。プロフィールには「AI generated」と明記されていますが、多くのフォロワーはそれを無視しているといいます。

今週、AI生成キャラクター「Santos Walker」と「Caleb Ellis」が映画『プラダを着た悪魔2』のプレミアのレッドカーペットに「登場」する画像を投稿し、バイラル化しました。配給元20th Century Studiosのスポンサー投稿ではなく、制作者が独自に作成したものでしたが、AIインフルエンサーによるブランドコンテンツの将来について激しい議論を呼びました。

制作者たちは互いにグループチャットでつながり、コラボ投稿やストーリーズでの相互タグ付けを通じてフォロワーを拡大しています。Thierry氏は2024年夏に自身の顔を出さずにコンテンツを作れる手段としてAIアバターの制作を始め、「Jae」のアカウントは昨年2月にシャツレスで踊るリール動画が約2,000万回再生されたことで急成長しました。

一方で、ブランド側はAIインフルエンサーとの協業に依然として慎重です。挑発的な水着ブランドCharlie by MZとのコラボ投稿は批判を受け、ブランド側が投稿を削除する事態にもなりました。Thierry氏の収益はSpotifyやサブスクリプション型AIクリエイターサイトFanvueからの数千ドルにとどまっています。

Thierry氏はAIモデル「エージェンシー」Born2BeAIの立ち上げや、ゲイAI男性モデル向けコミュニティVirtuomoの運営など事業拡大を進めています。「現実のインフルエンサーも加工された非現実的な姿を見せている。AIキャラクターとしてフィクションであることを明示するほうが誠実だ」と同氏は主張しますが、恋愛感情を抱くファンへの対応など倫理的な課題は残されたままです。

NASAはナンシー・グレース・ローマン宇宙望遠鏡を当初予定より8カ月早い2026年9月に打ち上げると発表しました。同望遠鏡は運用期間中に2万テラバイトものデータを天文学者に届ける見通しです。すでにジェイムズ・ウェッブ宇宙望遠鏡は毎日57ギガバイトの画像を送信しており、チリのヴェラ・C・ルービン天文台も年内に観測を開始して毎晩20テラバイトを生成する予定です。かつてのハッブル望遠鏡の日量1〜2ギガバイトとは桁違いの規模であり、天文学は本格的なビッグデータ時代に突入しています。

カリフォルニア大学サンタクルーズ校の天体物理学者ブラント・ロバートソン教授は、NVIDIAと15年にわたり協力してGPUを天文学に応用してきました。同教授の研究室が開発した深層学習モデル「Morpheus」は、自動運転車と同じ意味的分割手法を用いてピクセル単位で銀河を分類します。JWSTデータへの適用により、初期宇宙に存在するはずがないとされていた回転円盤銀河を多数発見し、宇宙の進化理論に新たな知見をもたらしました。この発見は当初懐疑的に受け止められましたが、その後独立した複数の研究で確認されています。

ロバートソン教授はMorpheusのアーキテクチャを畳み込みニューラルネットワークからTransformerに移行する作業を進めており、分析可能な領域が数倍に拡大する見込みです。また、NVIDIAのDLSSに概念的に近い手法を用い、宇宙望遠鏡のデータで訓練したモデルを地上望遠鏡の画像に適用することで、大気による歪みを除去して宇宙望遠鏡に近い鮮明さを実現しています。さらに大学院生が開発した「GalaxyFriends」というツールにより、約9万個の銀河を類似性に基づいて整理し、パターンの発見や異常検出を効率化しています。

一方で研究を支えるGPUインフラの確保は深刻な課題となっています。ロバートソン教授はNSFの助成金でサンタクルーズ校にGPUクラスタを構築しましたが、設備は陳腐化しつつあり、AI手法を使いたい研究者は増える一方です。さらにトランプ政権がNSF予算の50%削減を提案しており、研究基盤の維持が一層困難になる懸念があります。ロバートソン教授は「大学はリソースの制約からリスク回避的になる。研究者は起業家的に行動し、この分野の進む方向を示す必要がある」と述べています。

インドの22歳の医学生「Sam」（仮名）が、Google Geminiの画像生成機能を使って架空のMAGA支持者の女性インフルエンサーを作り上げ、数千ドルの収入を得ていることがWIREDの報道で明らかになりました。整形外科医を目指すSamは留学資金を貯めるため、オンラインでの副収入を模索していました。

当初は一般的なAI生成の美女画像をInstagramに投稿していましたが、まったく反響を得られませんでした。そこでGeminiに相談したところ、保守派・MAGA層をターゲットにすることが差別化の鍵だと提案されました。Geminiは「米国の保守的な高齢男性層は可処分所得が高く、忠誠心も強い」と分析しています。

この事例は、AIツールが政治的ニッチの収益性を具体的に助言できる段階に達していることを示しています。Googleの担当者はGeminiが特定の政治的意見を持たない中立設計だと説明しましたが、ユーザーの誘導次第でマーケティング戦略を提示する実態が浮き彫りになりました。

AI生成画像による偽のペルソナ作成は、政治的分断の悪用やオンライン詐欺との境界が曖昧です。生成AIの普及に伴い、プラットフォームの責任とコンテンツの真正性をめぐる議論がさらに加速しそうです。

GoogleはCloud Next 2026にて、Google Mapsおよび地理空間アプリケーション向けの新たな生成AI機能を発表しました。今回のアップデートはエンタープライズユーザーを主な対象としており、マッピングプラットフォームに高度なビジュアル分析とデータ分析能力を追加するものです。

目玉機能の一つ「Maps Imagery Grounding」は、Gemini Enterprise Agent Platformにプロンプトを入力するだけで、Google Street View上にリアルなシーンを生成できる機能です。映画のロケ地や建設予定地のイメージを数秒で可視化でき、Veoを使ったアニメーション化にも対応しています。

もう一つの新機能「Aerial and Satellite Insights」は、Google Cloud BigQueryに保存された衛星画像をAIで分析する機能です。Googleによれば、従来数週間かかっていた画像分析作業を数分に短縮できるとしています。

さらに、橋梁・道路・送電線など特定のオブジェクトを画像から識別する2つのEarth AIモデルも新たに提供されます。これにより、企業が独自にAIモデルを構築・学習させる必要がなくなり、数カ月の開発期間を省略できます。

これらの発表は、Googleがエンタープライズ向け地理空間AIへの注力を強化する動きの一環です。すでにAirbusやボストン小児病院が環境モニタリングや災害対応にEarth AIプラットフォームを活用しており、都市計画やデータ分析分野での応用拡大が見込まれています。

Googleは2026年4月22日、マルチモーダル埋め込みモデルGemini Embedding 2の一般提供（GA）を開始しました。プレビュー期間中にEC向け検索エンジンや動画分析ツールなど多数のプロトタイプが構築されており、今回の正式版ではこれらを本番環境へ移行するための安定性と最適化が施されています。

Gemini Embedding 2の最大の特徴は、テキスト・画像・動画・音声をネイティブに扱えるマルチモーダル対応です。従来はモダリティごとに個別のパイプラインを構築する必要がありましたが、単一モデルで横断的な検索・推論が可能になります。これにより、開発者は複雑なインフラ構成を大幅に簡素化できます。

提供チャネルはGemini APIとVertex AIの2系統です。個人開発者から大規模エンタープライズまで、既存のGoogle Cloudワークフローに統合しやすい設計となっています。

同モデルはGoogleの各種プロダクトを支える基盤技術であり、社内で蓄積された研究成果を外部の開発者コミュニティにも開放する位置づけです。RAGやセマンティック検索を構築する際の選択肢として、マルチモーダル対応の埋め込みモデルが正式版で利用できる意義は大きいといえます。

GoogleのGemma 4 VLA（Vision-Language-Action）モデルが、わずか8GBメモリのNVIDIA Jetson Orin Nano Super上で動作するデモが公開されました。音声入力から視覚認識、音声応答までを一台のエッジデバイスで完結させるチュートリアルで、NVIDIAのAsier Arranz氏がHugging Faceブログで詳細な手順を紹介しています。

デモの構成は、Parakeet STTによる音声認識、Gemma 4による推論、Kokoro TTSによる音声合成を組み合わせたパイプラインです。ユーザーがスペースキーを押して質問を話すと、モデルが質問内容を解析します。視覚情報が必要と判断した場合は、自律的にウェブカメラを起動して撮影し、画像を踏まえた回答を生成します。

技術的なポイントは、llama.cppを使ったローカル推論サーバーの構築です。モデルはQ4_K_M量子化版のGGUFフォーマットで提供され、ビジョンプロジェクターと合わせてGPUにオフロードされます。--jinjaフラグによりGemmaのネイティブツール呼び出し機能が有効化され、キーワードマッチングではなくモデル自身が視覚の必要性を判断する仕組みです。

導入手順はシステムパッケージのインストール、Python環境の構築、メモリの最適化、llama.cppのビルド、デバイスの設定、デモの実行という6ステップで構成されています。8GBという限られたメモリを最大限活用するため、スワップの追加やDocker・不要プロセスの停止といったメモリ管理の工夫も紹介されています。

テキストのみで試したい場合は、NVIDIA公式のDockerイメージを使ったワンライナーでの起動も可能です。ただしDocker版はビジョンプロジェクターを読み込まないため、VLAデモのフル機能は利用できません。エッジデバイス上でマルチモーダルAIを手軽に体験できる実践的なチュートリアルとなっています。

NVIDIAはアースデーに合わせ、AI技術で地球環境を保護する5つのプロジェクトを紹介しました。気候シミュレーション基盤「Earth-2」による高精度気象予測、絶滅危惧種オランウータンの保全、AIロボティクスによるリサイクル、津波早期警報、衛星画像のリアルタイム解析という5分野で、加速コンピューティングが環境課題の解決を後押ししています。

気象分野では、Earth-2がオープンなAI気象ソフトウェアスタックとして観測データの前処理から15日間の予測まで全工程を高速化します。Earth-2 Nowcastingは生成AIを活用し、国規模の予測をキロメートル解像度・6時間先までの局地予報に数分で変換します。データ同化モデル「HealDA」はNOAAやMITREと共同開発され、単一GPUで大気の全球スナップショットを数分で生成できます。

野生動物保全では、ボルネオとスマトラの熱帯雨林でGPU加速AIがオランウータンの巣をドローン画像から自動検出する研究が成果を上げています。従来は1時間のドローン飛行で30時間の画像分析が必要でしたが、AIモデルは1,800枚の画像を5分以内に処理します。InceptionV3ベースのモデルは99%超の精度を達成し、3種すべてが絶滅危惧種であるオランウータンの迅速な個体数モニタリングを可能にしています。

リサイクル分野では、NVIDIA InceptionメンバーのAMP社がAIロボティクスで廃棄物回収率90%を実現し、従来施設の約75%を大きく上回っています。これまでに20億ポンド以上の素材を埋立処分から転換し、推定73万9千トンのCO2排出を削減しました。NVIDIA Hopper GPUの採用でAI推論の消費電力も半減しています。

防災では、テキサス大学オースティン校のチームがカスカディア断層の津波予測でACMゴードンベル賞を受賞しました。物理モデルの事前計算とGPU処理により、従来手法の100億倍の速度で津波予測を完了し、沿岸住民の避難時間を確保します。また、Planet社はNVIDIAとの協業で衛星の生データからの画像処理パイプラインをGPUネイティブで構築し、山火事などの災害情報を従来の数時間から秒単位で提供する基盤を整えています。

OpenAIは2026年4月21日、ChatGPT Images 2.0を全世界のChatGPTおよびCodexユーザー向けに公開しました。今回のアップデートでは、同社のOシリーズ推論機能が画像生成に統合され、プロンプトに対してモデルがWeb検索やレイアウト設計を行ったうえで画像を生成する「エージェント型」のアプローチが導入されています。知識のカットオフは2025年12月に更新されました。

最大の技術的進歩は、テキスト描画の精度向上です。かつてAI画像生成の弱点とされていた文字の崩れが大幅に改善され、メニューや雑誌の表紙、科学図表など密度の高い構成でも正確な文字を生成できるようになりました。さらに日本語、韓国語、中国語、ヒンディー語、ベンガル語など非ラテン文字の描画にも対応しています。ただし非英語言語では一部不正確な出力も報告されており、今後の改善が期待されます。

機能面では、1つのプロンプトから最大8枚の画像を同時に生成でき、キャラクターやオブジェクトの一貫性を保持したまま漫画のシーケンスやソーシャルメディア用グラフィックの作成が可能です。解像度は最大2Kに対応し、アスペクト比は横長の3:1から縦長の1:3まで柔軟に設定できます。アーキテクチャは「ゼロから刷新」されたとのことですが、拡散モデルか自己回帰モデルかは非公開です。

提供体系は3層構造で、無料ユーザーには基本モデルを開放し、PlusおよびProユーザーにはWeb検索や複数画像生成を含むThinking機能を提供します。API向けにはgpt-image-2モデルが公開され、4K解像度のベータ版も用意されています。前モデルのGPT-Image-1.5はデフォルトから外れましたが、APIでのレガシーサポートは継続します。

競合環境では、GoogleのNano Banana 2やMicrosoftのMAI-Image-2がすでに市場に投入されており、画像生成AIの性能競争は一段と激しさを増しています。OpenAIは安全対策として、AI生成画像への透かし付与や選挙干渉防止のポリシーを堅持する姿勢を示しました。企業ユーザーにとっては、単なる画像生成ツールから「視覚的な情報整理システム」への転換点となる可能性があります。

AI企業Clarifaiは、出会い系アプリOkCupidから提供を受けた約300万枚のユーザー写真と、そのデータで訓練した顔認識AIモデルをすべて削除したことが明らかになりました。Reutersの報道によるもので、米連邦取引委員会（FTC）の調査を受けた対応です。

事の発端は2014年に遡ります。Clarifaiの創業者兼CEOであるMatthew Zeiler氏が、OkCupid共同創業者のMaxwell Krohn氏にデータ提供を依頼しました。OkCupidは写真に加え、ユーザーの人口統計データや位置情報も提供しましたが、これは同社自身のプライバシーポリシーに違反する行為でした。

この問題が表面化したのは2019年のことです。New York Timesの記事でClarifaiがOkCupidの画像を使い、顔から年齢・性別・人種を推定するAIツールを構築していたことが報じられ、FTCが調査を開始しました。FTCは、Match GroupとOkCupidが2014年以降この行為を意図的に隠蔽し、調査妨害を試みたと主張しています。

2026年3月、FTCとOkCupidの親会社Match Groupは和解に至りました。Match Group側は不正行為を認めていませんが、Clarifaiがデータ削除を確認したことで写真提供の事実が裏付けられた形です。和解条件として、OkCupidとMatch Groupはデータ収集・共有に関する虚偽説明を永久に禁止されました。ただし初回違反のため、FTCは罰金を科すことができませんでした。

NVIDIA、Adobe、WPPの3社は、企業のマーケティング業務を自動化するAIエージェント基盤の構築で協業を拡大すると発表しました。Adobe Summitで披露されたこの取り組みは、コンテンツの企画・制作・配信までを一貫して自動化し、パーソナライズされた顧客体験を大規模に提供することを目指しています。

3社はそれぞれ異なる強みを持ち寄ります。Adobeはクリエイティブツールと顧客体験プラットフォーム、WPPはグローバルなメディア・マーケティングの専門知識、NVIDIAはGPUコンピューティングとAIソフトウェア基盤を担います。新たに発表されたCX Enterprise Coworkerは、パーソナライゼーションからアクティベーションまでの顧客体験ワークフローを統合管理するAIエージェントです。

技術面では、NVIDIAのOpenShellランタイムがエージェントの安全な実行環境を提供します。ポリシーベースのサンドボックス内でエージェントが動作するため、企業のデータ境界やブランドルールを逸脱する操作を防止できます。「エージェントが何をできるか」を検証可能な形で管理できる点が、従来のポリシー管理との違いです。

コンテンツ生成の面では、Adobe Firefly FoundryがNVIDIAのAIインフラ上で稼働し、企業の独自アセットに基づいたカスタムモデルのチューニングを可能にします。これにより商用利用可能なブランド準拠コンテンツを大量生成できるようになります。さらに、NVIDIA OmniverseとOpenUSDを基盤とする3Dデジタルツインソリューションも一般提供が開始され、製品のデジタルツインを活用した高品質コンテンツの自動生成が実現します。

この協業により、グローバル小売企業が数百万通りの商品・顧客・チャネルの組み合わせに対して最適なオファーや画像を数分で更新するといった運用が可能になります。マーケティングチームは速度と安全性を両立しながら、常時稼働のパーソナライズ体験を提供できる新たな基盤を手に入れることになります。

Googleは2026年4月20日、Google Photosの画像エディターに新しいAIベースの顔補正ツールを追加したと発表しました。このツールは肌の質感を整えたり、シミを除去したり、目を明るくしたり歯を白くしたりといった微細な補正を数秒で適用できるもので、撮影時の気分をそのまま写真に反映させることを目指しています。

使い方は直感的で、写真内の顔を選択したうえで、ヒール・スムース・目の下・虹彩・歯・眉毛・唇の7種類のツールから使いたいものを選びます。各ツールは効果の強度をスライダーで調整でき、過度な加工を避けた自然な仕上がりが可能です。

対応デバイスはAndroid 9.0以上かつRAM 4GB以上を搭載したスマートフォンで、Google Photosアプリ上で利用できます。現在グローバルで段階的にロールアウトが進められており、順次すべてのユーザーに提供される予定です。

従来のGoogle Photosにも基本的な編集機能は備わっていましたが、今回の追加により顔に特化した細かな補正がアプリ内で完結するようになりました。サードパーティの美顔アプリを使わずとも手軽にポートレート写真を仕上げられる点が大きな利点です。

Googleは2026年4月20日、ChromeブラウザのAI機能「Gemini in Chrome」をアジア太平洋地域に拡大すると発表しました。対象国はオーストラリア、インドネシア、日本、フィリピン、シンガポール、韓国、ベトナムの7カ国で、デスクトップ版とiOS版のユーザーが利用可能です。ただし日本ではiOS版は対象外となっています。

Gemini in Chromeはパーソナライズされたブラウジングアシスタントとして機能し、長文コンテンツの要約や複数タブにまたがる情報の比較が可能です。さらにGoogleの主要アプリと深く統合されており、Googleカレンダーでの会議スケジュール設定、Googleマップでの場所確認、Gmailでのメール作成・送信、YouTubeの動画に関する質問など、閲覧中のページを離れることなく操作できます。

新たに搭載されたNano Banana 2機能では、Gemini in Chromeのサイドパネルでテキストプロンプトを入力することにより、ウェブ上の画像を変換できます。またPersonal Intelligence機能により、過去の会話コンテキストを記憶し、ウェブ閲覧全体を通じてユーザーに最適化された回答を提供します。

セキュリティ面では、設計段階からの安全性確保を重視しています。AIモデルはプロンプトインジェクションなどの既知の脅威を認識するよう訓練されており、機密性の高い操作を実行する前にユーザーへ確認を求めるセーフガードが組み込まれています。ユーザーが常に操作の主導権を握れる設計となっています。

2026年4月、Financial Timesが地理空間データ企業SynMaxの衛星画像を用いて、米国内のデータセンター建設計画の進捗を調査しました。土地の造成状況や基礎工事の進み具合を衛星から確認し、業界調査グループIIR Energyが集めた許認可書類や公式発表と照合した結果、約40%のプロジェクトが予定通りの完成に至らない見込みであることが明らかになりました。

遅延が確認されたのはMicrosoft、Oracle、OpenAIといった大手テック企業の主要プロジェクトです。これらの案件では完成予定日から3か月以上の遅れが生じる可能性が指摘されています。シリコンバレー各社がAI向けに数千億ドル規模の投資を進める中、計画と現実の乖離が浮き彫りとなりました。

建設業界の幹部十数人への取材からは、労働力・電力・機材の慢性的な不足が主因であると判明しています。特にOpenAI関連のプロジェクトでは、電気工や配管工といった技能労働者の確保が複数の現場で同時に困難になっている状況が報告されました。

電力面では、計画されたデータセンターが数十万世帯分に相当する電力を必要とするため、発電能力の増強と送電インフラの拡張が大きなボトルネックとなっています。さらに、トランプ政権が課した中国製変圧器などへの関税が機材調達のコストと期間を悪化させており、AI基盤整備の足かせとなっています。

NVIDIAは2026年4月17日、合成データのみで学習した多言語OCRモデル「Nemotron OCR v2」をHugging Faceで公開しました。英語・日本語・韓国語・ロシア語・中国語簡体字・繁体字の6言語に対応し、単一モデルで言語の事前指定なく文書を読み取れます。データセットとモデルはともにオープンライセンスで提供されています。

従来のNemotron OCR v1は英語専用で訓練されており、日本語や韓国語ではNormalized Edit Distance（NED）が0.7〜0.9と実用に耐えない精度でした。多言語化の課題はモデル構造ではなく学習データの不足にありました。実世界の文書画像を6言語分収集・アノテーションするコストは現実的でないため、チームは合成データによるアプローチを選択しました。

合成データパイプラインはSynthDoGを大幅に改良したもので、単語・行・段落の3階層バウンディングボックスと読み順グラフを自動生成します。CJK言語ではスペース区切りがないため行単位の認識を採用し、165〜1,258種のオープンソースフォントを使用。多様なレイアウトテンプレートとデータ拡張により、合成画像でも実文書への汎化性能を確保しています。

ベンチマーク結果は顕著です。SynthDoG評価では全言語でNEDを0.035〜0.069に低減し、言語別の専用モデルであるPaddleOCRをも上回りました。実文書ベンチマークのOmniDocBenchでは、PaddleOCR v5の毎秒1.2ページに対し毎秒34.7ページを達成しています。この速度はFOTSアーキテクチャに基づく特徴マップの共有設計によるもので、検出用バックボーンの畳み込み処理が1回で済むため下流コンポーネントのオーバーヘッドが最小化されています。

このパイプラインの拡張性も注目に値します。新しい言語への対応に必要なのは対象言語のソーステキストとフォントだけで、モデル構造の変更や手動アノテーションは不要です。mOSCARコーパスが163言語をカバーし、Notoフォントファミリーがほぼ全てのUnicodeスクリプトに対応しているため、さらなる多言語展開への道筋が明確に示されています。