動画（マルチモーダル）に関するニュース一覧

ロボット向けシミュレーションを手がけるPhysiclは2026年11月、Inovia Capital主導のシードラウンドで1000万ドルを調達しました。創業者兼CEOのアレックス・ド・ヴィガン氏は、現実に近い仮想環境と合成データを提供し、ロボットや世界モデルの訓練を支援します。

同社の「Studio」には1万の3D環境と10万のアセットが含まれ、利用者は個別の課題に合わせた場面を作れます。例えば、散らかった台所や影の中にあるカップをロボットが見分ける訓練データを生成できます。

ロボット開発では、動画だけを使った学習の効果や、遠隔操作でデータを集める費用が課題です。仮想環境は有力な選択肢ですが、形状や素材、物理法則を現実に近づける必要があります。Physiclは、前身企業で培った3D再現技術をこの課題に転用します。

初期顧客の世界モデル企業SpAItialは、製品の再現性を高めるためにPhysiclの合成データを利用しています。Physiclは将来、学習状況に応じて必要なデータを自動生成する基盤を目指しており、訓練データの準備にかかる時間を短縮できるかが注目点です。

OpenAIはバイオ企業Ligoと、AIが日常的なウェットラボ実験をどこまで解釈できるか測るベンチマーク「BioBasicsBench」を公開しました。100課題で生データや実験上の問題を読み取り、証拠が結論を支えるか判断する能力を評価します。

課題はタンパク質実験、顕微鏡画像、測定、核酸、分子クローニングの5領域にまたがります。ゲル画像や細胞画像、実験器具の記録などを使い、実験者が日常的に行う分析を再現しています。

高い推論設定での平均得点は、GPT-6 Astraが66.7％、GPT-5.6 Solが43.8％でした。前者は画像や動画を含むデータの扱いで改善を示しましたが、誤ったラベルや実験の前提に引きずられ、結論を誤る例も残っています。

課題作成には研究者が参加し、別の研究者による内部確認と、ウェットラボ経験を持つ博士号取得者の外部確認を経ています。OpenAIは、ベンチマークを使って実験データの解釈や対照条件の確認を改善し、AIの研究支援と安全性を評価する考えです。

Metaは11月5日、AIエージェント「Muse」と音声や動画でリアルタイムに会話できる機能を米国の全利用者に公開しました。9月の開発者会議で発表した機能で、スマートフォン、ウェブ、Macから利用できます。

対話にはMuse Realtime AvatarとMuse Realtime Voiceの技術を使います。アニメーションのアバターは会話の調子に合わせて表情や身ぶりを見せ、利用者は人物や動物などに外見を変えられます。

Metaは、アバターを通じたやりとりが利用者とAIのつながりを強めると見ています。アバターは利用者を視認せず、音声を聞いて会話に応じる仕組みです。

同社は年内にMuse向けの小型ウェアラブル端末「Muse Charm」の投入を計画しています。音声対話は今後、AIグラスや同端末にも広げる予定です。

Googleは動画生成モデル「Gemini Omni 1.2 Flash」を公開し、Google Vidsにも搭載しました。Googleアカウント利用者はVidsで月3本まで、最大15秒の動画を無料で作成できます。

新モデルは従来の最大10秒から15秒へ延長し、3秒から1秒刻みで長さを指定できます。会話を通じて一部を修正でき、全編を作り直さず細部を調整できます。

人物や商品の画像、短い動きの映像、音声を参照に使い、顔や衣服、包装デザインなどを動画の最初から最後まで保つ機能も強化しました。下書きを360pまたは720pで作り、選んだ映像を1080pや4Kへ拡大する使い方を想定します。

Gemini APIと法人向けサービスでも一般提供を始めました。APIの720p動画価格は1秒あたり0.07ドルで、前世代より30％下がったとGoogleは説明しています。

Dropboxは11月5日、クラウド技術企業Tigris Dataを3億5000万ドルで買収すると発表しました。同社にとって過去最大級の買収で、2026年第4四半期の完了を見込みます。

買収技術は、AIモデルやエージェントを開発する企業向けの新サービス「DBX Agent Cloud」に生かします。当初はAmazon S3対応ツールと組み合わせて使えるオブジェクトストレージを単独提供します。

Dropboxは文書や画像、音声、動画を扱う機能や、AIエージェントが作業をまたいでファイルを管理する仕組みも追加する計画です。利用者は複数のAIモデルを選び、ChatGPTやClaudeなど外部ツールにDropboxの内容を接続できるようになります。

同社によると、新しいAI体験はすでに7万を超えるチームに提供されています。米国、英国、オーストラリアの対象顧客から展開し、2027年に対象拡大を予定しています。

AIモデルの推論基盤を提供する米Falは、シリーズFで13億ドルを調達し、評価額が160億ドルになったとTechCrunchが報じました。4月時点の80億ドルから倍増し、推論サービスへの需要拡大を反映しています。

調達はBessemer Venture Partnersが主導し、Nvidia、Sound Ventures、T. Rowe Priceが参加しました。FalはシリーズEとFを同時に発表し、両ラウンド合計で16億5000万ドルを調達したと説明しています。

サンフランシスコ拠点のFalは、動画、画像、音声のAIモデルをホストし、利用者の要求に応じて実行する推論サービスを提供します。年換算売上高は今年、8億ドルを超えたとBloombergの報道は伝えています。

一方、推論事業者はモデルを動かす計算資源の購入やリースに多額を要し、粗利益率が低いと記事は指摘します。需要の急増が成長を支える一方、計算費用を抑えられるかが事業拡大の焦点です。

米カリフォルニア州のシャスタ山で、登山者3人が食料不足や体力の見誤りに加え、GoogleのAIチャットボットGeminiに頼った計画を経て、暗闇の下山後に道に迷い救助を求めました。記事は、AIの助言が誤っていても説得力を持ち、山岳地帯では安全上の重大な結果につながり得ると伝えています。

現地の森林局担当者によると、別の来訪者はAIの案内を根拠にキャンプ禁止区域にテントを張り、誤った地図を持っていた人もいました。カナダではClaudeを使って計画した16歳が岩棚からヘリコプターで救助されましたが、本人は地図アプリなども参照していました。

グランドティトン国立公園では、旅行情報にAIを使ったと答える来訪者の割合が、前年のゼロから26％に増えたと管理者が述べています。一方、AIの普及が山岳事故や捜索救助の増加につながるかはまだ分からず、地域によって救助要請の推移も異なります。

専門家は、AIが根拠の不確かな情報を自信ありげに示すことに加え、利用者が自分で考えるのをやめる「認知的な委譲」を懸念します。詳しい指示や励ましが、古い動画や掲示板の情報、あるいは生成された内容に基づくこともあります。

登山計画では、最新の公有地管理機関の地図や公式サイト、登山団体、ガイドブックなどで情報を照合するよう専門家は勧めています。必要に応じて森林局職員や公園管理者、現地ガイドにも確認し、危険な場所へ入る前に自分で計画を検証することが重要です。

Metaは2026年10月29日、手持ちの服を使った着こなしを提案するAIアプリ「Style Sketch」を提供開始しました。Instagramの投稿写真から仮想クローゼットを作るか、服を撮影・動画撮影して手動登録できます。アプリは登録した服を組み合わせ、利用者のスタイルに合うコーディネートを提示します。

提案された服装は、体形や肌の色に合わせたモデル上で試着イメージを確認できます。特定の服を指定し、それを中心に新しい着こなしを考える機能もあります。

旅行時には目的地、日数、予定する活動を入力すると、天気予報や旅程を踏まえた日ごとの服装プランを作れます。服の整理から日々のコーディネート、旅行準備までを一つのアプリで支援する設計です。

アプリはiOSとAndroid向けにインドネシア、シンガポール、タイで提供されています。MetaはTechCrunchの取材に回答しておらず、他地域への展開予定は明らかになっていません。

音声AI企業Deepgramは10月29日、リアルタイム音声・動画基盤を提供するDailyを買収すると発表しました。買収額は公表していません。Dailyが開発・保守するオープンソースの枠組み「Pipecat」を維持し、音声エージェントの基盤を強化します。

Pipecatは音声や動画のストリームに、音声認識、大規模言語モデル、音声合成などをつなぎ、遅延を抑えるフレームワークです。Dailyは通話向けのホスト型基盤も提供しており、Deepgramは買収を通じてリアルタイム通信の知見を取り込む狙いです。

Deepgramのスコット・スティーブンソンCEOは、開発者が用途に合うモデルを選べる開放的なエコシステムを目指すと説明しました。Pipecatに複数のモデルを接続し、音声の表現力を備えたエージェントや、音声と他の機能を結ぶ仕組みを構築できるとしています。

同社はPipecatチームと共同開発したオープンな「Real-Time Context Standard（RCS）」も発表しました。音声から得た文脈や、言語モデルがその情報をどう使うか、応答をどのように話すかといったメタデータを定めます。

音声AI分野ではモデル開発企業と基盤企業の双方に投資が集まり、提携や買収も進んでいます。今回の買収は、オープンソースを保ちながら複数モデルを組み合わせる開発環境を広げ、Deepgramが音声以外のリアルタイム通信へ展開する足場にもなります。

GoogleとXREALは10月28日、Android XRを搭載した有線型XR眼鏡「XREAL AURA」を発表しました。透明レンズに空間コンテンツを重ね、視野角は70度、眼鏡本体は95グラム未満です。バッテリーとSnapdragon Reality Eliteを収めた携帯型の計算ユニットをケーブルで接続し、重い処理を担います。

AURAでは複数のAndroid XRアプリを視界内に並べられ、Geminiは周囲や画面上の内容を認識して質問に応じます。映像出力対応のUSB-CでノートPCを接続すれば、PC画面を配置可能なウィンドウとして表示でき、追加ソフトは不要です。

動画や写真を立体表示したり、YouTubeやGoogle TVなどの映像を視聴したりできます。Google PlayのゲームやXR向けゲームにも対応し、PCや携帯ゲーム機の画面を映すことも可能です。

AURAは米国、カナダ、韓国で注文を受け付け、日本では11月2日に発売予定です。年末までの発売価格は1099ドルからで、米国ではBest Buyからも購入でき、出荷は11月中旬に始まります。

音楽機器メーカーのAkaiは、正式発表前の37鍵モデル「MPC Sample Key」を開発者に先行提供し、改造コミュニティーによる試作を公開しました。同機種はオープンソースのファームウェアを採用する予定で、AIを使ったコード作成によるシンセ追加や独自OSの例も紹介されています。通常のMPC Sampleにも同様の機能が加わる見通しで、機器の拡張に利用者の開発を取り込む動きです。

公開された動画では、Native InstrumentsのMassiveを含むシンセや、アナログ方式を模した音源、FM音源が動作しています。一部の改造機は、複数のシンセを組み込んだ独自OSを実行しています。

MPC Sample Keyは手頃な「MPC Sample」を37鍵仕様にした製品です。上位機のMPC Key 37とは異なりパッドを備えず、鍵盤でサンプルを再生します。ソフトウェアはMPC Sampleを基に、鍵盤やピッチ、モジュレーション用のホイールに合わせて調整される見込みです。

Akaiの親会社inMusicのジャック・オドネルCEOは、開発者に初期機を提供し、改造を後押しする方針を示しました。取り組みには一部ソフトウェアのオープンソース化とSDKの提供も含まれます。通常のMPC Sampleにも同様の機能が加わる可能性が示されていますが、プラットフォーム全体を公開するかは明らかになっていません。

米メディアAxiosは2026年秋、企業契約者のAIエージェントにM&A;情報を届ける「Axios Direct」の初配信を始めました。検索流入が縮み、ニュース消費がLLMへ移ると見込み、人間向けの読み物ではなく、機械が効率よく処理できる標準化テキストと構造化データで提供します。まず年額2,499ドルのAxios Pro Deals契約者を対象とします。

Axiosは2027年、企業の社内LLMの学習元となる第2の配信と、個人契約者が自分のエージェントへ記事を送れる第3の配信を計画しています。いずれも見栄えより機械可読性を優先し、RSSに似た定型テキストを採用します。

テクノロジーメディアのEveryは、別の道を選びました。記事に実行用プロンプトや「Read With Claude」「Read With ChatGPT」ボタンを組み込み、取材データから読者の関心に合わせた記事、ポッドキャスト、動画をエージェントが作れるようにしています。

ただし、AIエージェント向け出版の市場はなお未成熟で、価格設定や将来の利用方法は定まっていません。チャットボットが一般情報を即答する中、Everyは実践的なAI活用法、Axios Pro Dealsは市場を動かし得る速報という、他では得にくい情報に課金の根拠を置きます。

Axios幹部は、AIを読者そのものではなく、読者へ届けるための道具と捉えています。サイト訪問がなくてもブランド露出には価値があるとの見方はあるものの、AIによる参照が売上へ結び付くかは、今後の検証課題です。

アメリカの半導体大手Nvidiaが、インド・ベンガルールのAI推論基盤新興Simplismartによる1,400万ドルのシリーズBに参加したことが、2026年10月27日に明らかになりました。企業が既存のクラウドや自社設備でAIモデルを動かす際、速度・処理量・計算資源を用途別に調整し、高価なGPUの使用量と運用費を抑えるソフトに賭けた形です。

Nvidiaのほか、Accel、Shastra VC、Micromaxが参加し、Dallas Venture Capitalが調達を主導しました。新規資金を含むSimplismartの企業価値は約1億ドルです。

SimplismartのソフトはAIモデルと計算基盤の間に入り、応答速度、処理件数、計算資源の消費を顧客要件に合わせて調整します。自社基盤だけでなく、顧客のクラウドやオンプレミスでも動き、微調整、自動拡張、性能監視まで提供します。

導入実績では、AI動画生成のInVideoがGPU運用費を56％削減しました。直近の顧客利用額に基づく年間換算収益ペースは半年で14倍となり、8桁ドル規模に達しましたが、契約済みの継続収益とは異なります。

Nvidiaは自社のDynamo推論ソフトとの技術統合でも協業し、見込み客や提携先の紹介を支援しています。Simplismartは調達資金をアメリカ事業、採用、推論ソフト開発に充て、Nvidiaや大手クラウド各社も競う市場で顧客ごとの速度と費用の均衡を狙います。

Liquid AIは2026年10月27日、企業が自社管理の端末やサーバーで使える小型マルチモーダルモデル群「LFM3」を公開しました。言語、画像・動画、音声、複合入力、構造化判断を扱う6モデルを約20億パラメータ級でそろえ、単一GPUで自社データに追加学習できる設計です。推論場所とデータ管理を選びやすくし、用途特化型AIの導入負担を下げる狙いです。

LFM3-1.7Bは、短い畳み込みと局所・大域注意を組み合わせる「トライハイブリッド」構成を採用しました。Liquid AIによると、前世代の2.6Bモデルよりパラメータを35％減らしながら、ブラウザ操作のWebArena-Verifiedで38.42点を記録し、Qwen3.5-9Bの28.94点を上回りました。

対応範囲は文章生成にとどまりません。画像・動画を読むLFM3-VL-2B、18言語の音声入出力に対応するAudio、視覚・音声・言語を統合するOmni、分類や抽出を確率付きで返すd1系を用意し、文書処理や問い合わせ振り分けなどの定型業務を想定しています。

小型化はそのまま低コスト運用を意味しません。4ビット量子化したテキストモデル本体は約1GBですが、長い文脈を扱う際のKVキャッシュやアプリ本体のメモリは別に必要で、公開版の256Kに対してAPI版の文脈上限は128Kです。

企業はまず、抽出項目や許可するツール操作を限定した業務で試すのが現実的です。性能値はLiquid AIの報告で独立検証ではなく、複雑な多段推論やエージェント型コーディングには非推奨とされています。年間売上高1,000万ドル超の企業は商用利用に別契約が必要なため、精度、失敗時の人手対応、機器費、ライセンス費を合わせて判断すべきです。

イーロン・マスク氏が長編の「歴史的に正確な」映画化を予告してから3カ月後、Grokは2026年10月25日、AI生成版「オデュッセイア」の冒頭7分を公開しました。Wonder Studiosと監督デブ・ウォーカー氏との共同制作で、今回の映像を「シリーズ第1話」と位置づけた点が、AI映像制作の現在地を示す発表です。

公開映像は、英国風の語りによる長い背景説明から始まり、ひげを生やした登場人物らの場面へ移ります。古代ギリシャ語は使われておらず、記事は「歴史的に正確」という当初の主張には一定の脚色があると指摘しました。

TechCrunchの評者は、一部のカットには実写と見間違えるほどの質感があり、マスク氏が最近投稿した別のAI動画よりも完成度が高いと評価しました。一方で、芸術性や着想、人間的な関心が乏しく、長い説明と硬いせりふが物語の勢いを損なっていると批評しています。

対照的に、クリストファー・ノーラン監督版は視覚効果も使いながら実地撮影を軸に、6カ国、数千人規模の出演者・制作陣で制作されました。2026年7月の公開後は興行面で成功し、IMAX上映は数カ月先まで完売、次回アカデミー賞の有力候補とみられています。

今回の7分は、AIが個々の映像で現実らしさを再現できても、長編を支える構成や人物への共感までは自動的に生まれないという評価材料です。生成AI映像を事業に使う際は、画質だけでなく物語設計と視聴維持を分けて検証する必要があります。

米ペンシルベニア州のジョシュ・シャピロ知事が、AIで作成・変更した広告の表示に関する法律に署名したとThe Vergeが報じました。消費者を誤認させる広告への対応として、AIの利用を同じ形式で知らせる仕組みを求めています。

対象には、画像や動画、音声、テキストなど、AIで大きく作成・変更された広告が含まれます。制作された場所にかかわらず、法律の対象となる広告の扱いが問題になります。

一方、パロディー、風刺、論評、フィクションなどには例外があります。どのような表現が消費者の認識を誤らせるのか、実際の適用範囲には解釈上の論点が残ると記事は指摘しています。

今回の報道は州レベルの立法であり、米国全体に同じ規則が導入されたという意味ではありません。生成物を使う広告と、表示によって透明性を確保する制度の関係を示す動きです。

Hugging Face傘下Pollenの小型ロボットMicroduckについて、同社のクレム・ドゥラング氏は予約が2万台を超えたと説明しました。NVIDIAのジェンスン・フアン氏がGTC Berlinで紹介した動画が、注目を集めるきっかけになっています。

製品は、利用者や開発者が新しい動作を教えられるオープンソースのロボットとして紹介されています。完成した動作を使うだけでなく、コミュニティによる改良を想定した仕組みです。

NVIDIAのシミュレーション環境を使った開発も話題になっています。小型の実機とシミュレーションを組み合わせ、ロボットの行動を試す入口になるという位置づけです。

記事時点ではクリスマスに向けた配送が予定されています。2万台という数値は会社側が示した予約件数であり、配送済みの台数や継続利用の実績とは区別する必要があります。

NVIDIAは2026年10月22日、物理AIが現実世界を理解・シミュレーションする「世界モデル」の開発基盤Cosmosを拡充しました。学習データの生成・整備から、公開モデルの追加学習・軽量化、シミュレーション評価、NIMによる配備までを一体化し、ロボットや自動運転、映像解析の開発期間と計算負荷の削減を狙います。

Cosmos Data Factoryは、映像データのラベル付け、選別、拡張、評価をGPUで加速し、自動運転データ生成、静止画からの希少・危険事象動画生成、欠陥画像生成など5種類の設計図を提供します。PorscheはVolkswagen Group共通の自動運転データ循環基盤に採用し、物理的な反復走行を最大90％、開発期間を最大85％減らせると見込んでいます。

ANYboticsは実世界のデータと1500本を超える合成映像を組み合わせ、産業用点検ロボットに液体漏れなどを認識させました。Ultralyticsは実画像と狙いを定めた合成欠陥でYOLOを再学習し、欠陥位置の特定精度と再現率を改善しました。

Cosmos Frameworkは、GR00TやAlpamayo、QWEN、Pi0.5などの公開モデルを追加学習や強化学習で適応させ、蒸留・量子化を経て配備する機能をエージェントスキルとして広げました。MicroAGIはCosmos 3を人の物体操作映像で追加学習し、320億パラメータの推論モデルを精度を落とさず80億パラメータへ蒸留したとしています。

新しいCosmos 3 Nanoは、再現可能で実際には捉えにくい多視点・多センサー環境で、自動運転車や双腕ロボットの方策を実機試験前に評価できます。更新したCosmos 3 NIMは、検証済み構成で品質を保ちながら推論を最大2倍に高速化します。これを使う映像検索・要約基盤VSS 3.3は、同じGPUで監視映像を40％多く処理でき、ADNOCは関連技術で65拠点の危険検知に取り組んでいます。

Googleは2026年10月22日、広告主の投資利益率（ROI）向上を支援する月次シリーズ「Google Marketing Platform Drops」を開始しました。初回はGeminiモデルを使うDisplay & Video 360の在庫選定、Search Ads 360の新ホーム画面、LinkedInのCTV広告在庫を公開し、認知から購買までの運用効率化を狙います。

Google Marketing Platform Dropsは、同社の広告製品に関する最新情報を毎月紹介するシリーズです。縦型動画による認知獲得、Search Ads 360による成果向上、コネクテッドテレビ（CTV）から購入までを対象に据えています。

Display & Video 360のMarketplaceでは、Geminiモデルが広告主に合わせたメディア枠の組み合わせを提示し、ライブスポーツや大型イベント向けの枠をワンクリックで有効化できるようになりました。さらにLinkedInのCTV広告在庫を追加し、購入・計画・効果測定の一元化に対応します。

Search Ads 360の新しいホーム画面はカスタマイズ可能で、Geminiモデルが洞察を集約し、提案の生成から施策の実行までを支援します。Googleは、変化する広告成果をリアルタイムで把握し、運用を迅速化する狙いを示しました。

Googleによると、GartnerはGoogle Marketing Platformを広告プラットフォーム分野の「Leader」に位置付け、フルファネル、認知、成果の全用途で首位と評価しました。初回発表はAIによる運用支援と在庫統合を軸に、複数の広告接点を同じ基盤で扱う方向性を明確にしています。

Google CloudとNVIDIAは2026年10月21日、Vera Rubin NVL72を搭載するA5Xインスタンスを11月に一般提供すると発表しました。欧州への展開も計画し、複数拠点で最大96万個のRubin GPUまで拡張する方針で、学習、推論、大規模強化学習を一つの基盤で支えます。

A5XはVera Rubin NVL72、ConnectX-9 SuperNIC、Google CloudのVirgo Network、第4世代の液冷技術を統合します。計算、ネットワーク、ストレージをAI Hypercomputerとしてまとめ、エージェント推論と経験から学び続ける強化学習を大規模に実行できる設計です。

最初の顧客であるIneffable Intelligenceは、AlphaGo開発者のデビッド・シルバー氏が設立した企業で、継続的に経験から学ぶスーパーラーナーの研究にA5Xを使っています。WPPはNemotronとOpenShellを用いた動画生成、高解像度化、再スタイル化の多段階工程を実証し、初期試験では通常は複数ノードが必要な処理を単一のA5Xで動かしました。

WPPの仕組みは実行前に人の承認を求め、OpenShellの管理された実行環境で機密性の高いブランド資産や制作ツールへのアクセスを制御します。Google Cloudは別途、GB300 NVL72搭載のA4X Maxベアメタルでラック規模のNVIDIA Confidential Computingを提供する計画で、RTX PRO 6000 Blackwell搭載G4仮想マシンでは機密推論と追加学習向けに同機能を一般提供しています。

両社はVera Rubin基盤へのDSX MaxLPS導入も検討し、データセンターの電力枠内でワット当たり性能と収容能力の最適化を目指します。企業が導入を判断する際は、最大GPU数は計画値、単一A5Xの成果は初期試験である点を踏まえ、提供地域や実環境での性能を確認する必要があります。

Hugging FaceのPyTorchチームは2026年10月20日、Apple製GPU向けMPSを大幅に強化したPyTorch 2.15の変更点を公開しました。MPSGraph処理を専用Metalカーネルへ移し、Mac上での大規模言語モデル生成、動画処理、線形代数を高速化・省メモリー化しています。

M3 Ultra上でtorch.compileを使ったMoEモデルの生成速度は、PyTorch 2.14比で5〜6.5倍になりました。Qwen3.6-35B-A3Bは毎秒9.4トークンから61.3トークンへ伸び、語彙全体へのsoftmaxも約8倍高速になっています。

MPSは1値1バイトのFP8形式に対応し、FP16やBF16の半分の容量で重みを保持できます。Wan2.2のタイル分割VAEでは、パディングをMetalへ移したことでドライバーメモリーのピークが約270GiBから約8GiBへ減り、Qwen-Image-2.1の画像破損も同じ変更で解消しました。

Pythonから処理先を選べるMPSストリームも公開し、複素数のLU分解や三角行列求解など対応演算を増やしました。利用にはAppleシリコン、macOS 15以降、Python 3.11以降が必要で、次期2.16ではAttentionの全面Metal化も計画しています。

NVIDIAは10月20日、臨床の胆嚢摘出術の映像と手術ロボットの動作記録を学習し、器具操作に応じた映像をリアルタイム生成する研究用シミュレーターCosmos3-H-Dreamsを公開しました。臨床手術記録で学習し、運動入力をライブ制御できる初の生成型手術シミュレーターだとし、単一のRTX PRO 6000 GPUで対話動作します。

基盤には160億パラメータのCosmos3-H-Embodied-Nanoを使い、二本の器具の姿勢、把持、エネルギー操作など28次元の入力を処理します。学習映像は832×480画素で、動作を10Hzにそろえました。

長時間の連続生成では、教師モデルを将来72フレームまで学習させ、自己生成した履歴にも耐える生徒モデルへ蒸留します。四段階と二段階のノイズ除去モデルを別々に提供し、二段階版は画質と引き換えに速度を高めます。

FlashDreamsが低遅延の連続生成を担い、FadeMemが長時間実行で増える記憶領域を圧縮します。同じ初期画像でも操作列に応じて異なる術野を生成し、器具、組織変形、解剖構造の時間的一貫性を検査できます。

ただし、見た目の現実感は生体力学的な正確さの証明ではありません。NVIDIAは患者診療向けに検証済みのシステムではないと明記し、コード、モデル、データ、独自データへの適応手順を研究者向けに公開しています。

Googleの研究チームは10月20日、診察予約後に患者と会話し、症状や病歴を整理する医療AIエージェントAMIEの研究状況を公表しました。標準的な問診票より具体的な追加質問を行い、要約を医師へ渡すことで、診察時間を情報収集から共同意思決定へ振り向けます。医師と患者の対話時間をさらに増やす狙いです。

例えば腰痛なら、痛みの種類、発症時期、正確な場所を順に尋ねます。医師は基本情報の確認を減らし、原因の検討や治療選択肢の説明に時間を使えると研究者は説明しています。

臨床研究では、参加者が診察前にAMIEと任意で会話し、その病歴要約を担当医へ共有しました。安全上の問題に備えて訓練済み医師が全対話を監督しましたが、中断や介入は一度もありませんでした。

次段階では、米国全土で患者数を増やし、対照群を設けた無作為試験を進めます。AMIEは文字チャットから画像共有へ広がっており、音声や動画を使う対話も研究対象です。

Eka Roboticsは1億5000万ドルのシリーズA資金調達を完了し、調達後評価額が14億5000万ドルになりました。力の感覚を利用するグリッパーとAIモデルを開発し、物を速く、壊さずにつかむ作業を目指しています。a16zとF-Primeが主導した調達で、同社は産業用途での試験導入を進めています。

同社によると、1キログラム以下の物体を1時間に約1500個扱い、把持成功率は95%を超えます。視覚で位置を捉えた後、接触時の力を細かく使って制御する仕組みで、柔らかいラズベリーなどにも対応する様子が紹介されています。

学習には物理シミュレーションと強化学習を利用します。人間による作業動画だけに頼らず、大量の接触経験を仮想環境で生成し、高速な動作と対象物への適応を両立することが狙いです。

実験での性能がそのまま工場の長期稼働を保証するわけではありません。グリッパーは500万回の動作に対応するとされますが、同社は2000万回を目標にしており、耐久性と現場での安定運用が次の検証課題です。

AI推論向け半導体を開発するTenstorrentは2026年10月19日、15億ドルを調達し、企業評価額が62億ドルになったと明らかになりました。資金調達はTrace CapitalとInnovation Xが主導し、オープンウェイトAIモデルや動画生成を処理するチップの事業拡大に充てます。同社はNvidiaが優位に立つAI半導体市場で独立路線を続けます。

今回の評価額は、2024年末の26億ドルから2倍超に上昇しました。出資者にはCadence Ventures、Eclipse、Fidelity、SanDisk、T. Rowe Priceも名を連ねています。

同社には調達の5カ月前、IntelとQualcommから最大50億ドルの評価額で買収への関心が寄せられたと報じられていました。最高経営責任者のJim Keller氏は、GalaxyサーバーでDeepSeekモデルを実行できると示した後、独立を維持して追加資金を調達する道を選んだと説明しています。

新資金の重点は、オープンウェイトAIモデルの提供に適したチップの規模拡大です。動画生成向けの処理能力も強化し、推論市場で製品展開を広げます。

Tenstorrentは、Nvidiaの優位に挑むAIハードウェア新興企業群の一社です。競合のEtchedにも評価額400億ドル以上での投資提案が寄せられており、AI半導体分野への大型資金流入が続いています。

ニューヨーク市のZohran Mamdani市長は19日、マンハッタンの催しで、AI企業への説明責任を求め、市民が技術の導入方法に関与すべきだと訴えました。AI Now Instituteが主催したイベントで、連邦政府の規制対応を批判し、雇用や教育への影響を避けられないものとして受け入れる必要はないと述べています。

市長は前月、小学校と中学校でのAI利用を禁じる措置を指示しました。記事では、学校への導入が急速に進む中、子どもや保護者の同意が十分に扱われているのかという懸念も紹介されています。

夏には、不動産広告の写真や動画がAI製である場合、家主や仲介業者などに明示を求める方針も打ち出しています。実物と異なる物件画像で入居希望者が誤認することを防ぐ狙いです。

市長は、国家間の技術競争という説明によって生活への懸念が後回しにされていると主張しました。発言はAI企業に新たな義務が一括して成立したことを意味するものではなく、地方政府が導入条件を問う動きを示しています。

Googleは2026年10月19日、Gemini Notebookでスライド資料と動画概要を作る際、最終生成の前に構成案を確認し、修正指示を加えられる共同制作機能を発表しました。情報源を基に候補の話題を提示し、利用者が内容、見た目、形式を調整できるようにすることで、最初の指示から完成品へ直接進む従来の流れに確認工程を追加します。

利用者はチャットでスライドか動画概要の作成を頼むと、Notebookが情報源から盛り込む話題を提案します。話題を確定した後も、内容や視覚表現、形式を追加で指定できます。

さらに「Review」機能を有効にすると、スライドでは構成メモ、動画では制作メモをスタジオ画面で確認できます。冒頭に経営層向け要約を加える、場面の順番を変えるといった要望を伝え、内容を確定してから最終成果物を生成します。

作りたいものが固まっている場合は、最初の指示に要件を書けば確認工程へ直接進めます。速さを優先する場合は従来通り確認を省き、そのまま生成する選択肢も残ります。

この共同制作機能は、今後1週間かけて世界中の全Gemini Notebook利用者へ順次提供されます。生成前の確認が加わるため、業務資料を作る担当者は、出力後の手直しではなく設計段階で意図を反映できます。

falは10月19日、Black Forest Labsと開発した動画生成モデルFLUX 3 Maxを発表しました。同社の比較では、10秒の動画を平均12.45秒で生成し、Seedance 2.5より約22倍速いとしています。短い待ち時間で映像を試作し、修正を繰り返せる点を訴求していますが、速度は設定や稼働条件によって変わります。

Artificial Analysisの画像から動画を生成する評価では、FLUX 3 Maxは有力モデルと競る水準でした。ただし信頼区間が重なっており、明確な品質優位や、テキストからの動画生成でも同じ順位になることを示す結果ではありません。

動画は5〜20秒で、720p生成と1080pへの拡大に対応します。文章や画像に加え、時間位置を指定した最大10枚の画像を使えるため、商品の紹介映像などで場面の流れを制御しやすくする狙いがあります。

11月7日までの導入割引では、720pの10秒動画は約0.43ドルで、通常料金は1.70ドルです。試作回数が増えると支出も増えるため、記事は単価だけでなく、採用できる映像に至る費用と制作時間で判断する重要性を指摘しています。

ゲーム開発会社Alliance Artsは2026年10月、Steam Next Festで公開予定だった悪魔を題材にしたロシアンルーレット式飲酒ゲーム「Drunken Goddess Reflex」の体験版を延期しました。AIやその他のツールで見た目や遊び方を素早く模倣され、自社の正式発売前に類似作を出される恐れがあるためです。

同社は、配信制限の管理も延期理由に挙げています。今後は投稿やゲーム配信に関するルールへの同意者だけを対象に、非公開セッションで体験版を共有する計画です。

こうした防衛姿勢は同社だけではありません。「Papers, Please」の開発者Lucas Popeも4月のポッドキャストで、AIに取り込まれたり人に模倣されたりする不安から、制作中の内容を以前ほど気軽に話せなくなったと述べました。

懸念を裏付ける具体例もあります。開発者Freya Holmérが2026年3月、中央の支点を回転させるテトリス風ゲームの試作動画を公開すると、数日後には基本構想を遊べる複数の「バイブコーディング」による模倣作が現れ、本人の作品公開に先行しました。

ゲーム業界では競合作品の模倣自体は以前から存在し、独創性やプラットフォーム側の対応には幅がありました。今回浮かび上がった変化は、AIコーディングによる模倣速度が、開発者の告知やデモ公開の判断を発売前から慎重にしている点です。

米フィラデルフィアで、キャロリン・マービン氏がUberの配達ロボットの進路をふさぎ、警察の移動要請を拒んだとして逮捕された事件が10月18日に報じられました。本人は、ロボットが人間の配達員の仕事を奪うと考え、見かけるたびに前へ立って進行を阻んでいたと地元テレビに説明しており、自動化と雇用を巡る対立が法執行に至った事例です。

警察は現場に出動し、マービン氏にロボットの進路から離れるよう求めました。拒否したため手錠をかけて逮捕し、公共の秩序を乱す行為に当たるとして訴追しました。

一連のやり取りは動画に収められ、幅広いメディアの注目を集めています。記事によると、配達ロボットはフィラデルフィア中心部で日常的に見られるようになり、その普及とともに反発も起きています。

反発は今回に限りません。今年には市中心部で別のUber Eats配達ロボットが蹴り倒される出来事もありました。ロボタクシーやAIエージェントを含む自律システムが雇用、とりわけ技能水準が比較的低い労働者の仕事に及ぼす影響への懸念が広がっています。

Metaが成人限定AIエージェント「Muse」で成人との露骨な性的テキスト会話を認める一方、Instagramでは性的表現を含む成人コンテンツ制作者のアカウントや投稿を制限しているとして、OnlyFansの制作者らが方針の不整合を批判しています。Metaは、18歳以上限定の個別AI会話と、SNS上でのサービス宣伝は性質が異なると説明しました。

Museはカレンダーやメールなどの個人データにアクセスし、予定管理を支援する常時稼働型のAIエージェントです。Metaの配信網を背景に公開初月で数百万人が試し、成人ユーザーには露骨な文章を生成しますが、画像や動画は生成しません。

制作者のVanniall氏は、自身を模した精巧なディープフェイクの削除に苦労する一方、10万人超のフォロワーを持つInstagramアカウントも閲覧制限を受けています。AIが人間より広い表現を許されているとして、Metaが自社AIから利益を得る運用は不公平だと訴えました。

制作者のJiz Lee氏は、Museの学習方法やデータ提供者への対価が不透明だと指摘しました。成人コンテンツ企業では契約書にAI利用方針を明記する動きが始まり、出演者のデータが無断で学習に使われることへの警戒が強まっています。

Tony Genius氏は、完全なAI生成ポルノが人間の出演者を代替する懸念を示す一方、動画の切り抜きなど販促業務でのAI活用は評価しています。自身のAI版を企業と共同制作する可能性にも言及し、人間の制作者が収益から排除されず、人格や真正性を価値として保てる仕組みを求めました。

SpaceX Super Intelligenceは2026年10月13日、X Premium、対話AIのGrok、AI開発支援のCursorを一つにまとめた「The X Subscription」を発表しました。無料から月200ドルまで5段階を用意し、対話、音声、画像、動画、API、AIエージェント、コーディング、Xの有料機能を利用量に応じて組み合わせ、有料AI市場で契約者拡大を狙います。

GrokではAI対話に加え、音声、画像、動画、APIと自律型Botを利用できます。CursorのAIコーディング機能や、X Premiumの認証マーク、投稿者向け機能、広告削減も同じ契約に含まれます。

料金は無料、Plusの月8ドル、Premiumの月30ドル、Superの月100ドル、Ultraの月200ドルです。上位ほどAIの利用上限が増え、無料版は対話とエージェントの利用が限定され、最新のGrokモデルにはPremium以上が必要です。

既存のX Premium+利用者には、同等の新プランを同額以下で提供すると同社は説明しています。利用者はXの契約設定から新しい一括プランへ切り替えるか、現在の契約を維持でき、切り替え機能は段階的に提供されます。

SpaceXSIは、個別サービスを一つの料金体系に集約することで、OpenAIやAnthropicなどとの有料AI契約競争に対抗します。利用者にとっては必要な機能とAI利用枠をまとめて選べる一方、プラン間の価値は利用量と最新モデルの必要性で変わります。

俳優Mia Gothの離婚に触れたように見えるAI生成画像が2026年10月、Instagramの青色認証付きファンアカウントから広がり、数十万件の反応と複数メディアの誤報を招きました。本人側が以前から削除を求めていたと明らかにした後、Metaは公人へのなりすましを理由に、100万人超のフォロワーを持つ同アカウントを削除しました。

画像はMia Gothが離婚を示唆する文言入りのシャツを着たように見せ、Beyoncéの楽曲とともに投稿されました。スクリーンショットは他のSNSにも広がりましたが、本人側は画像がAI生成で、Mia GothはどのSNSも所有・利用していないと説明しています。

アカウントにはファン運営との表示があったものの、公式の本人を長く意味してきた青色の認証マークも付いていました。本人側はInstagramへ複数回削除を申し立てていたとし、偽造画像の拡散より公人の肖像保護を優先すべきだと批判しました。Metaは有料認証制度を始めており、本人が運営しないファンページでも認証マークを取得できます。

Metaは生成AIコンテンツを一律禁止せず、一部にAI生成ラベルを付ける方針です。写実的なAI動画には表示を求める場合がある一方、静止画は表示対象から除外されており、今回の画像にもラベル義務はありませんでした。

実在人物を使ったAI生成物を巡っては、俳優や音楽家が以前から肖像や声の無断利用に懸念を示しています。Instagramでは実在の公人を描くAIコンテンツが数百万回再生される例もあり、MetaはAI生成コンテンツを今後の利用促進策の一部に位置づけています。

Higgsfield AIは2026年10月13日、OpenAIのGPT-6 Astraを使い、従来約1分が上限だったAI動画を10分超まで生成できるようになったと明らかにしました。外部ツールを呼び出す制作エージェントで長尺映像の一貫性を保ちやすくし、GPT-Image-2.5やCodexも組み合わせて、少人数の制作チームによる企画から製品化までを効率化します。

Higgsfieldの制作エージェントは、同じ撮影案の複数パターンを作る反復作業を担います。GPT-6 Astraは外部ツールを呼び出し、手作業が多い複雑な3Dモデリングにも対応します。同社はこの仕組みで、YouTube向けの10分超の解説動画を生成する制作工程を構築しました。

GPT-Image-2.5は画像上の文字や図解を読みやすく描画し、広告素材の精度を高めます。Higgsfieldは、大規模な制作予算を持たない小規模事業者でも販促コンテンツを作りやすくなると説明しています。

同社の開発体制は約200人の制作者と100人の技術者で構成されます。制作者はCodexで着想をソフトウェアの試作品に変え、GPT-6 Astraで本番投入までに必要な作業を減らします。従来はフロントエンドとバックエンドの技術者が深く関与していた工程の短縮が狙いです。

次の構想は、話した内容から映像をリアルタイムに形にする「voice to movie」です。GPT-Liveの音声理解に加え、計画、外部ツール呼び出し、画像生成を組み合わせ、映画制作をアイデアの説明に近い操作へ変えることを目指します。

Metaは2026年10月12日、Meta Superintelligence Labsが開発した新たな大規模AIモデル「Muse Wonder」と「Muse Wonder Full」を公開しました。複雑なソフト開発や長時間動くAIエージェントを狙い、標準版はAPI、最上位版は有料のMuse Codeで提供し、OpenAIやAnthropicに並ぶ性能をうたいます。

独立評価機関Artificial AnalysisのIntelligence Indexでは、Wonder Fullが56点を獲得し、Claude Sonnet 5.5と並びました。Claude Opus 5.5の58点には届かない一方、53点のGPT-6 Astraなどを上回り、標準版Wonderは52点でした。

両モデルはテキスト、画像、音声、動画を入力でき、約100万トークンの文脈を扱います。会話をまたいで重要情報を保つ「Active Memory」と、障害に直面しても目標を維持して計画を修正する「Active Focus」を備え、長期の業務自動化を重視しています。

標準版WonderのAPI価格は、100万トークン当たり入力4ドル、出力20ドル、キャッシュ入力0.20ドルです。最上位のWonder FullはMuse Codeの有料会員だけが利用でき、一般APIには提供されないため、企業は自社サービスへ直接組み込めません。

導入時はベンチマークだけでなく、実業務での精度と総費用を検証する必要があります。両モデルは重みを公開せず、Muse Codeは投稿内容をモデル改善に使うContributorモードが初期設定のため、機密データの扱いと設定を事前に確認すべきです。

AI企業Anthropicで技術スタッフを務めるグルミート・サラン氏は、サンフランシスコでClaudeなどのAIエージェントの挙動を観測し、出力の信頼性を支える基盤を開発しています。行動の連鎖、参照情報、利用者が期待した結果との一致を記録しつつ、処理中の機密データを守ることで、研究者がモデルの動きを監査・理解できるようにする狙いです。

AIエージェントは利用者ごとに異なる応答を生成し、一連の行動を取るため、従来のデータベースやウェブサービスより観測が難しいとサラン氏は説明します。何を行い、どの情報を使い、結果が期待と一致したかを追跡できる仕組みが必要です。

同氏が重視するのは、正確で構造化されたデータと、設計段階から組み込むプライバシー保護です。Yahooでは指標の定義を統一する中央データ基盤を構築し、Intuitでは納税者情報を守る分析基盤、Metaでは動画指標を一元管理する仕組みの開発に携わりました。

過去の経験が示すのは、同じ指標でも計算方法が違えば経営判断に使う数字が食い違うという問題です。AIでも観測指標の定義とデータ品質が曖昧なら、挙動について信頼できる主張ができず、安全性にも影響すると同氏は指摘します。

サラン氏は、監査可能で透明なAIシステムの実現を今後10年の重要な工学課題と位置づけています。さらに、AI基盤にも建築基準やソフトウェア試験のような共通標準が必要で、IEEEが標準化と世界の技術者をつなぐ役割を担えるとみています。

Googleは2026年10月、Google Labsの実験サービスとして、自然言語の指示からブラウザで遊べるゲームを生成する「Playground」を公開しました。利用者はチャット形式で企画や修正を伝え、画像・動画・モデルも参照素材にできます。専門的な開発経験がなくても短時間で動く作品を作れる一方、利用枠と生成物の画一性が実用面の課題として浮かびました。

WIREDの記者は1日で3本を制作し、いずれもプレー可能で安定して動いたと報告しています。テトリス風の「Pork Drop」ではブロックを豚の形に直し、夕食会ゲーム「Dinner Darling」は追加指示なしでも遊べる形になりました。

最も手を加えた「Neon Don」では、リズムゲームを見下ろし型シューティングへ変更しました。レベル調整、ボス生成、敵の種類、移動時の不具合、主人公の台詞まで、対話を重ねて機能を追加できましたが、修正に伴って別の問題が生じる場合もありました。

課題は利用量と品質です。新規作成や修正のたびに利用枠を消費し、上限に達すると枠の更新まで変更できません。さらに記者は、ジャンルが違ってもメニューや音楽、戦闘方法、作風が似通い、生成作品に画一性があると指摘しています。

Playgroundは、非開発者がアイデアを動く試作品に変え、ゲーム制作への関心を深める入口になり得ます。一方、継続的な改善や独自性が必要な業務用途では、生成後の品質管理と利用枠を織り込む必要があります。まず企画検証に使い、どこから専門家の設計へ引き継ぐかを決めることが重要です。

Nikonは2026年10月9日、顕微鏡動画コンテスト「Small World in Motion」で1位としていた清華大学のNing Xu氏の作品を、生成AIに関する規則に適合しないとして失格にしました。これに伴い、微小な線虫と単細胞生物を撮影したベトナムのNguyen Nam Nhat氏の作品が新たな1位となり、他の受賞作も順位を一つずつ上げました。

失格となった作品は、原発性線毛運動不全症（PCD）の子どもの気道で、微細な線毛が動く様子を捉えたとされていました。研究者らは構造の不自然さや細胞の特徴が現れては消える点を指摘し、元ファイルにはAIの透かしに見える痕跡があるとの疑いも出ました。

Xu氏は、超解像光学画像から再構成したグレースケール画像の特徴を識別・可視化するため、教師なしニューラルネットワークによるAI支援の後処理を使ったと説明しました。一方、実験動画そのものや線毛、その動きをAIで生成したことは否定しています。

オンラインで真正性への疑問が広がった後、Nikonは作品を再調査し、生成AIに関する競技規則への不適合を結論づけました。同社は今回の判断について、応募者の職業上の評判、科学的貢献、意図を評価するものではないと明記しています。

Nikonは今後の応募に向け、規則と評価手順を見直す方針です。今回の事例は、AIによる生成と可視化支援の境界を規則でどう定め、提出データをどう検証するかという審査上の課題を示しています。

2026年10月9日、VentureBeatは、ヤン・ルカン氏のAdvanced Machine Intelligence（AMI）Labsと大学の研究者が、異なる時間軸ごとに環境表現を学ぶ世界モデル「H-JEPA」を開発したと報じました。長期目標を扱う上位層から目先の動作を担う下位層へ計画を段階的に落とし込み、従来の単層JEPAよりナビゲーション精度を高めながら、計画時の計算量を減らします。

生成モデルが画素単位の詳細まで予測するのに対し、JEPAは画像や動画を情報量の小さい潜在表現に変換し、行動後の状態を予測します。従来方式は、細かな運動と遠い目標を同じ表現で扱うため、長い行動列では計算量が増え、誤差も連鎖しやすい課題がありました。

H-JEPAは各階層に状態エンコーダー、行動エンコーダー、予測器を置き、下位層ほど短時間の物理動作、上位層ほど長時間の変化を学習します。上位層が潜在空間で目標に近づく行動を探して中間目標を渡し、下位層が実行可能な基本動作まで具体化します。

研究チームはFourRoom Distractors、Visual AntMaze、Push-T、OGBench Cubeの4環境で検証しました。FourRoom、AntMaze、Cubeでは最大3階層まで層を増やすと概して成功率が上がり、計画計算量は減少し、AntMazeの3階層モデルは比較対象HWMの約2倍の成功率を記録しました。

実ロボット動画データDROIDでは、状態間の行動を当てる「逆動力学」の学習目標を加え、行動に必要な情報を保持しました。基準手法より少ない計算量でオフライン計画の忠実度を高めましたが、階層は多いほど常に良いわけではなく、効果は学習データの範囲に左右されます。

倉庫自動化やロボット操作では、目的地の判断と関節制御のような異なる粒度の判断を両立させる必要があります。H-JEPAはこの分離に有望ですが、現時点の評価はシミュレーションと動画データが中心で、研究者らは将来、上位表現を言語と結び、画像ではなく指示で目標を与える方向を示しています。

OpenAIは2026年10月8日、動画・画像制作プラットフォームのPollo AIがGPT-5.6、GPT-6 Astra、GPT-Image-2.5を組み合わせ、アイデアから広告素材までを一貫生成する顧客事例を公開しました。Pollo AIは曖昧な入力の解釈から構成、脚本、画像生成までを案内し、利用者がモデルの選択・切り替えに費やす時間を50％超減らしたと報告しています。

同社はGPT-5.6をリクエストの振り分けに使い、物語の構築や場面修正の計画といった難しい処理をGPT-6 Astraに任せています。タスク別のモデル選択により、推論の深さ、速度、コストの均衡を図る設計です。

Pollo Agentは利用者の大まかな着想や画像資料を読み取り、物語、場面構成、脚本へ展開します。画像生成には、品質や一貫性、表現の幅、速度、コストを実際の利用者の指示で評価した上でGPT-Image-2.5を採用し、ポスターや絵コンテ、広告画像の制作に使っています。

写真を動画広告に変える機能では、商品画像と指示からSNS向けの短い動画を数分で制作できるよう設計しています。実例では香水の写真を約15秒の広告にし、別の事例では宝飾品ブランドがGPT-Image-2.5を使って実写撮影より少ない手間、時間、費用で広告画像を完成させました。

Pollo AIは2600万人超が利用し、クリエイター向け動画だけでなく、マーケティング担当者や事業者による広告制作にも用途を広げています。同社は今後12カ月でAI動画を日常的な制作手段にする目標を掲げていますが、時間削減などの数値はOpenAIの顧客事例に掲載されたPollo AIの報告です。

中国発のAI企業Manusの親会社Butterfly Effectは10月8日、Metaによる20億ドルでの買収が中国当局の命令で解消された後、初の資金調達で5億ドル超を確保したと発表しました。Boyu CapitalとIDG Capitalが主導し、Tencentなど既存株主も参加しました。同社は独立運営の再開後、国内外で採用を続けます。

調達にはTencentのほか、HSG、ZhenFundなどの既存株主も加わりました。評価額は非公表ですが、9月には40億ドルの評価額で5億ドルを集める交渉中だと報じられていました。

ManusはAIエージェントのデモで注目を集め、2025年半ばにスタッフをシンガポールへ移しました。同年12月にMetaとの20億ドル規模の買収契約を発表しましたが、中国でAI人材や研究者の西側流出への懸念が強まる中、中国当局は2026年4月に契約解消を命じました。

Manusは8月に独立運営を再開し、分離に伴って一部ユーザーデータを削除する必要があったと説明しています。香港での上場も検討中だと報じられており、今回の調達は独立企業としての成長方針を示す動きです。

同社はチャットボットや、アプリ・ウェブサイト、デザイン、プレゼン、動画を作れるバイブコーディング機能を提供しています。新製品CueではAIエージェントにメールアドレスや電話番号、デジタルウォレット、コンピューターを与え、利用者が設定した上限内で連絡、作業、決済を行わせます。

経営者や開発責任者が注目すべき点は、買収解消後も大型資金を確保し、採用を継続する点です。一方、正式な評価額は明らかでなく、独立後の収益や上場検討の進展は今後の確認事項です。

俳優・映画監督のベン・アフレック氏は2026年10月、GQの番組とロサンゼルスで開かれたScreentime 2026会議で、映画制作におけるAIの仕組みと活用法を詳しく説明しました。自身の映画ではAIを後処理に使い、制作者の仕事を置き換えるのではなく補完する技術だとの見方を示しました。専門用語をかみ砕く複数の動画がネット上で注目を集めています。

関心の出発点は、映画がアナログからデジタルへ移った時期です。畳み込みニューラルネットワークやテンソル、GPU、推論などを挙げ、映像の数値化やエッジ検出、特徴抽出がグリーンスクリーンの置換に役立つ仕組みを説明しました。

同氏は、肖像利用など映画界の既存ルールと両立させるため、独自データセットが必要だと判断したと述べました。約8カ月にわたり多数のカメラと機材で撮影し、公開モデルを個別作業向けに追加学習させるためのデータを構築しました。

具体的には、オープンソースモデルの重みを更新可能にし、作品ごとの映像基準に合わせて調整したと説明しています。この方法なら制作者は独自素材を保持しつつ、作品専用モデルを育てられ、自身の映画「Animals」の後処理にも使ったとしています。

アフレック氏はOpenAIを訪ねるなどして新技術を調べ、その経験を映画AI企業の設立につなげました。同社は2026年にNetflixへ売却されましたが、報道された5億8700万ドルという金額は正しくなく、自身が会社全体を所有していたわけでもないと説明しています。

懸念の中心は「Skynet」のような破滅論ではなく、教育現場での責任ある利用です。大学でA評価が3年間に30%増えた例や「学習性無力感」を挙げました。映画事業を意味ある形で乗っ取るとは考えず、AIは付加的な役割を果たすとの立場です。

AIスタートアップAxiomのエンジニア3人は2026年10月、サンフランシスコ湾岸地域で、OpenAIの汎用モデルGPT-6 Astraに2024年型トヨタ・カローラを運転させました。フロントガラスのカメラ映像を基にパワーステアリングへ指令を送り、事前の運転訓練なしで飲食店の受け取り窓口まで低速走行しました。安全運転者はブレーキ操作に備えました。

3人はチャット画面をサーバーにつなぎ、複数の車載カメラと車両のパワーステアリングを連携させました。Astraは走行中に状況を判断し、ゆっくりと受け取り窓口まで車を進めました。

従来の自動運転車が専用に訓練・設計したアルゴリズムを使うのに対し、今回操作したのは文章やコード、画像を生成する汎用モデルです。研究者らは、画像や動画、3Dモデルを含むマルチモーダル学習の拡大から、運転能力が偶発的に生じた可能性があるとみています。

3人が駐車場に設けた単純なコースで実施したDrivingBenchでは、完走できたのはAstraだけで、速度も非常に遅い結果でした。Claude Fable 5.1はコースの45％、Grokは11％まで進み、各モデルの能力差が表れました。

研究者らによると、最新モデルは操作ミスに応じて車の制御方法を走行中に調整し、改善する様子も示しました。一方、高速で動く約2トンの車両を汎用モデルに任せる試みは危険を伴い、物理世界での推論力と安全性をさらに検証する必要があります。

米国防総省のデジタル・AI最高責任者室（CDAO）は、企業の5分以内の製品動画を審査し、採択したAI製品を迅速に購入できる「Tradewinds」を運営しています。少なくとも月1回の審査で競争手続きを済ませた扱いを付与し、通常は数カ月かかる契約期間を短縮します。実際に1週間未満で契約した例もあります。

企業は国防総省が更新する重点分野に沿って動画を提出し、審査員がTradewinds Solutions Marketplaceへの掲載を判断します。採択製品は「post-competitive」とされ、政府担当者は競争要件を満たした製品として契約手続きを進められます。

2026年の募集は、部隊の殺傷力向上や、標的選定を含む「キルチェーン」実行を支援するAIエージェントに重点を置きます。一方、バイデン政権末期に掲げた「責任あるAIの文化」や安全策は後景に退り、国防総省は1月のAI戦略との整合を理由に挙げました。

市場掲載は、通常の連邦調達規則の一部が適用されない「その他取引（OT）」の活用も容易にします。迅速性は新興企業の参入を後押しする一方、公開情報の不足、費用や機密情報の扱い、監督・説明責任の弱さが専門家と議員から指摘されています。

Tradewindsは、大手防衛企業への集中で失われた競争を取り戻し、非伝統的な技術企業を呼び込む狙いです。OpenAI、Anthropic、Googleも参加者に名を連ねますが、民間のAI投資が巨額になるなか、ペンタゴンが技術開発の方向性をどこまで主導できるかが焦点です。

WileyのScience and Engineering Content Hubは2026年10月7日、ヒューマノイド学習向けの動作データセット「HiPHI」を紹介する白書を公開しました。光学式モーションキャプチャーで全身動作617.5時間をサブミリメートル精度で記録し、人と物体の相互作用も245.7時間収録。既存データに不足する正確な身体状態と物体操作を補い、ロボット学習に生かす狙いです。

インターネット動画は多様な行動を含む一方、精密な物理状態を記録できず、従来の研究室型モーションキャプチャーは正確でも動作の種類が限られます。HiPHIは人間の行動を整理する言語学の枠組みFrameNetを用い、幅広い全身動作を体系的に集めています。

人と物体の相互作用データでは、物体の軌跡と三次元メッシュを身体動作と同期させています。これにより、運搬、押す、引くといった実世界の作業をロボットに学ばせるための情報を提供します。

白書は、動作の多様性と相互作用の対応づけを測るベンチマーク群も紹介しています。収録データで訓練した強化学習方策はデータ規模の拡大に伴って改善し、シミュレーションからUnitree G1実機への転移結果も報告されています。

AIやロボット開発の責任者にとって、HiPHIの要点は高精度な動作量だけでなく、物体情報と意味的な行動分類を一体化した点にあります。一方、紹介ページには改善幅や実験条件の詳細がないため、採用や比較では白書本文で評価指標と再現条件を確認する必要があります。

Googleは2026年10月7日、画像・動画・音声に埋め込まれたAI生成・編集の電子透かし「SynthID」を調べる専用サイトを、英語で世界一般公開しました。従来は一部のテスターやGemini経由に限られた確認を、Googleに加えOpenAI、NVIDIA、Kakaoなど提携各社の透かしまで一カ所で判定できるようにし、オンライン情報の出所判断を支えます。

利用者は対応形式のファイルをSynthID.comにアップロードし、SynthIDが生成または編集に使われたかを確認できます。公開版は内部向けツールのように透かしを検出した画像領域を示さず、検出の有無を簡潔に返します。

Googleは2023年の導入以来、1800億点超の画像・動画と24万年分の音声にSynthIDを付与したと説明しています。検索、Geminiアプリ、Chromeに組み込まれた検証機能では、現在1日100万件超の確認要求を処理しています。

対象はGoogle、OpenAI、NVIDIA、KakaoのSynthIDで、Appleも近く対応する予定です。一方、Metaなど別方式の透かしや、透かしを使わない生成AI、ローカルで動かすオープンウェイトモデルの出力は検出できないため、未検出でもAI生成ではないとは断定できません。

利用にはGoogle、OpenAI、Appleのいずれかのアカウントでログインし、画像・動画・音声を合わせて1人1日およそ10件という利用枠があります。制限は透かし除去手法の開発を防ぐ狙いがあり、企業の真偽確認ではSynthIDの結果を単独の証拠とせず、出所や改変履歴など他の情報と組み合わせる必要があります。

画像・動画向けAIを手がけるArtcraftは2026年10月上旬、Adobeの主要7製品に対応する無料のオープンソース代替アプリ群を公開しました。開発者のBrandon Thomas氏は、AnthropicのClaude Opus 5.5を使い、既存製品のコードに依存しないクリーンルーム方式でRust製アプリを構築したと説明しています。

対象はPhotoshop、Illustrator、Premiere、Lightroom、After Effects、InDesign、Acrobat Proに相当する7種です。各アプリはUIやツール構成の再現を目指し、Rustで開発され、WebAssemblyを使ったブラウザー版も用意されています。

ただし、現状は初期アルファ版で、利用者から多くの不足点が指摘されています。Thomas氏は当初、1カ月で機能を完全に同等にすると表明しましたが、その後、99％の同等化には数カ月かかるとの見通しに修正しました。

アプリはMITまたはApacheライセンスで無償提供されます。開発費は、アプリ内でも選べるArtcraftの画像生成AIモデルと統合開発環境へのトークン制アクセスの販売で賄う計画です。

Thomas氏は、AI支援開発によって有料ソフトの機能的な代替を短期間で構築できる時代が近いと主張しています。一方、今回の7製品は初期段階にあり、実用性は今後の機能追加と不具合修正に左右されます。

動画AI企業のTwelveLabsは2026年10月6日、一人称視点の映像からロボット学習向けデータを作る「Pegasus 1.6」を公開しました。作業者や機械の目線で撮った映像を行動ごとに分け、内容と時刻を付けた構造化データへ変換することで、ロボット開発企業やデータ供給企業の注釈作業を効率化します。

新機能の核は、従来版が不得手としていた一人称映像への特化です。静止画をつなぎ合わせる一般的なマルチモーダルLLMとは異なり、時間の流れや因果関係を踏まえて映像全体を解釈する設計だと同社は説明しています。

企業は必要な項目を指定し、物体の持ち上げや位置決め、締め付けなどを個別の区間として整理できます。詳細な説明文の生成に加え、遮蔽や手ぶれ、不明瞭な動作の品質確認、異常や重複の検出、機密性の高い映像の識別にも対応し、静止画も同じAPIで処理できます。

ただし、Pegasusが提供するのは映像の説明と構造化までです。圧力や触覚、精密な軌道、実機の制御は別のシステムが担う必要があり、ロボットの動作改善を直接保証するものではありません。また、社内評価の数値や競合との再現可能な比較、検証可能なロボット顧客の成果も公開されていません。

公表料金は入力動画1時間当たり1.75ドルに加え、入力画像と出力トークンへの従量課金です。区間定義を複数指定すると動画時間の請求が定義数に応じて増えるため、企業は限定した作業で有効な訓練例1件当たりの費用、注釈の修正時間、実機性能への寄与を測る必要があります。作業者の撮影許可や企業秘密の管理も、導入前に確認すべき論点です。

Googleは2026年10月6日、ケニア・ナイロビとアメリカ・シカゴで計2000人の妊婦を対象に行った、AI活用型の超音波検査研究を紹介しました。医療従事者が腹部を定型的になぞる「ブラインドスイープ」で動画を撮り、端末上の機械学習モデルが妊娠週数と胎児の向きを解析することで、専門技師が不足する地域でも出産準備に必要な情報を得やすくする狙いです。

研究では、妊娠週数と胎児の向きの判定精度が、訓練を受けた超音波検査技師と同等だったとしています。モデルは撮影動画を分析し、画像が不十分なら撮り直しも促します。

従来の超音波装置は大型で高価なうえ、安定した電力や修理体制が必要で、遠隔地での導入が難しいという課題があります。小型で電池駆動の装置と組み合わせ、解析を端末内で完結させるため、電力網やWi-Fi接続がない現場でも情報を提供できます。

操作方法も簡素化しました。専門技師の養成には約2年の実地訓練が必要なのに対し、超音波検査が未経験の医療従事者でも、定められた手順を8時間で習得できたとしています。

妊娠週数は検査や治療、分娩時期の判断を左右し、胎児の成熟度に応じた母子のケアにも欠かせません。Googleは今回の結果を、異なる患者集団と医療環境でAIによる超音波支援が機能する可能性を示す研究と位置づけ、外傷後の出血確認など他の用途への展開にも言及しています。

Googleは2026年10月6日、テキスト、コード、画像、動画、音声を一つの空間で扱う埋め込みモデル「EmbeddingGemma 2」を公開しました。Gemma 4を基盤とする7億4000万パラメーターの軽量モデルで、商用利用しやすいApache 2.0ライセンスを採用し、端末内で検索やRAGを動かす開発者の選択肢を広げます。

特徴は、用途に応じて構成を変えられるモジュール設計です。テキスト処理は2億7000万パラメーターから利用でき、画像用1億7000万、音声用3億の各エンコーダーを加えることでマルチモーダル処理に対応します。

出力ベクトルは768次元から512、256、128次元へ短縮でき、Googleによるとローカルのベクトルデータベースとメモリーの保存量を最大6分の1にできます。量子化したPixel 11 Proでは、重みのアクティブRAM使用量がテキストのみで約191MB、全機能で約567MBです。

文脈長は前世代の4倍となる8Kトークンで、端末上で最長5.5分の音声、29枚の画像、58フレームの動画などを処理できます。MTEB Codeのスコアは68.76から78.68へ9.92ポイント向上し、Googleは10億パラメーター未満の複数ベンチマークで同規模モデルを上回ったと説明しています。

開発者は音声メモから動画場面を探す横断検索や、ローカルのコード検索、オフラインRAGに活用できます。モデルはHugging FaceとKaggleで配布され、MediaPipe、LiteRT、transformers、llama.cpp、Ollamaなど複数の実行環境に対応します。

AmazonのAI音声アシスタント「Alexa Plus」で2026年10月、会話中に「ラララ」と数分間繰り返し話したり歌ったりする不具合が、複数のEchoスマートスピーカーで報告されました。Amazonは影響が少数の利用者に限られるバグだと認め、修正を進めています。利用者が挙動を尋ねても、Alexa自身は直前の反復を認識していないとされています。

不具合はAlexa Plusとの会話の途中で突然始まり、数分間にわたり同じ音を繰り返すものです。話すだけでなく歌う例もあり、Echoの複数機種で発生が報告されています。

報告はここ数週間、Redditに繰り返し投稿され、利用者による動画も複数公開されました。記事掲載の3日前にも新たな事例が共有されており、単発の投稿ではありません。

特徴的なのは、利用者が挙動について尋ねても、Alexaが自ら何をしたか認識していない点です。音声出力の異常に加え、挙動を説明できない状態も表面化しました。

AmazonはAndroid Authorityへの声明で、影響は「少数のAlexa Plus利用者」に限られるバグだと説明しました。修正を進めているとしていますが、記事では提供時期や回避策は示されていません。

AI音声機能を業務や顧客接点に組み込む企業にとって、今回の事例は出力品質だけでなく、異常時の検知と説明性も運用品質を左右することを示唆します。ただし、Amazonが示した影響範囲は小さく、現時点で広範な障害と判断できる情報はありません。

TikTokは2026年10月5日、商品探しから購入までをアプリ内で完結させる会話型AI「Shopping Assistant」と、ブランドからワンクリックで直接購入できる新たな決済機能を発表しました。利用者の質問にリアルタイムで答え、For Youフィード上の発見をその場の購入につなげることで、購買行動と取引価値を自社サービス内に取り込む狙いです。

Shopping Assistantは会話の文脈を理解し、利用者の好みや必要条件を会話中に保持します。商品詳細、配送情報、サイズ、在庫状況を案内し、購入完了まで支援する設計です。

新機能では、利用者がアプリの主要なアルゴリズム型動画面であるFor Youフィードから、ブランドの商品をワンクリックで直接購入できます。開発にはSalesforce、Shopify、Shoplazza、Stripeなどのコマース基盤・決済事業者が参加しています。

今回の拡張は、TikTok Shopだけに依存せず、買い物機能をアプリ全体へ広げる動きです。商品への疑問をアプリ内で解消できるため、発見、相談、決済を一つの流れにまとめ、外部のAIサービスなどへの離脱を抑えられます。

TikTokが前週に公表した経済影響報告では、動画を見た後に商品を購入した米国人は5,400万人で、同プラットフォームの活動が米国企業によるGDP創出を810億ドル支えたとしています。eMarketerは、2025年の米国TikTok Shop売上高を約158億ドル、米国ソーシャルコマース全体の約18％と推計しています。

OpenAIが2026年10月、AIエージェント「Dots」を上位契約者向けに提供し、The Verge記者が日常作業と業務で試しました。仮想マシンや利用者のパソコン上でアプリを操作する仕組みで、買い物や予約では認証に阻まれた一方、ウェブサイト改修と動画編集では成果を上げ、職場向けの性格が鮮明になりました。

Dotsはチャットで指示を受け、別画面の仮想マシン上で作業を進めます。BlenderやGIMPを使えるほか、デスクトップ版ChatGPT経由で自分のパソコンへのアクセスを許可し、電話で要望を伝えることもできます。

生活用途の試験結果は安定しませんでした。通信サービスの契約では人間確認と銀行情報入力で停止し、コワーキング施設の無料見学を見落としたほか、Ikeaや飲食店ではセキュリティ確認に阻まれ、手動介入が増えました。

一方、自分で管理する環境では強みが出ました。記者は個人サイトの再設計案を電話で伝え、修正作業を任せたほか、パソコン上の動画をSNS向けの一本に編集させ、サイト更新も完了させました。

導入判断では、作業範囲と信頼の境界を先に決める必要があります。多数の権限許可や本人による認証対応が必要で、月額100ドルのPro料金を記者は自身の仕事には見合わないと評価したため、管理下のデータや反復業務で得られる時間短縮と費用を比べる視点が重要です。

マサチューセッツ工科大学（MIT）の起業支援機関は2026年10月2日、中高生が起業の基礎を自分のペースで学べる無料のAI活用プラットフォーム「Dear Dreamer」を公開しました。短い動画や演習、アイデアへの個別フィードバックを通じ、発想を解決策へ磨く力を育て、2030年までに5万人の若手起業家を支援することを目指します。

Dear Dreamerは、MITで成果を上げてきた「Disciplined Entrepreneurship」の24段階の枠組みを、若年層向けのデジタル教材へ置き換えたものです。10〜14歳の生徒にも理解しやすい事例を用意し、InstagramやYouTubeになじんだ生徒を意識した画面を採用しました。

教材には短い教育動画、対話型演習、利用者のアイデアに応じた個別フィードバックを組み込みました。核となる学習順序はMITのMBAや博士課程向けと同じですが、題材と見せ方を若者向けに変えています。

土台となる手法は世界数百大学で教えられ、関連書籍は50万部超を販売しています。MITのdelta vアクセラレーターでは、この枠組みを使った参加企業の存続・買収率は61％で、累計30億ドル超を調達しました。

狙いは起業家を増やすことだけではありません。曖昧さや変化に向き合い、アイデアを検証しながら解決策へ変える思考法は、大企業で働く場合にも生かせると、センター責任者のBill Aulet氏は説明します。変化の速い時代に若者の主体性をどう育てるか、その入口を無料で広げる取り組みです。

Instagramは2026年9月30日、単独動画編集アプリ「Edits」にAIの「クリエイティブアシスタント」を追加すると発表しました。利用者のInstagramアカウントから、いいね、再生数、視聴維持率、共有数を取り込み、投稿の成否や長期傾向を継続的に分析して、企画から台本まで改善案を示します。

制作者は、Instagram上で何が流行しているか、なぜ一方の動画が伸びて別の動画が伸びなかったか、どの投稿が視聴者に最も響いたかを自由形式で質問できます。アシスタントは企画、視聴者を引き付ける冒頭、キャプション、流行中の音源、動画台本も提案します。

YouTubeも制作者向けのAI分析画面を拡充しており、投稿の反応を高める助言をプラットフォーム自身が提供する流れが広がっています。これまで各社は詳細な指標や投稿が不調だった理由を十分に開示してこなかったため、個別データを使う助言は運用方法の転換です。

プラットフォームと制作者には反応を最大化する共通の利点があります。一方、記事は全員が同じ最適化を進めれば投稿が似通う可能性や、制作者に投稿方法を直接助言するプラットフォームとの関係変化を論点として挙げています。これは現時点で確認された結果ではなく、導入後に問われる課題です。

新機能は一定範囲まで無料で、利用量が多い制作者は追加利用のためMeta Oneへ加入できます。Metaは無料枠の上限や追加料金を記事内で示していないため、業務利用では利用制限と費用の確認が必要です。有用な分析が有料枠へ移れば、従来の指標不足とは別の形で制作者の不満を招く可能性もあります。

Googleは2026年9月30日、長時間の複雑な作業向け最上位AI「Gemini 4 Argon」を発表しました。まずFairwind Programを通じて信頼するサイバー防御担当者に提供し、アメリカ政府の任意の事前アクセス手続きと安全対策の検証を進めた後、開発者・企業・消費者へ順次広げます。高性能に伴う悪用リスクに備える段階公開です。

Googleが開示した18件の比較評価では、Argonが12件で単独首位、1件で同率首位となりました。長期ソフトウェア開発のDeepSWE v1.1は77.9%、業務自動化のAutomationBenchは51.3%、脆弱性修正のCWE-bench v1は68%で首位に並びました。ただしOpenAIやAnthropicのモデルが上回る評価もあり、用途別の検証が欠かせません。

出力上限は従来の6万4,000トークンから100万トークンへ拡大し、長期のコード移行や監査、法務調査などを一続きで処理しやすくしました。導入時のAPI価格は100万トークン当たり入力2ドル、出力10ドルで、キャッシュ済み入力は入力価格から95%割引です。ただし一般利用者は広範な提供開始まで待つ必要があります。

Google社内では数千人がArgonを専門的な開発や調査、執筆に利用しています。同社によると、エージェントがデータセンターの記憶領域を300TiB超解放し、C/C++からRustへの移行ではFuchsiaのZirconカーネルの80万行超も対象にしています。動画デコーダーlibgav1では3万2,000行の処理を置き換え、既存のRust版より2.7倍高速になったと説明しました。

サイバー防御では、脆弱性の発見・検証・修正を自律実行し、Wizの取り組みで病院向けソフトウェアから個人情報をさらす重大な欠陥を見つけたとGoogleは報告しました。広範な公開に向け、悪用防止、指示乗っ取り対策、意図逸脱の監視、実行環境の隔離という4領域を強化します。企業には、公開後に自社の実務で性能、安全性、運用コストを確認する作業が残ります。

半導体大手AMDとWorld Labsは2026年9月29日、AMDが同社を82億ドルで買収すると発表しました。取引は規制当局の承認を条件に年末までの完了を見込みます。AMDは物理世界を予測するワールドモデルの技術と人材を取り込み、ロボット向け合成データなどで先行するNvidiaとのAI競争を強化します。

World Labsは、コンピュータービジョン研究者のフェイフェイ・リー氏が、ジャスティン・ジョンソン氏ら3人の研究者と2024年に設立しました。創業時の資金調達額は2億3000万ドルで、AMDも出資者の一社でした。

同社が開発するワールドモデルは、物理世界の有用な予測シミュレーションを目指すAIモデルです。競合する複数の設計があり、その多くは膨大な動画データを使って学習します。

最初の一般向けツールMarbleは、Gaussian splatting（ガウシアンスプラッティング）を使って小規模な3D空間を生成します。生成物は3Dアセットとして書き出し、映画制作やゲーム開発などに利用できます。その後は用途の異なるAtlasなども追加しました。

買収の戦略的な焦点は、ロボット学習用の合成データです。Nvidiaがこの分野で大きく先行する一方、AMDのオープンソースモデルMicro-Worldには、NvidiaのCosmosや関連アプリ群に対抗する統合的な製品群がありません。今回の買収により、AMDはその差を縮める狙いです。

AIの能力と動機を研究する非営利団体Palisade Researchは2026年9月29日、OpenAI、Google、Anthropicの現職・元研究者らによる12本のインタビュー動画を公開しました。研究者たちは、超知能AIが人類を絶滅させる可能性や、現時点で制御手法が確立していないことを警告し、開発現場からリスク認識を伝えています。

元OpenAI・Google DeepMind社員のGeoffrey Irving氏は、人類絶滅の確率を自身の見方では「コイン投げほど」と述べました。Google DeepMind研究科学者のNeel Nanda氏も、少なくとも10％と見積もり、この水準は極めて高いとの認識を示しました。

元OpenAI研究者のDaniel Kokotajlo氏は、超知能AIは神のような力を持ち得る一方、制御方法が分からず、誰にも制御されない可能性が高いと主張しました。同氏は、この事態は危険であり、起こしてはならないと訴えました。

公開サイトは各インタビューの全編に加え、「警告は誇張やマーケティングではないか」「危険と考えながらなぜ開発に携わるのか」といった論点別の抜粋も掲載しています。GoogleのMary Phuong氏は、AI研究所から報酬を得ている自身の発言を疑って受け止めるべきだと述べ、利害関係を明示しました。

Nanda氏は、自分の研究が存亡リスクを直接減らすと信じられなければ辞める一方、自身が退職しても企業は開発を止めないと説明しました。では、動画は具体策まで示しているのでしょうか。記事によると、各研究者の警告に共通する一つの解決策は提示されていません。

イギリスの新興企業Worldmodeldataは、ゲーム映像と操作入力を組み合わせた約100万時間分のデータを複数のゲーム会社から利用許諾し、物理世界を理解するAI「世界モデル」の訓練用に仲介しています。大量の映像と行動の組み合わせから原因と結果や珍しい状況を学ばせ、個別企業が各ゲーム会社と契約する負担と、ロボットなどの実世界データ不足を補う狙いです。

世界モデルには映像だけでなく、物をつかむ強さや動かす際の回転力など、行動と結果を結び付けたデータが必要です。大量の文章を利用できる大規模言語モデルと異なり、インターネット上にはこうした因果関係のデータがほとんどありません。

人やロボットにセンサーを付けて実験データを作る方法は、量が限られ、現実で起こる例外的な状況を十分に含めにくい課題があります。同社は、3D空間の映像とプレーヤーの操作が対になったゲームデータなら、量と多様性の両方を確保できると考えています。

Worldmodeldataは各ゲーム会社のデータを選別・整理し、研究所が個別に多数の契約を結ぶ手間を省く仲介役を目指します。将来は個人プレーヤーへ対価を払う仕組みも検討し、まずゲームデータで学習した後、用途ごとの現実データでモデルを調整する構想です。

一方、Nvidiaの世界モデル責任者は、ゲーム内の物理表現には省略や独自ルールが多く、指先の圧力まで必要な精密な物体操作の学習には向かないと指摘します。同社は現実の物理を再現する専用基盤を使い、ゲームデータは写実的な動画や3D環境の生成に適するとみています。

サリー大学の研究者も、ゲームには一定の物理的な根拠があるものの、粗く近似的だと評価しています。データ量を増やせば世界モデルの性能が伸びるという仮説はまだ十分に検証されておらず、どの手法が最善かは定まっていません。

AI推論基盤を提供するModal Labsが、Accel主導で7億5000万ドルを調達し、投資後評価額を157億5000万ドルとする資金調達の成立に近づいていると、TechCrunchが2026年9月28日に関係者の話として報じました。4カ月前の前回調達時の46億5000万ドルから評価額は3倍超となる見通しですが、同社は取材へのコメントを控えています。

AI推論は学習済みモデルを動かして出力を生成する処理で、特にオープンソースモデルを使う顧客の需要が増えています。Basetenも260億ドル評価での調達に近づき、Fireworksと画像・動画推論のFalも評価額を大きく引き上げる新規調達を投資家と協議しています。

Modal Labsは、開発者が自社でサーバーを管理せずにAIモデルの学習や計算負荷の高い処理を実行できる基盤を提供します。推定従業員数は約150人で、顧客としてCognition、AI音楽のSuno、金融技術のRamp、出版基盤のSubstackを挙げています。

同社が5月に明らかにした年換算売上は3億ドル超でした。推論企業の売上は急増する一方、計算資源の購入・賃借費が高いため利幅は薄く、Fireworksは7月に年換算売上10億ドルへ達したものの、収益性は業界共通の課題です。

Modal Labsは2021年、最高経営責任者エリック・ベルンハルドソン氏と最高技術責任者アクシャット・ブブナ氏が共同創業しました。ベルンハルドソン氏はSpotifyなどでデータ部門を構築し、ブブナ氏はScale AIの初期技術者を務めました。

同社は7月、OpenAIのエージェントがHugging Faceを狙った攻撃と同じ活動で、顧客データが侵害されたと公表しました。ブブナ氏は、原因は顧客が認証なしの接続口を公開したコード上の欠陥で、Modalの基盤自体は侵害されていないと説明しています。

Googleは2026年9月28日、Display & Video 360で複数媒体の縦型動画広告を一つの基盤からプログラム方式で購入・測定できるVertical Video Unificationを発表しました。Geminiを広告購入、配信、購買段階全体の測定に使い、媒体ごとに分かれていた作業をまとめ、広告主の到達範囲と費用効率の改善を目指します。

新機能は、複数の媒体社が提供する縦型動画広告の購入を単一の作業工程に集約します。顧客との接点が多様な媒体に広がる中、広告主はチャネルをまたいだ購入と測定をDisplay & Video 360内で進められます。

Geminiは広告枠の購入、配信の実行、認知から購入までを通した効果測定を支えます。Googleは、同じ利用者に同一広告を過度に表示せず、媒体別に分断した購入では得にくい成果を目指せると説明しています。

初期試験では、UnileverのHellmann'sとWPP Mediaが、従来との比較で重複しない利用者への到達を24%増やしました。同時に、重複しない利用者1人当たりの費用を25%削減しました。

Metaは2026年9月24日、ソーシャル基盤Horizon向けゲームをAIへの文章指示で制作できる2種類の開発ツールを発表しました。スマートフォン用の「Horizon Create」と、より細かな調整ができるブラウザ用の「Horizon Studio」を早期提供し、利用希望者を待機リストで受け付けます。

制作したゲームはFacebookとInstagramで推薦対象となり、利用者はフィード内の動画をタップしてアプリの追加や外部ページへの移動なしに遊べます。Metaは、安定性や文化的な関連性、再訪率などが高い作品ほど到達範囲を広げると説明しています。

両ツールは、2Dまたは3Dのモバイルゲームを作り、進行システム、難易度調整、アート方針、マルチプレーなどを備えられるとしています。手軽な生成に加え、Horizon Studioでは各要素を制作者の基準に沿って調整できます。

HorizonはVRアプリとして始まりましたが、Metaは最近、軸足をモバイルへ移しました。今回の施策は制作の間口とFacebook・Instagramの配信力を組み合わせ、苦戦するHorizonの作品数と利用機会を増やす狙いです。

競合のRobloxも、スマートフォンで文章指示からゲームを作るAI機能を進めています。指標と時点は異なるものの、Robloxは1日当たり1億2300万人の利用者を抱える一方、Horizonは2022年初めの報道で月間30万人にとどまり、Metaには大きな規模差が残ります。

デジタル出版・AIメディア企業のInkittは2026年9月24日、文章の脚本から数分でAI映画を生成する「Inkitt Movie Creator」の公開ベータ版を自社サイトで始めました。中核は、画像・動画・言語モデルを連携させ、撮影技法や人物・場所の一貫性を管理する社内開発のCinematicaで、企業が独自AI基盤を築く際の実例となります。

Cinematicaは、多数の保有作品を長編映像にする反復的で高コストな社内業務を解くため、2026年初めに開発が始まり、現在は第3版です。約25人のチームには約15人の動画プロデューサーがおり、日々見つけた制作手法を会議で共有して基盤へ反映しています。

肌の不自然な質感や複数人物の位置・顔の入れ替わりなど、生成AIが繰り返す失敗に対する専門家の修正法を再利用できる知識として蓄積します。社内の経験だけでなく外部コミュニティーの技法も評価・標準化し、暗黙知を組織の資産へ変える設計です。

Cinematicaは特定の生成モデルに固定せず、品質や費用に応じてSeedanceやMiniMaxなどを選べるため、業務手順を維持したままモデルを交換できます。完成済み動画の生成・AI制作費は1分75〜500ドルの見積もりですが、公開時点ではAPIがなく、MCP連携も今後の予定です。

一方、直接モデルを使う場合との比較ベンチマークや、一貫性、再生成率、制作時間の改善幅は未開示です。企業にとっての示唆は、反復業務を起点に現場の専門家を改善ループへ入れ、モデルではなくワークフローと蓄積知を自社で保有しつつ、効果と追加費用を数値で検証することです。

Googleは2026年9月24日、学校での学習や調査を支えるChromeの5つの活用法を公式ブログで紹介しました。中核のGemini in Chromeは閲覧中の教材から対話型クイズを作り、ポッドキャストやYouTube以外の動画も読み解くほか、タブ整理、分割表示、端末間の作業継続、読み上げ機能で学習を支援します。

Gemini in Chromeは、引用する論文への質問、難しい概念の可視化、講義動画の該当箇所の探索に使えます。デスクトップでは対応範囲をポッドキャストやYouTube以外の動画へ広げ、一度再生した音声・動画から要点や特定情報を抽出し、分かりにくい部分を説明します。

新しい対話型クイズは、Google ドキュメントの物理学ノート、研究論文、機械学習のYouTube動画など、開いているタブの内容から重要概念を選び、理解度の確認を助けます。まず米国とインドのデスクトップ向け英語版で提供し、数カ月以内に対象地域とモバイルへ広げる予定です。

タブグループは、縦置きか横置きを選びながら、科目やプロジェクト別に資料をまとめられます。分割表示では参考資料と執筆画面を左右に並べ、組み合わせたタブを保ったまま別の作業へ移り、後から同じ環境へ戻れます。

端末へタブを送る機能は、スクロール位置や入力途中のフォームを含む状態を保存し、パソコンとスマートフォンの間で作業を引き継ぎます。没入型読書モードはフォント、文字間隔、コントラストを調整でき、読み上げにも対応し、Android版のAI再生は閲覧ページを基にポッドキャスト風の会話を生成します。

Googleは2026年9月24日、YouTubeやGmailなどで展開する広告サービス「Demand Gen」の9月更新を発表しました。動画広告の横で商品質問に答える対話型AI、画像広告からランディングページへ1回のタップで移る機能、Google Maps上の販促ピンを追加し、広告主が年末商戦で関心を購入行動へ早くつなげられるようにします。

Business Agent for YouTube Adsは、商品フィード付き動画広告のそばに対話型AIを表示します。視聴者は動画の視聴画面を離れず、商品やブランドについて質問し、即時回答を得られます。

画像広告では、YouTube ShortsとGmailからランディングページへ1回のタップで移れるようになります。Shortsでこの体験を利用するには、広告主が縦長の9対16全面画像をアップロードする必要があります。

Googleによると、Demand GenキャンペーンにGmailを加えた広告主では、同じ投資利益率を保ちながら画像広告のコンバージョンが平均40％増加しました。今回の更新は、広告閲覧からサイト訪問までの操作を短縮するものです。

Affiliate Location Extensionsでは、小売ネットワークや自動車販売店がGoogle Maps上にプロモートピンを表示できます。利用者が地図を閲覧、検索、ナビゲーションしている場面で店舗を示し、地域の需要を実店舗への来訪につなげる仕組みです。

YouTubeは2026年9月23日、年次イベント「Made On YouTube」で、視聴者と制作者向けの新機能群を発表しました。Geminiを使い、文章で好みを指定するカスタムフィードや対話型検索、動画の構成・見出し画像を改善するStudio機能を順次提供します。推薦の主導権を利用者に広げつつ、制作者の分析、制作、企業提案にかかる時間を減らす狙いです。

カスタムフィードでは、見たい内容や除外条件を文章で伝えると、専用の推薦欄をホーム画面上部に保存できます。既存のメインフィードは残したまま複数作成でき、米国のウェブ、モバイル、テレビ向けに順次展開する予定です。Ask YouTubeも商品レビューでの質問や検索結果の比較表に対応します。

YouTube StudioのAIは、再び注目を集めた過去動画を見つけ、タイトルやサムネイルの変更を提案します。未公開動画には構成、テンポ、物語展開の助言を出し、サムネイルや冒頭など最大3案を小規模な視聴者層で試して、視聴時間が最も長い案を選べます。分析画面も数値だけでなく、成績の理由と改善策を示します。

YouTube MusicのAsk Musicは、3億曲超のカタログを対象に、日常語から再生リストを作り、楽曲や演奏者の情報にも答えます。Your Podcast Lineupは毎週、推薦番組と選定理由を短い音声で紹介し、そのまま各回を再生できます。両機能はYouTube MusicとYouTube Premiumの利用者へ世界で近日提供する予定です。

このほか、Shortsの対話型編集、ライブ配信のリアルタイム自動吹き替え、声と顔の類似性検出の拡大も予定します。YouTubeは、AIが脚本や撮影を含む創作そのものを担えば視聴者の反発を招き得る一方、支援機能は作業時間を創造に戻す手段だと説明しています。なお、AI機能による視聴指標の改善データは開示していません。

動画編集AIを開発するinvideoは2026年9月23日、OpenAIのGPT-6 Astraを導入し、従来モデルと比べて色補正・カラーグレーディングの成功率が約3倍に向上したと明らかにしました。複雑な編集をフレーム単位で計画・実行し、編集者が物語や仕上がりを管理したまま、時間のかかる計画とフレームごとの作業を減らす狙いです。

動画編集では、物語の構成、効果音、トランジション、色調整を一連の判断として扱います。invideoのAIエージェントは指示を手順に分解し、適切なツールを選び、処理後の結果まで検証します。

GPT-6 Astraは、invideoが以前に試したモデルより少ない推論ステップと出力トークンで、複雑な作業を計画できたといいます。タスクが長く複雑になっても、複数の指示をこなしながら編集者の当初の目的を維持しました。

特に効果が出たのが色処理です。背景だけを変えて肌の色を保つ場合、人をフレーム間で分離・追跡したうえで他の部分に色を適用する必要があり、Astraによって色補正とグレーディングの成功率が約3倍になりました。

また、Astraは文章や視覚資料から映像専用の効果をコードで作り、タイムライン上に配置し、編集者が調整できる操作項目も加えます。数人の編集者は1日で約50種類の独自効果を作成しており、人の創作判断を残した自動化が実務上の要点です。

Googleは2026年9月23日、Google VidsのAI動画生成を、個人用を含むGoogleまたはGoogle Workspaceアカウントの全利用者へ無料で開放しました。最新のGemini Omni 1.1 Flashと新たな制作制御を使い、専門的な編集技術や多額の予算がなくても、商品紹介や販促などの高画質映像を作れるようにします。

利用者はパソコンでvids.newを開き、「Create AI videos」を選ぶと生成を始められます。新しい場面を1080p HDで作れるほか、既存のAI映像を高画質化して同じ時間軸に組み込めます。

制作制御では、映像の文脈や照明、登場人物の外見、周囲の環境を保ちながら場面を延長できます。生成する映像の長さも細かく指定でき、物語やナレーションに合わせた調整が可能です。

想定用途は、個人事業者の商品紹介、地域店舗の在庫告知、企業のランディングページやイベント表示、地域活動の案内です。テンプレートや商品写真を使えば、手作業の編集を抑えながら販促映像を制作できます。

Omni 1.1で生成した全映像には、AI生成物だと検証できる不可視のSynthID電子透かしをフレームへ埋め込みます。今後はGemini 3.8 Flash-Liteの文章読み上げ機能も加わり、入力した台本から100超の言語で自然なナレーションを作れる予定です。

無料枠を超える生成量が必要な個人には、Google AIプランを案内しています。Workspace BusinessとEnterpriseには、拡張された生成枠と一元的な管理機能が含まれます。

ドイツのAI新興企業Black Forest Labsは2026年9月23日、カメラ映像とロボットの状態、自然言語の指示から動作を生成する70億パラメータのオープンウェイトモデル「FLUX 3 Action」を発表しました。同社はNVIDIAのRoboLab-120で成功率42.92%を記録し、160億パラメータのCosmos3-Nano-Policyより小さく高速だと説明しています。

FLUX 3 Actionは、FLUX 3の画像・動画・音声による事前学習を基盤に、将来の映像と動作を同時に予測します。推論時には直近の映像、機体の状態、作業内容を受け取り、次の32動作と視覚的な変化の予測を返す設計です。

BFLによると、RoboLab-120の成功率は従来上位のモデルを6.1ポイント上回り、Cosmos3-Nano-Policyより1.43倍高速です。ただし数値は同社が公開前に提供したもので、NVIDIAの公開順位表には掲載されていません。異なる実機や評価手法を使う他モデルとの単純比較も困難です。

BFLはモデルの重み、コード、追加学習手順、評価結果、再現用の例を公開する方針で、低価格ロボットSO-101とHugging FaceのLeRobotを使う実装も含めます。開発チームは自社ロボットの実演データで追加学習でき、機密性の高い運用データを自社環境に保つ選択肢を得られます。一方、Action APIの料金や重みの商用ライセンスは未公表です。

同社は約200件の遠隔操作データで選別・配置作業を追加学習し、ドローン飛行やゲーム操作にも同じ設計を試しました。ただしBFL自身がこれらを初期実験と位置づけており、実機での再現性が導入判断の焦点です。小型化と公開性が、生産現場の多様な機体や作業で実用性につながるかが次の試金石になります。

中国のXiaomiは2026年9月22日、オープンウェイトAIモデル「MiMo-V2.6-Pro」と低価格版「Flash」を公開しました。Proは第三者評価機関Artificial AnalysisのIntelligence Indexで46点を獲得し、公開型モデルで首位となり、同日公開のGrok 4.7と並びました。企業は重みをMITライセンスで取得し、自社環境でも運用できます。

Proは100万トークンの文脈長を持ち、テキスト、画像、音声、動画の入力に対応します。API料金はキャッシュなしの入力100万トークン当たり0.435ドル、出力は0.87ドルで、外部評価の生成速度は毎秒約134トークンでした。

Flashは同じ文脈長とマルチモーダル機能を維持し、入力0.14ドル、出力0.28ドルとProの約3分の1です。Xiaomiの複数の長期エージェント評価ではProとの差が数点に収まり、大量のコーディング支援や文書処理では費用対効果が判断材料になります。