GoogleがリリースしたGemini 3 Agentic Visionは、AI視覚モデルの新たなフロンティアを切り開く革新的な技術である。従来のAIが苦手としていた複雑な画像解析を、エージェント機能とコード実行により高精度で実現し、画像内の個別オブジェクトの抽出、注釈付け、データチャート化などを自動的に処理する。特筆すべきは、39種類もの動物を画像から切り出して寿命順にグラフ化するような複雑なタスクを短時間で完了できる点であり、トレーダーのチャート分析や電子機器の診断など、実務における高精度な画像解析ニーズに応える実用性を持つ。この技術はGoogle AI Studioで体験可能であり、標準的なGeminiチャット機能では対応できない高度な画像処理タスクに特化した新しいAI活用の可能性を示している。
Google Gemini Agentic Visionの革新性
GoogleがリリースしたばかりのGemini 3 Agentic Visionは、まさにAI視覚モデルの新しいフロンティアとなる技術です。これまでAI開発の中でも少し遅れをとっていた分野の一つが視覚機能でしたが、Gemini 3 Flash Agentic Visionは、AIが視覚面で苦手としていた領域を本質的にカバーしています。
初心者の方でもこの技術を使えるように、使い方をお見せしていきましょう。それでは早速見ていきます。
Agentic Visionへのアクセス方法
まず、Gemini Chat with Aentic Visionというウェブサイトにアクセスしてください。これがGoogle GeminiでAentic Visionを体験する方法になります。というのも、これがソフトウェアを使用する上で圧倒的に最も効果的な方法だからです。
もちろん、ウェブサイト上のデモを使うこともできますが、自分で実際に試してみたい場合は、必ずツールに移動してコード実行機能を有効にしてください。ここで、複雑なタスクを解決するためのコードを使用できるようになります。これを完了したら、右側にGemini 3 Flash Previewが表示されていることも確認してください。
これがAgentic Vision機能を持つモデルです。他のモデルにはこの機能がありません。これができたら、モデルを使って遊ぶことができます。でも今のところは、実際に画像を返すためにデモのAI Studioを使っていきます。
9つの画像分析事例
このウェブサイトにアクセスすると、画像を分析する9つの異なる使用例が表示されます。これは標準版のGoogle Geminiの画像モデルよりもはるかに優れています。標準のチャット機能にこの機能を追加するかどうかはわかりませんが、画像を分析できる方法が全く異なります。
例えば、このデモでは、すべての動物を切り出して、それらをMatplotlibのアイコンとして使用し、それらの動物の寿命を表示することができます。
高度な画像処理能力
つまり、これが意味するのは、Google Geminiがそのエージェント機能を使って画像を分析し、画像を分割し、これらすべてを切り出してからチャートに入れているということです。これはすべてのAIができることではないということを理解する必要があります。実際、これができるのはおそらくGeminiだけだと言えるでしょう。
そして最も注目すべき点の一つは、Geminiが基本的に画像を切り出して、個々の生物すべてに対してすべての計算を実行できるということです。それだけでなく、比較的短時間でそれを実行できます。ここに「画像から39匹すべての動物の抽出に成功し、寿命が短いものから長いものへと並べた棒グラフを作成しました」と書かれているのが見えますね。
他のAIにこれを依頼したら、単純に時間がかかりすぎるでしょう。
実用的なユースケース
さて、これはクールだけど、実際の使用例は何だろうと思うかもしれません。それは非常に明確です。非常に詳細で多くの異なるものが含まれている画像がある場合、Google Geminiにその画像を取得させ、その画像を分解させ、それを簡単に見ることができる構造化された棒グラフや何らかのデータとして提示させることができます。
これは、ほとんどの人が見逃しているこの機能の主要なユースケースの一つです。
画像への注釈機能
Google Gemini Agentic Visionの動作のもう一つの例は、画像に注釈を付ける能力です。ほとんどのAIは静的です。画像を分析して、それ以上のことはしません。しかし、Google Gemini Agentic Visionを使えば、このプロンプトは「異なる色で画像に注釈を付け、どのオブジェクトがどのゴミ箱に入るべきかを示す」と言っています。
すぐに、どのゴミ箱に入れるべきかを示す矢印が異なるオブジェクトを指しているのが見えるでしょう。繰り返しになりますが、これは非常に優れています。なぜなら、ほとんどのAIは実際に答えを提供する方法で画像上に描画できるように推論してコードを使用することができないからです。
データの可視化と正規化
ここにあるもう一つの例は、カテゴリごとのパフォーマンスの棒グラフを作成するというものです。データを正規化します。各タスクについて以前の最先端技術を1として正規化し、カテゴリごとの平均を取ります。素敵なスタイルでMatplotlibを使ってプロットします。
そして、ここで非常に正確な最終出力を見ることができます。ChatGPTやGeminiの特定のバージョンがこれを実行できると思うかもしれませんが、ここで探している重要な点の一つは精度であることを理解する必要があります。
非常に正確な画像分析が必要な場合、これがあなたのためのツールになります。
金融チャート分析への応用
例えば、私が常にやりたかったことの一つは、時々金融チャートを研究するのが好きなので、スイング安値とスイング高値を分析することです。そこで、実際にGemini Agentic Visionに画像を分析させ、スイング高値とスイング安値に矢印を配置させました。
ここで、画像を分析し、スイング高値に矢印を、スイング安値に矢印を配置できることがわかります。このようなことは、さまざまなことをしようとしているトレーダーにとって非常に重要です。スイング高値とスイング安値を記録する時間がないかもしれません。
もちろん、それを実行するために使用できる特定のアルゴリズムがあります。しかし、これは実際に正確なソフトウェアがある場合に画像分析ができることの基本を示しているだけです。
高度な推論機能
最後にお見せしたい例の一つは、高度な推論です。なぜなら、これが実際にできることは、この画像内で特定された可能性のある問題について推論することだからです。
そして、これは非常に便利だと思います。なぜなら、何かの写真を撮ることがあるかもしれないからです。仕事場かもしれません。何が起こっているのか正確にはわからない電子機器の箱を見ているかもしれません。どの部品がどれなのかわからず、Gemini Liveでは単純に助けられません。これは、多くの具体的な情報が必要な特定のケースであなたを本当に助けてくれるツールになります。
ここでは基本的に、両方の定規がセンチメートルで測定されているにもかかわらず、一方が明らかに間違っていることを伝えることができます。私が言ったように、何かが間違っているかどうかを本当に分析しようとしている場合、何かを測定しようとしている場合、これは非常に便利なツールになります。
詳細な画像解析の実例
特定のチップを分析しようとしている場所を見ることもできます。ズーム、回転、トリミングを行い、この特定のチップの番号を見つけます。ズーム、回転、トリミングを行い、必要なすべての情報を取得できます。
このビデオを楽しんでいただけて、このツールを使いたい場合は、冒頭で言ったように、Google AI Studioにアクセスし、Gemini 3 Previewを有効にし、コード実行を有効にすることを忘れないでください。そして、標準画像と標準Google Geminiで問題が発生した場合は、必要なものをテストするためにここに来ることを忘れないでください。最近のGoogleのアップデートがそれを解決した可能性が非常に高いからです。
いつものように、ビデオを楽しんでいただけたなら、次回お会いしましょう。
コメント