Google・DeepMind・Alphabet 8分で理解するGeminiのエージェント的ビジョン
Googleが発表した「エージェント的ビジョン」は、Gemini 2.0 Flashに搭載された革新的な機能である。従来の画像認識タスクをエージェント的なタスクへと変換し、画像のズーム、パン、回転、変形といった操作をPythonコードで実行...
視覚的推論
Google・DeepMind・Alphabet 
AI研究 AIはどのようにして真実を知るのか?画像認識による高度なテスト
本動画は、マルチモーダルAIが未知の物体を視覚的に認識し、新たな概念を形成する能力について実験的に検証したものである。AIに手描きの抽象的な図形を見せ、それに名前を付けさせた後、別の画像で同じ物体を再認識できるかをテストする。結果として、A...
AI研究 AI視覚推論が解決された:MONET(ピクセル空間不要)
本動画は、AI分野における画期的な研究論文「MONET」を解説するものである。MONETは、従来の視覚言語モデルとは根本的に異なるアプローチを採用し、テキスト空間に変換することなく、純粋に視覚的な潜在空間内で推論を行う新しいAIシステムであ...
Google・DeepMind・Alphabet 壁は存在しない:Gemini 3があなたの仕事にとって本当に意味するもの
Gemini 3が明確な世界ナンバーワンモデルとして登場し、あらゆるベンチマークで他を圧倒している。数学、科学、視覚的推論、スクリーン認識など幅広い領域で大幅な進歩を見せ、特に視覚理解とマルチモーダル能力において顕著な飛躍を遂げた。これは「...
Google・DeepMind・Alphabet GoogleのNanoBanana 2が示すAGIの片鱗──人間のような推論能力を持つ画像生成モデルの衝撃
Googleの新しい画像生成モデルNanoBanana 2は、単なる画像編集ツールを超えた能力を示している。破れた紙片から元のメッセージを再構築し、複雑な数学の微積分問題をホワイトボード上で解き、多言語の手書き文字を正確に再現し、落下する物...
AI研究 見る前に見ることを学ぶAI(LLMからVLMへ)
本動画では、Metaの超知能チームによる最新研究「見る前に見ることを学ぶ」論文を解説している。この研究は、言語モデルから視覚言語モデルへの変換において、テキストベースの推論データが視覚理解に極めて重要な役割を果たすことを明らかにした。具体的...
LLM・言語モデル LMMは視覚的に推論するのか、それとも文章的に推論するのか？
この研究は、大規模マルチモーダルモデル（LMM）が物理法則をどのように理解し推論するかを検証したものである。特に自動運転車のような実世界のシナリオにおいて、AIが未知の物体に遭遇した際の物理推論能力を評価している。ミシガン州立大学の研究者ら...