アリババが「Thinking with Map」発表：AIが地図を探索して撮影場所を特定

写真から撮影場所を当てるゲーム「GeoGuessr」のプレイヤーなら誰でも知っている通り、看板や植生の特徴を見分けるのは序盤にすぎません。本当に勝敗を分けるのは、地図を広げて候補地を丹念に照合できるかどうかです。

従来のマルチモーダル AI による画像位置特定は、事前学習した知識の暗記やウェブ検索に頼りがちで、人間のように地図を探索する視点が抜けていました。1 月 8 日、アリババの研究チームは、AI が自ら地図を操作しながら撮影場所を絞り込む新フレームワーク「Thinking with Map」を発表しました。

地図と対話しながら推論するエージェント

研究チームは、モデルを地図インターフェースと直接対話させる「エージェント・イン・ザ・マップ」のループ構造を構築しました。

システムは 2 段階の最適化で構成されています。まず強化学習によって、地図上を効率的に探索・ズームして手がかりを精査するエージェント能力を強化。さらに推論時に並列テスト時間スケーリングを適用し、最終的な予測を下す前に複数の候補ルートを同時に探索できるようにしました。

実世界での検証のため、チームはすべて実際の写真で構成された最新のベンチマーク「MAPBench」も新たに用意しました。

500m以内の特定精度でGeminiの2.8倍を記録

このアプローチは、位置特定の精度に明確な差をもたらしました。

MAPBench の評価において、Thinking with Map はオープンソースおよび商用モデルの大半を上回る成績を収めました。特に実用性の高い「誤差 500 メートル以内」の精度において、22.1% を達成しています。

Google 検索および Google マップのグラウンディング機能を有効にした Gemini-3-Pro が同じ条件下で 8.0% にとどまったのに対し、2.8 倍のスコアを叩き出した計算になります。

なぜ重要か

この技術は、写真から場所を割り出す調査報道、オープンソースインテリジェンス、災害救助、さらにはソーシャルメディアの画像検証などにおいて極めて実用的な価値を持ちます。街区レベルで場所を絞り込める能力は、これまで膨大な人手を要していた作業を大きく変える可能性があります。

AI 開発の観点では、推論時スケーリングの適用先がテキスト推論や数学から、地図探索のような動的な外部ツール操作へと広がった点が見逃せません。モデルに知識を詰め込むよりも、専門ツールを与えて自律的に検証させた方がはるかに確実であることを示しています。

地図サービスを持つアリババならではの賢い着眼点だと評価できますが、500 メートル精度が 22.1% ということは、難度の高い写真の約 8 割はまだピンポイントで特定できない現実も示しています。推論時の並列探索に伴う計算コストを抑えつつ、いかに実運用可能なレスポンス速度に落とし込めるかが今後の焦点になりそうです。