相手を数秒見つめるだけ、騒音下で特定の話者の声だけを抽出するAIヘッドホン
ワシントン大学の研究チームは、装着者が話者を3〜5秒間見つめるだけでその声を登録し、周囲の雑音を遮断して相手の声だけをリアルタイムで届けるAIシステム「Target Speech Hearing」を発表した。相手から顔を背けたり移動したりしても追従する。現在は研究段階で商用化はされていない。
研究 · デイリー
木
5月23日 木曜日
火
5月7日 火曜日
MITら、機械学習でマッコウクジラの「アルファベット」を発見
MIT CSAILとProject CETIの研究チームは、機械学習を用いてマッコウクジラのクリック音データ8,719件を解析し、独自の組み合わせコード体系を発見した。人間が音節を組み合わせて単語を作るような二重性が、海洋哺乳類の会話にも存在する可能性を示している。
日
5月5日 日曜日
生成AIが新薬を完全自律設計へ：開発期間を年単位から数か月に短縮
米CNBCはイーライリリーやエヌビディア幹部の発言として、数年内に生成AIが新薬をゼロから設計するようになると報じた。ウェットラボで1年かかる分子生成を5分でこなすなど開発期間を劇的に短縮するが、最終的な効果実証には臨床試験が不可欠だ。
金
4月26日 金曜日
Profluent、AIでゼロから設計した遺伝子編集ツール「OpenCRISPR-1」をオープンソース公開
Profluentは、大規模言語モデルを活用してゼロから設計した精密遺伝子編集ツール「OpenCRISPR-1」をオープンソース公開した。AIが生成した分子は天然のCas9と400箇所以上異なる配列を持ちながら、ヒト細胞で同等以上の編集活性を実証。遺伝子編集が自然界からの探索からオンデマンド設計へと進化を遂げた。
火
4月23日 火曜日
Hugging Faceが「Open CoT」順位表を公開：思考の連鎖による精度向上幅を可視化
Hugging Faceはモデルの絶対的な正解率ではなく、思考の連鎖（CoT）プロンプトによる正解率の向上幅（Δ）を競う「Open CoT Leaderboard」を公開しました。初期テストでは7Bクラスの軽量モデルが大型モデル以上に恩恵を受けるケースが見られる一方、状況によってはCoTが逆に精度を下げる例も確認されています。
月
4月22日 月曜日
AdobeがVideoGigaGAN発表：ぼやけた動画を8倍拡大、チラつきも解消
報道によると、Adobe の研究チームは動画超解像 AI モデル「VideoGigaGAN」を発表した。GAN の高精細なディテール生成力を活かしつつ、フレーム間のチラつきや歪みを抑えて解像度を最大 8 倍に引き上げる。現在は研究プレビューの段階で、Premiere Pro などへの搭載は未定となっている。
多目的エージェント「JAT」公開：1つのモデルでゲームもロボット制御もこなす
汎用エージェントプロジェクト「JAT」がオープンソースで公開された。Gatoの再現と改良を目指したもので、モデルとデータセットを同時提供。単一のTransformerで157のタスクに対応し、専門エージェント比65.8%の性能を達成している。
金
4月19日 金曜日
スタンフォード大「AI Index」：従来テストで人間超え、評価基準の刷新急務
スタンフォード大学HAIは第7回「AI Index」レポートを公開した。画像分類や読解に続き、難関数学（MATH）の正答率も2年で6.9%から84.3%へ急伸し、多くの指標で人間に肉薄している。既存ベンチマークが急速に形骸化する一方、ハルシネーションなどの課題は依然として残されている。
水
4月3日 水曜日
アップルが「ReALM」発表：画面情報をテキスト化しGPT-4超え
Apple の研究チームは、画面上の表示内容をテキストに変換して文脈を理解する AI システム「ReALM」を発表しました。重い画像認識処理を省くことで端末上での軽快な動作を実現しつつ、画面関連タスクにおいて GPT-4 を上回る性能を記録。将来の Siri が画面を見ながら操作代行できる道を開きます。
火
4月2日 火曜日
Anthropicが「多重ショット脱獄」を解明、文脈の肥大化でAIの倫理制御が無効化
Anthropicの研究陣は長大化したコンテキスト悪用による「メニーショット脱獄」手法を発表した。プロンプト内に数十のQA例を埋め込むことで文脈内学習が働き、爆弾製造など危険な指示も従わせてしまう。同社は競合へ情報を共有し、入力段階での分類フィルターによる対策を進めている。
月
3月18日 月曜日
Googleが「VLOGGER」発表：写真1枚と音声から身振り手振り付きの動画を自動生成
Googleの研究チームがマルチモーダル拡散モデル「VLOGGER」を発表した。人物の写真1枚と音声クリップを入力するだけで、発話に合わせて表情だけでなく顔の向きや手振りを交えたリアルな動画を生成できる。個別学習が不要な点が強みだが、現時点では短尺で背景が固定されるなどの制約もある。
水
3月13日 水曜日
Google DeepMind、自然言語の指示で3Dゲームを操作する汎用AI「SIMA」を発表
Google DeepMindは3D仮想環境向け汎用AIエージェント「SIMA」を発表した。『No Man's Sky』など9つの商業ゲームで訓練され、専用APIを使わず画面映像と自然言語指示のみでキーボード・マウスを操作し、600の基本スキルを実行できる。ハイスコア目的ではなく指示通りに行動する汎用性の検証が目的だ。
土
3月9日 土曜日
神経科学の実験予測でLLMが専門家を逆転：正答率81％対64％
Xiaoliang Luo氏らの研究チームは、大規模言語モデルが神経科学実験の成功予測において正答率81％を記録し、人間の専門家の64％を上回ったと発表した。わずか70億パラメータ規模のモデルでも専門文献の追加学習で性能が向上し、有望な研究テーマの選定に役立つという。
月
2月26日 月曜日
Google DeepMindが世界モデル「Genie」発表：画像1枚から遊べるゲームを生成
月曜日、Google DeepMindは静止画1枚やスケッチからプレイ可能な2Dゲームを生成できる基盤世界モデル「Genie」を発表した。操作ラベルのない20万時間以上のゲーム動画から物理挙動と操作性を自律学習する。将来的なAIエージェントの訓練環境としても期待される。
木
2月15日 木曜日
Metaが「V-JEPA」発表、画素を生成せず動画を理解する新アーキテクチャ
Metaは非生成型の動画モデル「V-JEPA」を発表した。ピクセルそのものを予測するのではなく、抽象的な表現空間で欠損した動画情報を予測することで、訓練効率を1.5倍から6倍に改善した。基幹部分を固定したまま少量の追加学習で多様なタスクに対応できる。
