NVIDIA、動画分析AIエージェント向けブループリント公開：30倍速で処理

世界中で稼働している法人向け監視カメラは約15億台あり、年間で約7兆時間もの映像を記録しています。しかし、人間がリアルタイムで確認できている映像はそのうち1％未満にすぎません。

NVIDIAはこの未活用データに目をつけました。同社はCESのタイミングに合わせて、動画の検索と要約を行うAIエージェントを構築するための「NVIDIA AI Blueprint」の早期アクセスを発表しました。

30倍速での映像処理と推論機能を両立

このBlueprintは、同社のMetropolisプラットフォームを基盤に、Cosmos Nemotron視覚言語モデル（VLM）、Llama Nemotron大規模言語モデル（LLM）、NeMo Retrieverを統合したものです。

NVIDIA AI EnterpriseソフトウェアプラットフォームのNIMマイクロサービスを活用することで、バッチ動画処理はリアルタイムの視聴と比較して30倍高速に行えます。さらに、思考の連鎖（Chain-of-Thought）による推論やタスク計画、ツール呼び出しといった自律型エージェント機能を備えており、エッジからクラウドまで柔軟に配備できます。

工場では、複雑な組み立て作業の動作手順が守られているかを監視したり、3D容積推定によって倉庫のスペース効率を改善したりできます。事故が発生した際には、状況をまとめたインシデントレポートを自動生成することも可能です。

黄CEOの始球式フォームもAIが添削

産業用途だけでなく、スポーツやメディアエンターテインメント領域への展開も見据えています。

CESの基調講演では、CEOのジェンスン・フアン氏がサンフランシスコ・ジャイアンツの試合で行った始球式の投球映像を使ったデモを披露しました。AIエージェントがプロ選手の投球フォームと比較し、改善すべきポイントを具体的に提示してみせました。

現在、アクセンチュア、デロイト、EY、インフォシス、ペガトロン、TCSなどがこのBlueprintの開発ワークフローへの統合を進めています。

なぜ重要か

これまで防犯カメラや産業用カメラは「記録するだけ」で、問題が起きた後に膨大な録画を目視で巻き戻す作業に追われていました。年間7兆時間という膨大な映像を自然言語で検索可能にし、異常を自律的に判断させる仕組みは、現場オペレーションのあり方を大きく変える可能性があります。

単に新しい基盤モデルを提供するだけでなく、推論エンジンや検索フレームワークをパッケージ化したBlueprintとして提供する手法は極めて実用的です。企業は既存のカメラ設備をそのまま生かしながら、高度なAI監視体制を構築できます。

ただし、30倍速のバッチ処理は事後調査や集計には強力ですが、製造ラインでの瞬時の不良検知や緊急停止など、リアルタイム性が最優先される場面でどこまで遅延なく動作できるかは課題です。エッジ側のハードウェアコストと処理性能のバランスが、普及のスピードを左右すると考えられます。