NVIDIA、動画検索・要約向け「AI Blueprint」を発表：自然言語で映像分析エージェントを構築

世界中の交差点、倉庫、工場には無数の防犯カメラが設置されていますが、その映像の大半は誰にも見られることなくストレージに眠っています。

こうした膨大な視覚データを活用するため、NVIDIA はバルセロナで開催された「Smart City Expo World Congress」に先立ち、映像検索と要約に特化した新しい「NVIDIA Blueprint」を発表しました。

これは開発者が動画解析 AI エージェントを迅速に構築できるようにする、カスタマイズ可能なリファレンスワークフローです。

自然言語で監視映像に「問いかける」

従来の映像分析では、特定の物体を検出するために専用のコードを記述し、モデルを個別に調整する必要がありました。

今回のブループリントはビジョン言語モデル（VLM）を活用しており、開発者や管理者はプログラミング言語ではなく、自然言語のプロンプトを使って映像分析エージェントを動かせます。

例えば「交差点で事故は起きていないか」と尋ねたり、倉庫で安全規定に違反した作業員がいた場合に自動でアラートを飛ばすような仕組みを容易に作ることができます。

技術面では、NVIDIA NIM マイクロサービスを通じて提供される NVIDIA Cosmos Nemotron（VLM）や NVIDIA Llama Nemotron（LLM）、GPU 加速された検索拡張生成（RAG）が組み込まれています。開発者は必要に応じて他のモデルやグラフデータベースに差し替えたり、NeMo プラットフォームでファインチューニングすることも可能です。

デルやレノボ、アクセンチュアといった大手パートナーがすでに導入支援を表明しており、イタリアのパレルモ市では交通監視カメラのリアルタイム分析に活用されています。

ブループリント自体は無料で試用・ダウンロード可能で、商用環境への大規模展開には NVIDIA AI Enterprise を利用する形をとっています。

なぜ重要か

防犯カメラや産業用カメラのデータは、これまで活用が最も遅れていた領域の一つでした。事故やトラブルが起きた後に、人間が長時間録画を巻き戻して確認するのが一般的だったためです。

今回の NVIDIA のアプローチは非常に合理的だと考えられます。VLM や LLM、RAG を組み合わせた高度なマルチモーダル基盤を自前で構築しようとすれば数カ月はかかりますが、検証済みの青写真を提供することで導入のハードルを一気に下げました。

業界全体から見れば、NVIDIA は単なるハードウェア企業から、企業向け AI ワークフローの標準基盤へと着実に進化しています。エッジからクラウドまで自社の NIM エコシステムで固めることで、競合が容易に崩せない壁を築いています。

ただし、高解像度の動画ストリームを複数同時にリアルタイム処理する場合、現場で必要となる GPU コストは依然として高額です。また、公共空間や職場での常時監視に伴うプライバシー保護や規制への対応も、導入企業が直面する現実的な課題と言えます。