Introducing Agentic Video in Gemini で Google DeepMind は、Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Lite 向けに agentic video understanding を発表しました。
固定フレームレートで動画を処理するのではなく、モデルが必要な場面を動的に探し、映像・音声・文字起こしを使い分けます。
Google は、トークン消費を最大 88%、コストを最大 66% 削減し、品質を最大 7% 改善すると説明しています。
動画理解の論点は、単に「より長い動画を扱えるようになった」ことではありません。むしろ重要なのは、AI に動画を読ませる設計が、全量投入から目的駆動の探索へ移り始めたことです。
従来の動画分析では、開発者はフレームレートや切り出し方を先に決める必要がありました。1 FPS で十分なのか、細かい動きまで見るために高頻度でサンプリングするのか。その判断を外すと、コストが跳ねるか、重要な瞬間を落とすかのどちらかになります。
今回の agentic video understanding は、この前処理の一部をモデル側に寄せます。質問に応じて、どの区間を見るべきか、どの速度で見るべきか、映像・音声・ transcript のどれを使うべきかをモデルが選びます。開発者にとっては、動画理解アプリケーションを作るときの設計単位が変わります。動画を小さく砕いて渡す実装から、モデルに探索の余地を与える実装へ近づくからです。
この変化が効くのは、長尺動画です。講義、会議録画、製品デモ、監視映像、サポート動画のように、全体の大半は直接の答えに関係しないが、どこかに重要な瞬間があるコンテンツでは、全フレームを均等に処理する発想は相性が悪い。必要な場面だけを再確認できるなら、コスト削減は単なる節約ではなく、これまで採算が合わなかった用途を実装候補に戻す意味を持ちます。
もちろん、これは万能化のニュースではありません。モデルが「どこを見るか」を決める以上、見落としや探索方針の偏りをどう検証するかは残ります。特に異常検知や監査用途では、コスト効率だけで採用判断をしてはいけません。サンプリングの透明性、再現性、失敗時の説明可能性を含めて評価する必要があります。
それでも、実務上の機会は大きいです。動画を扱う AI 機能は、これまで入力サイズとコストの制約で PoC 止まりになりがちでした。今回の方向性は、長尺メディアを「一度に全部理解させる対象」ではなく、「目的に応じて探索する情報空間」として扱うものです。
動画AIの導入判断では、モデルの精度だけでなく、探索の設計をどこまでモデルに任せるかが新しい検討軸になります。そこをうまく切り分けられるチームほど、動画データを検索・分析・業務支援に使う余地を広げられそうです。
関連記事
- Inside Microsoft’s two-decade push to cut water intensity while scaling for growth
- Introducing Claude Opus 5
- Granite 4.2 LLMs: How They’re Built
参考文献
コメント