Deepmind CEOのDemis Hassabisは、GoogleのGeminiとVeo AIモデルの将来の統合を発表しました

ポッドキャストPossibleの最近のエピソードで、LinkedIn共同創業者レイド・ホフマンが共同ホストを務め、Google DeepMind CEOデミス・ハサビスがGoogleの計画について興奮するニュースを共有しました。彼は、GoogleがGemini AIモデルをVeoビデオ生成モデルと統合しようとしていることを明らかにしました。この融合は、Geminiの物理世界の理解を強化し、現実のダイナミクスをより巧みに理解できるようにすることを目指しています。

ハサビスは、Geminiが最初からマルチモーダルになるように設計されていたと強調しました。「我々は常に、基盤モデルであるGeminiを最初からマルチモーダルに構築してきました」と彼は説明しました。このアプローチの動機は？日常生活で本当の意味で役立つユニバーサルデジタルアシスタントのビジョンです。「現実世界で実際にあなたを助けるアシスタント」とハサビスは詳しく述べました。

AI業界は、いわゆる「オムニ」モデル——さまざまなメディアを処理し統合できるモデル——に向かって着実に進化しています。たとえば、Googleの最新のGeminiイテレーションは、テキストだけでなくオーディオや画像も生成できます。一方、OpenAIのChatGPTデフォルトモデルは、その場で画像を生成でき、スタジオジブリ風のアートも含まれます。Amazonも遅れを取っておらず、今年後半に「any-to-any」モデルを展開する計画です。

これらのオムニモデルには、画像、ビデオ、オーディオ、テキストといった膨大なトレーニングデータが必要です。ハサビスは、Veoのビデオデータが主にYouTubeから来ていると示唆しました。YouTubeはGoogleが所有する宝の山です。「基本的に、YouTubeビデオ——大量のYouTubeビデオ——を見ることによって、[Veo 2]は世界の物理を理解できます」と彼は述べました。

Googleは以前、TechCrunchに対し、そのモデルがYouTubeクリエイターとの契約に基づいて「一部の」YouTubeコンテンツでトレーニングされている「可能性がある」と述べていました。昨年、GoogleがAIモデルのトレーニングのためにさらに多くのデータにアクセスするために利用規約を拡大したことは注目に値します。