Google、Geminiの動画解析をエージェント型に刷新

Googleは、AIモデル「Gemini」の複数バージョンに新たな動画解析機能を追加した。対象となるのはGemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteの3モデルで、動画を処理する際の仕組みが従来とは大きく異なる「エージェント型」と呼ばれる方式に変わる。

これまでの動画解析では、映像をコマ送りのように一定の間隔でフレームごとに読み込む方式が一般的だった。この方法はシンプルである一方、動きの少ない場面でも多くの処理リソースを消費するという課題がある。また、映像の長さが増すほど処理コスト（AIでは「トークン」と呼ばれる計算単位で測られる）が比例して膨らむ構造になっており、特に数時間にわたる長尺の映像を扱う際には非効率が顕著になっていた。

新しいエージェント型方式では、モデル自身がどの場面を重点的に調べるかを判断する。つまり、映像全体を均一に処理するのではなく、重要と判断した箇所を選んで解析する。さらに、各場面をどの精細度（解像度）で読み込むかもモデルが自動的に判断するため、必要な部分には詳細な解析を行い、そうでない部分には軽い処理で済ませることができる。

Googleによると、この方式への切り替えにより、トークンの使用量を最大88%削減できるという。同時に、解析の精度も向上するとしており、特に数時間規模の長尺映像でその効果が顕著に現れるとしている。トークン使用量の削減は、処理コストの低下に直結するため、API経由でGeminiを利用する開発者や企業にとっては直接的なコスト削減につながる可能性がある。

この動きは、AIモデルの処理効率をめぐる競争が活発化している流れとも重なる。大規模な映像データを扱うビジネス用途では、精度の高さと同様にコスト効率が重要な選定基準となっており、長時間の録画映像を自動で分析するシステムへの需要は高まりつつある。そうした用途でいかに低コストかつ高精度な処理を実現できるかが、モデルの競争力を左右する要素のひとつと位置づけられる。

エージェント型の解析は、モデルがタスクに応じて自律的に判断しながら処理を進めるという考え方に基づいており、近年AIの分野で広がる「AIエージェント」の概念をモデルの内部処理にも応用した形といえる。固定のルールに従って一律に処理するのではなく、状況に応じて判断を変えるこのアプローチは、テキスト処理や検索などの分野でもAI性能向上の鍵とされており、動画解析への本格的な適用はひとつの転換点と見ることができる。

今後は、この方式がどの程度の実用場面で活用されるか、また他のモデルや競合サービスにも同様のアプローチが広がるかが注目される。動画を扱う業務システムや監視・分析ツールへの導入を検討している事業者にとっては、実際のユースケースでのコスト削減効果と精度を見極めることが次の判断軸になるだろう。