Name: グーグル・ディープマインドCEO、世界構築AIモデル「ジーニー2」のデモを実施 (Google DeepMind CEO demonstrates world-building AI model Genie 2)
Uploaded: 2025-04-23T00:12:44.000Z
Duration: 5 min 48 s
Description: VoiceTubeの動画で発音を聞きながら英語表現を覚えよう！学べる英語：

程度の副詞

This building across the square looks quite new.

広場の向かいにあるこの建物はかなり新しいようだ。

That is the Google London office in Pancras Square.

これがパンクラス・スクエアのグーグルロンドンオフィスだ。

This week on 60 Minutes, we reported on DeepMind, Google's artificial intelligence research lab where we explored what's coming next with co-founder and CEO Demis Hassabis, a leader in this new world.

今週の『60 Minutes』では、グーグルの人工知能研究所であるディープマインドを取材し、この新世界のリーダーである共同設立者兼CEOのデミス・ハサビスとともに、次の展開を探った。

DeepMind's AI assistant, Astra, can see, hear, and analyze the world around it.

ディープマインドのAIアシスタント、アストラは、周囲の世界を見て、聞いて、分析することができる。

It can recognize famous paintings like this one.

このような有名な絵画を認識することができる。

それがエドワード・ホッパーのオートマットだ。

And guess what its subject might be feeling.

そして、その被写体が何を感じているのか。

彼女はどんな感情を示しているのか？

The subject in the painting appears pensive and contemplative.

絵の中の主題は物思いにふけっているように見える。

But with a little push, it can do even more.

しかし、少し押せば、それ以上のことができる。

Can you create a story around this picture?

この写真にまつわる物語を作ることができますか？

It's a chilly evening in the city, a Tuesday perhaps.

街は肌寒い夜、火曜日だろうか。

The woman, perhaps named Eleanor, sits alone in the diner, enjoying a warm cup of coffee.

その女性はおそらくエレノアと名付けられ、一人食堂に座り、温かいコーヒーを楽しんでいる。

Have you found yourself saying, I didn't see that coming?

こんなことになるとは思わなかった」と思ったことはないだろうか？

It's happened many times, actually, since the beginning of DeepMind.

ディープマインドの創業以来、実際に何度もあったことだ。

And Astra, just being able to be that good at understanding the physical world was not something we were expecting it to be that good at that quickly.

そしてアストラは、物理的な世界を理解することに長けているだけで、そんなに早くそうなるとは思っていなかった。

While reporting this story, we learn more about the strides DeepMind has made with AI that can produce images, videos, and even three-dimensional worlds.

この記事の取材中、ディープマインドが画像や動画、さらには3次元の世界を作り出すことができるAIを開発し、飛躍的な進歩を遂げたことを知った。

Two years ago, we were shown a technology that could create videos with simple text prompts like Golden Retriever with wings.

2年前、私たちは羽の生えたゴールデン・レトリーバーのようなシンプルなテキストプロンプトでビデオを作成できる技術を見せてもらった。

Since then, it has taken a massive leap forward.

それ以来、飛躍的な進歩を遂げている。

It's just a way clearer, more detailed image.

より鮮明で、より詳細なイメージだ。

And the snowflake's sort of falling on him and collecting as a...

雪片が彼の上に落ちてきて、それを集めている......。

Director of product management, Tom Hume, showed us this model called VO2.

製品管理ディレクターのトム・ヒュームは、VO2というモデルを見せてくれた。

It recreated the fantastical scene of the Golden Retriever, but with astonishing photorealistic detail.

ゴールデンレトリバーの幻想的なシーンを、驚くほど写実的なディテールで再現したのだ。

It even knows how wings flap, like how it would flap in the air.

翼が空中でどのように羽ばたくかさえ知っている。

Eventually, we've seen this in science fiction as sort of like the holodeck from Star Trek, where you can just imagine any environment.

SFの世界では、『スタートレック』のホロデッキのように、どんな環境でも想像することができる。

The system will generate it for you, and then you can sort of immerse yourself in that imagined environment.

システムがそれを生成してくれて、その想像した環境に没頭することができる。

Asabis and DeepMind research scientist Jack Parker Holder wanted to show us Genie2, a world model that uses images to create interactive 3D environments.

AsabisとDeepMindの研究科学者であるジャック・パーカー・ホルダーは、画像を使用してインタラクティブな3D環境を作成する世界モデル「Genie2」を見せたかったようだ。

This is a photograph taken by someone in our team somewhere in California.

これはカリフォルニアのどこかでチームの誰かが撮った写真だ。

And what we then do is ask Genie to convert this into an interactive world.

そして、これをインタラクティブな世界に変換するようGenieに依頼する。

So we prompt the model with this image, and Genie converts it into a game-like world that you can then interact in.

そこで、私たちはこのイメージでモデルを促し、Genieはそれをゲームのような世界に変換し、その中でインタラクションができるようにします。

Every further pixel is generated by a generative AI model.

さらにすべてのピクセルは、生成AIモデルによって生成される。

So the AI is making up this scene as it goes along.

つまり、AIがこのシーンを作り上げているのだ。

Someone from our team is actually playing this.

チームの誰かが実際にプレーしている。

They're pressing the W key to move forwards.

彼らはWキーを押して前進している。

And then from that point onwards, every subsequent frame is generated by the AI.

そしてそれ以降、すべてのフレームはAIによって生成される。

Parker Holder told us these models could eventually train AI agents to accomplish tasks in these environments.

パーカー・ホルダーは、これらのモデルは最終的に、このような環境でタスクを遂行するAIエージェントを訓練することができると語った。

We've created this world with three different arches, where on the left we see some nice plants.

私たちは3つの異なるアーチでこの世界を作り、左側には素敵な植物が見えます。

In the middle, it's an opening, which we don't quite know what's in there.

真ん中には開口部があり、そこに何があるのかよくわからない。

And rather than a human playing, we take one of our most capable AI agents, and we say, can you actually go up the staircase for us?

そして、人間がプレーするのではなく、我々の最も有能なAIエージェントを連れて行き、我々のために実際に階段を上ってくれないか？

And as it's climbing the stairs, the Genie world model is creating the world around it on the fly instead of imagining what's up there.

そして階段を登っているとき、Genieの世界モデルは、上にあるものを想像するのではなく、その場で周囲の世界を創造している。

Effectively, you've got one AI system playing in the mind of another AI system.

事実上、あるAIシステムが別のAIシステムの頭の中でプレーしているようなものだ。

So you've got one generating the world, and the other one is moving around and accomplishing goals in that world.

つまり、一方が世界を生成し、もう一方がその世界を動き回って目標を達成する。

And the practical implication of that would be what?

So, of course, there's lots of implications for entertainment and generating games and videos.

だからもちろん、エンターテインメントやゲームやビデオの制作には多くの意味がある。

But actually, the bigger goal is building a world model, a model that can understand our world.

しかし実際には、より大きな目標は世界モデル、つまり我々の世界を理解できるモデルを構築することだ。

You could imagine future versions creating almost an infinite variety of different simulated environments, which the AIs can learn from and interact in, and then translate that to the real world.

将来のバージョンでは、ほぼ無限のさまざまなシミュレートされた環境を作り出し、そこでAIが学習し、相互作用できるようにし、それを現実の世界に変換することも想像できるだろう。

So if you had a full-sized robot, for example, you wouldn't train him on how to navigate the world out in the streets in front of the building.

だから、例えばフルサイズのロボットがあったとして、ビルの前の道路でどのように世界をナビゲートするかをトレーニングすることはないだろう。

You would put him in this scenario so that he could figure out how to climb stairs.

階段の登り方を理解させるために、このようなシナリオにしたのだろう。

It's much harder to collect data in the real world, much more expensive, much slower.

現実の世界でデータを収集するのははるかに難しく、費用もかかるし、時間もかかる。

例えば、ロボット工学のデータだ。

But in simulated worlds, you can sort of collect almost an unlimited amount.

しかし、シミュレーションの世界では、ほとんど無制限に集めることができる。

We wondered if Google could use the trove of geographic data that's at its fingertips to advance this technology.

私たちは、グーグルがその指先にある地理データの宝庫を利用して、この技術を発展させることができないかと考えた。

Google has access to almost infinite data.

グーグルはほぼ無限のデータにアクセスできる。

You've got Google Maps, you've got Street View, you've got Google Earth.

グーグルマップもストリートビューもグーグルアースもある。

Could all of those data be collected together in order to train AI agents?

AIエージェントを訓練するために、これらのデータをまとめて収集することは可能だろうか？

That's what we're exploring at the moment, actually, is both ways.

私たちが今探求しているのは、実はその両方なんだ。

So potentially using Street View kind of data to give real-world understanding and geographical understanding to our AI systems.

つまり、ストリートビューのようなデータを使って、AIシステムに現実世界の理解や地理的な理解を与える可能性がある。

And then on the other hand, you can imagine things like this bringing to life static images of real places, whether it's your own holiday photos or actually Street View views, which are static currently, and actually making them interactive and 3D so you can look around the place itself.

その一方で、自分の休日の写真であれ、ストリートビューの景色であれ、現在は静的なものだが、実際の場所の静的な画像に生命を吹き込み、実際にインタラクティブな3Dにして、その場所自体を見て回れるようにするようなことも想像できる。