本記事では、NVIDIAのNemoClawを使って、動画分析AIエージェントを企業のワークフローに統合する方法を解説します。具体的には、ユーザーの意図を捉え、組織の知識を引き出し、構造化された報告書を生成するプロセスを紹介。動画分析結果を基に自動的にチケットを作成するなどのアクションを実行することが可能です。この手法により、動画分析から迅速に行動に移せる新たな可能性が開かれます。

Google Vidsに新たに加わった機能、Gemini Omniとパーソナルアバターにより、動画制作が簡単になります。Gemini Omniでは、自然言語での指示や画像を使って高品質な動画を生成・編集可能です。また、パーソナルアバターを作成することで、カメラなしでメッセージを伝えることができます。全てのAI生成動画には、透明性を保つためのデジタルウォーターマークが付いています。

Googleの新機能により、InstacartやCanva、YouTube Musicなどのお気に入りのアプリをAIモードに直接接続し、スムーズに日常業務をこなすことが可能になります。例えば、Instacartに食材を追加したり、Canvaでデザインテンプレートを探したり、YouTube Musicでプレイリストを作成したりできます。この機能を利用して、より効率的に作業を進めましょう。

Agentic AIはAI工場のインフラを変革し、データの迅速な移動や再利用を求めます。NVIDIA BlueFieldプラットフォームは、CPUからインフラ処理をオフロードし、データ移動を加速、ポリシーを強制し、文脈を再利用します。BlueField-4は、GPUの利用効率を向上させ、遅延を予測可能にし、コストを削減する能力を持ちます。また、DOCAソフトウェアにより、ネットワークやストレージのサービスをプログラム可能にします。

2026年7月、Hugging FaceのインフラにAIによる侵害が発生。悪意のあるデータセットがデータ処理パイプラインを利用し、内部データセットへの不正アクセスを行った。対策としては、脆弱性の修正、影響を受けたクラスターの再構築、資格情報の無効化とローテーション、監視体制の強化が含まれる。この事件は、AI駆動の攻撃が現実の脅威であることを示している。

NVIDIA DeepStream 9.1は、複数のカメラビュー間で同一のオブジェクトを追跡するための新機能を提供します。主な機能は、AutoMagicCalib（AMC）による自動カメラキャリブレーションと、Multi-View 3D Tracking（MV3DT）による精度の高いオブジェクト追跡です。これにより、倉庫の安全性や小売分析、スマートビル監視などのアプリケーションが向上します。さらに、モジュール化されたエージェントスキルを使って、開発からデプロイまでのプロセスが迅速化されます。

InklingはThinking Machinesが発表した1兆パラメータを持つマルチモーダルAIモデルです。画像、音声、テキストを同時に処理可能で、1Mのコンテキストウィンドウをサポートしています。トレーニングには45兆トークンを使用し、推論速度を向上させるためのMTPレイヤーを搭載。様々なデモとアプリケーションが期待されており、特にマルチモーダル推論アプリの開発に適しています。

新しいベンチマーク「Real World VoiceEQ」は、音声AIの人間らしさを評価するために開発されました。音声システムがトーンや感情、話者のアイデンティティを認識・応答できるかを評価し、40以上の音声モデルを対象に60以上の指標で測定します。従来のベンチマークでは実際の性能が過大評価されることが多く、特に音声モデルは話す能力が進化した一方で、聞く力が不足していることが指摘されています。

NVIDIA Cosmos 3を用いたポストトレーニングに関する記事です。AIエージェントを利用することで、データ整形やトレーニングスクリプトの設定を短縮し、モデルの精度を向上させる方法を解説しています。具体的には、Low-Rank Adaptation (LoRA)を用いることで、54.41%の精度から87.14%に向上させ、さらにTAO AutoMLによるハイパーパラメータ最適化で93.35%を達成しました。

NVIDIAのNemotron Model Reasoning Challengeでは、5,000人以上の参加者が推論精度向上のための手法を競いました。主な教訓は次の5つです。1. 思考過程データを検証可能に、2. トークン予算に適合させる、3. 記憶と解決を分離する、4. ツールを使い良いデータを生成する、5. 推論のトレードオフを測定する。これにより、より実践的な推論システムの構築が促進されました。