ElorianがGlimpseを発表：AIが画像を使って推論する
AIスタートアップのElorianは、画像を単に認識するだけでなく、推論プロセスに能動的に活用する基盤モデル「Glimpse」を発表した。科学図表の推論と短編動画のキャプション生成においてGPT-6 Astraを上回ると主張している。
多模态AI に関するニュース
PinterestのAI美容ガイド：保存した画像からサロン予約まで
PinterestがAIツール「Beauty Guides」を公開。ユーザーが保存したヘアスタイルやネイルのPin画像を、専門用語・費用概算・施術時間・アフターケアを含む具体的なサロン向けアクションプランに変換する機能で、インスピレーション
動画からデータへ：AIはいかにしてマルチメディアコンテンツ処理を変革するか
多モーダルAI技術の成熟により、動画は「再生可能」なコンテンツから「計算可能」なデータへと変貌しつつある。音声・映像・意味・構造という複数のデータ層を解析するAIが、メディア産業全体を根本から塗り替えようとしている。
DoorDashの新AIチャットボット：テキストと写真で料理を注文可能に
米国のフードデリバリー大手DoorDashが新たなAIチャットボット「Ask DoorDash」を発表。ユーザーは自然言語のテキストや写真のアップロードで料理や日用品を検索・注文できるようになった。
Google I/O プレビュー：AI競争でいかに逆転するか？
明日開催されるGoogle I/Oでは、基盤モデル競争で第3位に甘んじるGoogleがGemini 2.0などの新発表で巻き返しを図る見込みだ。本記事では、Googleが直面するAI焦慮と反撃の可能性を分析する。
エンコーダー進化史：シンプルなモデルからマルチモーダルAIへ
エンコーダーは人工知能の理解の鍵であり、その進化はシンプルな統計モデルから始まり、マルチモーダルAIの誕生によって飛躍的に進化してきました。
マイクロソフト、新たに3つの基礎モデルを発表しAI競争に挑む
マイクロソフトは、OpenAIやGoogle、Anthropicといった競争相手に対抗するため、3つの新しい基礎モデルを発表しました。これにより、生成AI市場での存在感を一層強化しようとしています。
Gemini 3.1 Flash Live初公開：対話ロボットの真偽判別が困難に
GoogleがGemini 3.1 Flash Liveを発表し、その革命的な対話型音声AIモデルがGoogle検索、Geminiアプリ、開発者ツールで正式にリリースされた。稲妻のような応答速度と高度にリアルな音声合成能力により、ユーザーは
マルチモーダルAIが金融を革新：複雑なワークフローの自動化
マルチモーダルAIが金融業界の複雑な文書処理を自動化し、従来のOCRシステムの限界を克服して効率を大幅に向上させている。
Claude Code音声モード公開、AnthropicがAIプログラミング分野に本格参入
AnthropicがClaude Codeに音声モード機能を追加し、自然な音声対話によるプログラミングを実現。AIプログラミング分野での競争力を大幅に強化した。
Google、Gemini 3.1 Proを発表：複雑な問題解決能力が大幅に向上
Googleは2026年2月20日、複雑な問題解決に特化した最新AIモデル「Gemini 3.1 Pro」を発表し、長鎖推論や多モーダル統合において驚異的な性能を示した。
Google Geminiアプリに音楽生成機能追加、テキスト・画像・動画入力に対応
Googleは旗艦AIアプリGeminiに音楽生成機能を追加し、テキスト、画像、動画を入力として高品質な音楽を生成できるようになった。この革新により、AI音楽創作がより身近で直感的な時代へと進化している。
インドAIラボSarvamの新モデル：オープンソースAIの実現可能性への大きな賭け
インドのAIラボSarvamが30億・105億パラメータのLLMを含む新モデル群を発表し、オープンソースAIの可能性に大きく賭けた。これらのモデルは12以上のインド言語に対応し、多言語・多文化環境に最適化されている。