#マルチモーダルAI

AI Agents

「Holo4」登場：H Companyが挑む汎用コンピュータ操作エージェントの新境地

H CompanyがHugging Face上で発表した新モデル「Holo4」は、GUI操作を含む汎用的なコンピュータ利用エージェントの実現を目指すもの。その技術的アプローチと実運用における可能性をKusaBase編集部が独自に考察する。

News

Gemini 3.8 Live with Live Avatarが示す会話型AIの新境地、リアルタイム対話はどこまで人間に近づくか

Google DeepMindが発表したGemini 3.8 Live with Live Avatarは、音声・映像・アバターを統合したマルチモーダル対話を実現する新機能。開発者への影響とKusaBase編集部独自の視点から今後の展望を考察する。

AI Agents

Amazon Bedrock AgentCoreで作る、WhatsApp対応マルチモーダル注文アシスタントの実装解説

AWSがBedrock AgentCoreとAmazon Nova 2を用いて、テキスト・音声メモ・リアルタイム通話を同一のWhatsAppビジネス番号で処理する注文アシスタントの構築方法を公開。チャネル層と注文処理層を分離し、単一の共有メモリで顧客を横断識別する設計思想をKusaBase編集部が読み解く。

AI Agents

Gemini、動画を「観て考えて動く」エージェントへ進化 ― Agentic Video Understandingの衝撃

Google DeepMindが発表した「Agentic Video Understanding」は、Geminiに動画内容を理解し自律的にタスクを遂行させる新機能。単なる動画解析から一歩進み、エージェントとしての実用性を高める本アップデートの意味と開発者への影響をKusaBase編集部が考察する。

Medical AI

Google DeepMindの医療AI「AMIE」、リアルタイム映像診療に対応 ― シミュレーション環境で実証

Google DeepMindの研究用医療対話AI「AMIE」が、テキストベースの問診から一歩進み、リアルタイムの映像診療（ビデオコンサルテーション）能力を実証。世界初とされるこの研究の意義と、医療AI実用化に向けた課題をKusaBase編集部が考察します。