何が起きたか

モルフォは11月10日、映像の状況認識と対応設計にVision-Language Model（VLM）を用いる「Morpho VLM Fluid Action」を発表した。response.jpは11月11日、エッジ端末で一次判断し、必要に応じてクラウドと連携する仕組みとして報じた。

本紙の見方

この発表の要点は、映像から対象を見つける認識処理にとどまらず、その認識を対応の設計へつなぐ仕組みを製品として示した点にある。モルフォの説明では、学習データを用意せずに状況を認識し、結果に応じたアクションを設定できるという。これは、個別の対象や場面ごとにデータを集め、認識器を作る従来型の進め方とは異なる入口を提示するものだ。ただし、学習データ不要という説明がどの範囲の設定や用途に当てはまるのかは、示された情報だけでは判断できない。 本紙が取り上げたモルフォ、自動車シミュレータ向け技術開発に着手 dSPACEイベントで初公開へでは、実車の走行データをシミュレータ向けシナリオに変換する技術開発が扱われた。また、モルフォ、都産技研の実証型共同研究に採択 屋内自律点検ドローンの計測サービス開発へでは、産業用途への画像処理・AI技術の展開が示されている。今回のソリューションは、これらの特定用途の開発とは異なり、映像理解から行動選択までを用途に応じて設計する共通の仕組みを掲げる動きと読める。ただし、既存の開発技術が本製品に組み込まれているとは確認できない。 エッジで一次判断し、必要に応じてクラウドを使う構成は、映像を扱う処理をどこで行うかを用途ごとに分ける設計を示す。一方、判断の遅延や通信断への対応、エッジ側で実行する処理の範囲は、実運用の可否を左右する論点となる。また、認識結果から設定可能なアクションの種類、誤認識時の停止・通知などの安全策、性能を測る条件も確認が必要だ。今後は、実際の適用シーン、クラウド連携の要否を決める条件、導入後の評価方法が焦点になる。詳細は原典を参照されたい。

なぜ重要か

モルフォは、学習データを用意せずに映像状況を認識し、対応を設定できるとしている。映像認識をアクション設計までつなぐ点は、検知後の判断を個別に組み立てる必要がある用途に関係するが、適用条件や安全策は示された情報からは確認できない。