動画AIの知能を飛躍させる大規模データセット「VBVR」公開
- •200種類の多様な推論タスクを含む100万本のビデオクリップを収録したVBVRデータセットが登場。
- •主観的なAI評価に代わる、ルールベースの客観的スコアリングを導入した新ベンチマークを構築。
- •大規模な時空間データセットでの学習により、AIに「創発的一般化」の兆候が確認された。
現代のAIは視覚的に美しい動画を生成できる一方で、現実世界の物理的な仕組みに対する根本的な理解が不足しているという課題を抱えている。このギャップを埋めるため、研究チームは動画AIの学習と評価に革命をもたらす「Very Big Video Reasoning（VBVR）」を発表した。これは、動画ベースのAIにおけるトレーニングとテストを大幅に進化させる試みである。
このリリースの核となるVBVRデータセットは、200種類の多様な推論タスクにわたる100万本以上のキュレーション済みビデオクリップを収録している。その規模は従来のベンチマークの約1,000倍に達し、AIがいかにして時空間推論を習得するかを研究するための十分なデータ量を提供する。これには、例えば「ボールがソファの裏側に転がったとしても存在し続け、いずれ反対側から現れるはずだ」といった、時間と空間を通じた物体の挙動を追跡する能力が含まれる。
さらに、本プロジェクトでは検証可能な評価フレームワーク「VBVR-Bench」も導入された。従来の研究ではモデルの性能評価を別のAIに依存することが多く、これがスコアの偏りや不整合を招く要因となっていた。新しいベンチマークは、人間と整合したルールベースの採点システムを採用しており、モデルが物理的な論理をどこまで正確に把握しているかを再現可能な形で診断できる。
初期の研究結果からは、興味深いことに創発的一般化の兆候が確認された。学習データ量が増えるにつれ、モデルは個別に学習していない複雑な推論問題を解決し始めたのである。王 邁君（Maijunxian Wang、研究員）らを含む研究チームによるこの成果は、学習データのスケーリングこそが、AIに現実世界の論理規則を教え込むための鍵であることを示唆している。