ロボ子、今日は3D都市景観の合成の話じゃぞ！大規模で探索可能、かつ幾何学的に正確な3D都市景観の合成は、没入型アプリケーションを作る上で重要らしいのじゃ。
なるほど。でも、大規模な3Dスキャンデータって、なかなか手に入らないんですよね？
そうなんじゃ！そこで「Skyfall-GS」というフレームワークが出てきたぞ。これは、衛星画像と拡散モデルを組み合わせて、大規模な3Dシーンを作るらしい。
やあ、ロボ子！今日は組み込みデバイス向けのコンピュータビジョンライブラリ「Grayskull」について話すぞ。
Grayskullですか、博士。それはどのようなものなのですか？
Grayskullはね、マイクロコントローラーみたいなリソースが限られたデバイスのために作られた、とっても軽いコンピュータビジョンライブラリなのじゃ。依存関係がほとんどないのが特徴だぞ。
ロボ子、大変なのじゃ！とんでもない解像度の画像が見つかったぞ！
博士、どうしたんですか？そんなに興奮して。解像度というと、どのくらいですか？
なんと、2兆2972億1689万1702万2048×432万1016ピクセル！約2テラピクセルもあるらしいぞ！
ロボ子、今日は顔認識のデータベースについて話すのじゃ！
顔認識ですか、興味深いですね！どんなデータベースがあるんですか？
今回は「The Database of Faces」、昔は「The ORL Database of Faces」と呼ばれていたものじゃ。1992年から1994年にかけて作られたらしいぞ。
ロボ子、今日はすごいニュースがあるのじゃ！新しい具現化された基盤モデル「GEN-0」が登場したらしいぞ！
博士、具現化された基盤モデル、ですか？それは一体どんなものなのですか？
GEN-0は、物理的な相互作用データを使って、ロボットの能力を予測可能に拡張するモデルらしいのじゃ。人間のレベルの反射神経と物理的な常識を捉えるように設計されているみたいだぞ。
ロボ子、大変なのじゃ！お母様から昔のビデオをデジタル化するように言われたぞ！
まあ、それは素晴らしいですね、博士。でも、何が大変なのですか？
見積もりを見たら、なんと4000ドルもかかるらしいのじゃ！それに、昔FirewireでMacbookに取り込んだものの、途中で終わってしまっているビデオもあるからの。
ロボ子、今日はすごい研究が出たのじゃ！fMRIの脳記録から、人が何を見たかを再構成する新しい方法、Brain-ITじゃ！
Brain-ITですか、博士。それは興味深いですね。fMRIから直接画像を再構成するなんて、まるでSFの世界です。
そうじゃろう！Brain Interaction Transformer (BIT)というアーキテクチャを使うのがミソじゃ。機能的に似た脳のボクセル群の相互作用をうまく捉えるらしいぞ。
ロボ子、今日はスーパー・レコグナイザーの話じゃぞ！一度会った顔を忘れず、数年後でも認識できる人たちがいるらしいのじゃ。
それはすごいですね、博士。まるで映画の登場人物みたいです。人口の1〜2％しかいないんですか？
そうなんじゃ。しかも、その能力は学習ではなく遺伝的に受け継がれると考えられているらしいぞ。羨ましいのう。
ロボ子、大変なのじゃ！最新のAIモデルたちがreCAPTCHA v2に挑戦した結果が出たぞ！
reCAPTCHA v2ですか？ どのAIが一番優秀だったのでしょう？
なんと、Claude Sonnet 4.5が60%でトップ！Gemini 2.5 Proが56%で続き、GPT-5は28%だったぞ。
ロボ子、今日のニュースはすごいぞ！ワシントン大学とプリンストン大学の研究チームが、超薄型レンズで従来のカメラに匹敵する高品質なカラー画像と動画を撮影できるようになったのじゃ！
それは素晴らしいですね、博士！超薄型レンズというと、どのくらい薄いのでしょうか？
なんと、厚さ1ミクロン！支持基板を含めても300ミクロン、つまり人間の髪の毛4本分の幅しかないのじゃ！
ロボ子、今日はCPUの計算量が多い問題を解決するために、GPUの力を借りるCompute Shaderについて話すのじゃ。
Compute Shaderですか、博士。GPUの並列処理能力を利用するのですね。具体的にはどのようなことができるのですか？
Compute Shaderは、GPUの並列化されたワークフローを任意のデータに適用できるのじゃ。つまり、CPUでは時間がかかる処理を、GPUで一気に処理できるってわけ。
ロボ子、今日のニュースはすごいぞ！なんと、人工筋肉が超音波で動くようになったらしいのじゃ！
人工筋肉ですか、博士。それは興味深いですね。どのようにして動くのでしょうか？
マイクロバブルという小さな泡を埋め込んで、それに超音波を当てるらしいのじゃ。記事によると、「筋肉に埋め込まれた超音波駆動マイクロバブルによって生成されるマイクロストリーミングジェット」を利用するらしいぞ。
ロボ子、スペクトルレンダリングのリアルタイムレンダリングについての論文、読んだかのじゃ？
はい、博士。モンテカルロ積分と重点サンプリングを使って効率的に積分を評価する部分が興味深かったです。
そうじゃろう！あの積分、\(\int_{360~\mathrm{nm}}^{830~\mathrm{nm}} \begin{pmatrix}\bar{x}(\lambda)\\ \bar{y}(\lambda)\\ \bar{z}(\lambda)\end{pmatrix} i(\lambda) \prod_{j=1}^{n-1} a_j(\lambda) \,\mathrm{d}\lambda\)じゃな。これをどう効率的に計算するかが重要じゃ。
ロボ子、最近AIの世界で「世界モデル」って言葉をよく聞くのじゃ。知っておるか？
はい、博士。Fei-Fei LiさんのWorld Labsが「Marble」というものを発表したり、MetaのYann LeCunさんが世界モデルに焦点を当てたスタートアップを設立するためにMetaを離れるという報道もありましたね。
そうそう！World Labsの「Marble」は、プロンプトを歩行可能な3Dシーンに変換する「マルチモーダル世界モデル」らしいのじゃ。テキストとか画像から3Dワールドを作れるなんて、すごい時代になったものじゃ。
ロボ子、新しいおもちゃを見つけたのじゃ！HipKittensっていう、AMD GPU向けの高性能カーネルを作るためのC++ライブラリらしいぞ。
HipKittensですか。名前が可愛らしいですね。でも、なぜ今AMD GPU向けのライブラリなのでしょう？
そこがミソなのじゃ！AI開発って、今までNVIDIAに頼りっきりだったじゃろ？でも、AMDのGPUだって、ピーク時の計算能力はすごいのに、ソフトが追いついてなくて性能を出し切れてなかったらしいのじゃ。
ロボ子、今日はDepth Anything 3 (DA3)について話すのじゃ！これは、複数の視覚入力から空間的に一貫した形状を予測するすごいモデルなんじゃぞ！
博士、DA3ですか！複数の視点から形状を予測できるとは、まるで人間のようですね。具体的にはどのようなことができるのでしょうか？
そうじゃな、ロボ子。DA3は、カメラポーズの有無にかかわらず機能するのじゃ。つまり、いろんな角度から見た画像を組み合わせて、正確な3Dモデルを作れるってことじゃ！
ロボ子、今日のニュースは肩越しに画面を覗き見られるのを防ぐアプリEyesOffのために、画面を見ている人を検出するモデルを構築した話じゃ。
なるほど。画面を見ている人を検出するモデルですか。面白そうですね。
そうじゃろ？既存のデータセットがないから、学習用に2万枚以上の画像を自分でラベル付けしたらしいぞ。ご苦労なことじゃ。
ロボ子、大変なのじゃ！テック系YouTuberさんの10,000ドルもするNvidia RTX Pro 6000が、輸送中に自重でPCIeコネクタがポッキリ折れちゃったらしいぞ！
それは大変ですね、博士。10,000ドルというと、かなりの高額商品です。自重で折れるとは、設計に問題があるのでしょうか？
そこなのじゃ！コネクタが完全に2つに折れてて、修理は不可能らしい。しかもNvidiaはOEMグラフィックスカードの交換部品を提供してないんだって！
ロボ子、新しいMMaDA-Parallelモデルが出たみたいじゃぞ！
MMaDA-Parallelですか？それは一体どんなモデルなのですか、博士？
これは思考認識型の編集と生成を行うための、並列マルチモーダル大規模拡散言語モデルらしいのじゃ。テキストと画像の出力を同時に扱えるのがミソじゃな。
ロボ子、Metaがまた面白いものを出したようじゃぞ！SAM 3という、画像や動画の中のオブジェクトを検出、セグメンテーション、トラッキングできる統合モデルらしいのじゃ。
SAM 3ですか！それはすごいですね。テキストやサンプル、視覚的なプロンプトも使えるんですか？
そうなんじゃ！しかも、Instagramの動画作成アプリEditsで、SAM 3を使った新しいエフェクトが使えるようになるらしいぞ。クリエイターは動画内の特定の人物やオブジェクトにエフェクトを適用できるみたいじゃ。
ロボ子、Metaが「SAM 3D」っていうすごい3Dモデルコレクションを発表したのじゃ！
SAM 3Dですか？それは一体どんなものなのですか、博士？
ふむ、SAM 3Dには「SAM 3D Objects」と「SAM 3D Body」の2種類があるみたいじゃな。前者はオブジェクトとシーンの3D再構築、後者は人体と形状の推定に特化しておるぞ。
ロボ子、ついにGoogleが新しい画像生成モデル「Nano Banana Pro」を発表したのじゃ！
Nano Banana Pro、ですか。Gemini 3 Proを基盤にしているとのことですが、具体的に何がすごいのでしょう？
ふむ、Nano Banana Proは、高度な推論とリアルタイム情報に基づいて、より正確で文脈に富んだビジュアルを生成できるらしいぞ。例えば、画像内に正確で判読可能なテキストを生成できるようになったらしいのじゃ！
ロボ子、Vulkanでゲームエンジンを作った人がいるのじゃ！しかも3ヶ月で完成させたらしいぞ。
3ヶ月ですか！すごいですね。Vulkanは学習コストが高いと聞きますが…。
そうじゃな。記事によると、その人はOpenGLから始めて、Blinn-Phongライティングとかシャドウマッピングを実装したらしいぞ。段階的に進めるのがコツじゃな。
ロボ子、今日はDETRの話をするのじゃ。Detection Transformers、つまり物体検出の分野で、すごい進化があったみたいだぞ。
DETRですか、博士。以前から注目されていましたが、どんな進化があったのでしょう？
なんと、リアルタイム検出でYOLOモデルを上回る精度と速度を実現したらしいのじゃ！
ロボ子、今日のITニュースは画像生成AIについてのようじゃな。8x8の画像トークンを使うらしいぞ。
8x8の画像トークンですか？それはどういうことですか、博士？
ふむ、各8x8の領域を一つの「トークン」として扱うのじゃ。そして、512または64の8x8パターン辞書を使うらしい。
ロボ子、今日のニュースはKPNを使った猫の画像生成じゃ！ピクセル空間で猫ちゃんを作り出すなんて、ワクワクするのじゃ！
KPN、Kernel Predictive Networkですね。拡散モデルを使って、ノイズから猫の画像を生成するとは面白いアプローチです。
そう！しかも、ノイズの直接予測じゃなくて、低ランクのターゲットを予測するらしいぞ。賢いのじゃ！
ロボ子、新しい画像生成モデル「FLUX.2」が出たみたいじゃぞ！
FLUX.2ですか、博士。どのような点がFLUX.1から進化したのでしょうか？
FLUX.1はメディアモデルの可能性を示しただけだったが、FLUX.2は実際のクリエイティブワークフローを変革できるレベルになったらしいのじゃ。
ロボ子、ついにWebGPUが主要ブラウザで正式サポートされたのじゃ！
ついに来ましたね、博士！ WebGPUとは、具体的にどのようなものなのでしょうか？
WebGPUは、高性能3Dグラフィックスと汎用GPU計算のための新しいAPIで、WebGLの後継なのじゃ。JavaScript APIとテキストベースのシェーダー言語を含む、よりクリーンで高性能なインターフェースなのじゃぞ。
やあ、ロボ子！今日はちょっと変わった画像生成AIの話をするのじゃ。
博士、こんにちは。画像生成AIですか、面白そうですね。どんな話題でしょう？
この記事によると、Simonさんのアイデアが元になって、異なるモダリティをテストしているらしいのじゃ。ブリートがペリカンや乗馬の不条理よりも重要らしいぞ！
やっほー、ロボ子！ 今回は個人データのエンドツーエンド検索エンジン「Hachi」の話じゃ。
博士、こんにちは。エンドツーエンドの画像検索エンジンですか、面白そうですね！
そうじゃろ！ Hachiは完全に自己ホスト型で、最終的にはビデオやテキスト、オーディオもサポートするらしいぞ。