Google DeepMindは、画像生成モデル「Nano Banana」をベースにした次世代視覚理解AI「Vision Banana」を公開した。

「生成は理解である」という新パラダイム

Vision Bananaは、「ある概念を完璧に生成できるモデルは、その概念を深く理解している」という設計思想に基づいている。従来の視覚認識モデルが物体の境界や特徴を抽出することに特化していたのに対し、本モデルは生成モデルの内部表現を活用することで、より文脈に即した高度な理解を可能にしている。

専門特化型AIを凌駕する性能

ベンチマークテストにおいて、Vision Bananaは単一の汎用モデルでありながら、SAM 3などの特定の用途に特化した専門AIを上回る視覚認識精度を達成した。これにより、ロボティクス、自動運転、精密な画像解析など、多岐にわたる分野での応用が期待されている。