部品が手の陰に隠れた。次の瞬間には、机の上にある。では、いつ手を離したのか。作業が終わったと言えるのか。
こういう動画をAIに見せるなら、もっともらしい説明の前に、あの一瞬へ戻ってほしい。人なら当たり前にやる「ちょっと待って、もう一回」を、AIの問題の解き方に組み込む。そんな発表が来た。
Elorianが2026年10月16日に発表した研究プレビュー「Glimpse」だ。同社は、推論の途中で内部の視覚表現を見直し、画像の拡大や動画の再観察も使うモデルだと説明している。公式発表を読むと、注目したくなるのは答えの賢さと同じくらい、答える前の確かめ方だ。
見直す場所を選ぶということ
画像を拡大して考える発想には先例がある。OpenAIも2025年4月、o3とo4-miniが画像の切り抜きや拡大、回転を推論に使う仕組みを紹介している。Glimpseを「AIが初めて画像を見直せるようになった」と捉えるのは早計だ。
今回、掘り下げたいのは観察の配分である。映像の全区間を同じ密度で調べる代わりに、判断が分かれる場所へ時間をかける。何を確かめれば答えが決まるのか。問いに応じて、見直す場所を選べることに興味がある。
たとえば、部品が机に触れたことと、作業者が部品から手を離したことは別の出来事だ。確認したいのが「置き終えたか」なら、手と部品の間に隙間ができる瞬間が重要になる。解像度の高い画像が一枚あっても、そこに肝心の瞬間がなければ判断は難しい。見る場所に加え、見るタイミングまで選べることに価値がある。
この視点で考えると、AIへの頼み方も変えられる。「動画を詳しく説明して」で終わらせず、確認したい出来事を先に決める。手放したか、接触したか、元の位置に戻ったか。問いが具体的なら、見直すべき区間を人も検討しやすい。モデルの能力と同時に、仕事の切り出し方も試すことになる。
答えを分けた0.9秒
その考え方がよく分かるのが、公式記事に掲載された鳥の動画の記録だ。Glimpseは4.3〜5.2秒の区間を、1秒当たり約14枚の画像で再確認した。途中の壁の位置を手掛かりに、映像がカットで切り替わったのではなく、カメラが連続して横へ動いたと判断している。公開されているのは、実際の評価記録を要約したものだ。
ここが面白い。画面が大きく変わった理由によって、出来事のつながり方も変わる。編集で場面が飛んだなら、その間に何があったかは見えていない。カメラが動いただけなら、途中の映像を追うことで連続した出来事として確かめられる。短い動画にも、こうした分かれ道がある。
目立つ鳥を認識するだけでは、この判断には届かない。背景の壁に目を向けたからこそ、カメラの動きを確かめられた。何が映っているかを答えるだけなら、見落としてしまいそうな違いだ。
作例の読み方には一つ注意したい。同じ公式記事でも、タイヤやペンチの説明は参考解答であり、記録されたモデル出力とは区別されている。何を解かせたいかを示す教材と、実際に解いた記録を分けて見ると、発表の輪郭がはっきりする。
作業動画に持ち込むなら
この仕組みを使えるなら、まず試したいのは作業動画の点検だ。以下は実機で確かめた用途ではなく、公開情報から考えた使い方になる。
ネジを締めようとしたのか、締め終えたのか。部品をつかんだのか、運んで手を離したのか。動作の名前だけでは埋まらない違いを、映像に戻って確認してほしい。完了したつもりの作業を、あとから人が見直す場面は想像しやすい。
役割を絞れば、導入の形も具体的になる。長い動画から確認が必要そうな区間を拾い、人がその前後を見る。AIの回答には該当時刻と観察した点を添える。人は全文を読み込む前に、映像で確かめられる。正解を一発で返す能力に加えて、確認作業を短くできるかが評価軸になる。
ただし、見直せば何でも分かるわけではない。手で完全に隠れた動きは、何度再生しても見えないことがある。反射で部品の輪郭が消える場合もある。「ここは映像から判断できない」と止まれることまで含めて、頼れる道具かどうかを見たい。
ロボットに接続するなら、さらに確認が要る。映像を読み取る処理に時間がかかる間も、現場は動き続ける。見えていた状態が、動作を指示する時点でも保たれているか。まずは人が確認できる点検役で試すと、この種の課題も切り分けやすい。
試すときは正解の先を見る
同社の比較結果には得意・不得意があり、公表API料金は100万トークン当たり入力0.60ドル、出力3ドルだ。ただし、再観察には時間とトークンがかかるとも説明されている。単価の安さだけで、一件の仕事が安く済むとは決められない。
試験用には、正解が分かる短い動画を用意したい。作業が完了する映像、途中で止まる映像、重要な部分が隠れている映像を混ぜる。同じ問いを、素早く答えさせる場合と、丁寧に見直させる場合で比べる。追加の観察が本当に効いた場面を探すためだ。
記録したいのは、正答率、根拠として挙げた時刻、判断を保留した場面、所要時間、料金。そして、人が回答を確認し終えるまでの時間も測りたい。AIだけが速くても、根拠を探す人の手間が増えたら、仕事全体では得をしていない。
正解が出ても、指定された時刻に根拠が見当たらない回答は分けて数えたい。逆に、結論を保留しても、判断を妨げた箇所を正しく示せたなら、それは人の確認に役立つ。結論だけを採点すると見落としてしまう価値が、この方式にはありそうだ。
再生や拡大の回数が多いだけでは評価できない。追加の観察で誤解が直ったのか。決め手のある区間に戻れたのか。反対に、証拠が足りないと分かったとき、もっともらしい物語を作らずに済んだのか。その差こそ見てみたい。
次にAIへ聞きたくなること
Glimpseの発表を読んで、映像を見るAIへの質問を一つ増やしたくなった。「何が起きましたか？」に続けて、「どの場面が、その判断の根拠になりましたか？」と。
答えから映像へ戻れるなら、人とAIの間に、同じ証拠を見る足場ができる。意見が食い違ったときも、見直す場所から話を始められるはずだ。
本稿は公開資料をもとにした紹介・考察です。筆者による実機検証は行っていません。内容・料金は2026年10月17日確認時点。