Perceptron Mk1 が、Anthropic や OpenAI、Google の 80〜90% 安価で高性能な動画分析 AI モデルを発表し業界を驚かせる

動画、特にライブ映像の状況を視覚的に理解できる AI は、多くの企業や組織にとって魅力的な製品であることは当然です。サイトや施設に対するセキュリティの「番犬」として機能するだけでなく、このような AI モデルは、マーケティングビデオの中で最もエキサイティングな部分を切り出してソーシャルメディア向けに再利用したり、動画内の矛盾やミスを特定して削除対象としてフラグを立てたり、統制された研究における参加者や新職に応募する候補者のボディランゲージや行動を識別したりするために使用することもできます。 今日、この種の機能を提供する AI モデルは一部存在しますが、まだ主流の機能とは程遠い状況です。しかし、2 年前に設立されたスタートアップ企業である Perceptron Inc. は、この状況をすべて変えようとしています。本日同社は、そのフラッグシップとなる独自開発の動画分析推論モデル「Mk1」（"Mark One" の略）をリリースしたと発表しました。このモデルは、アプリケーションプログラミングインターフェース（API）を通じて提供され、入力 100 万トークンあたり 0.15 ドル、出力 100 万トークンあたり 1.50 ドルというコストで利用可能です。これは、Anthropic の Claude Sonnet 4.5、OpenAI の GPT-5、Google の Gemini 3.1 Pro という主要な競合他社の独自モデルと比較して、約 80〜90% も安価です。 ![image](https://venturebeat.com/_next/image?url=https%3A%2F%2Fimages.ctfassets.net%2Fjdtwqhzvc2n1%2Fz1tv4Ll3X1zUVTV2d5UR6%2F2fbbdce5f138018762f715851423cb80%2FHIILZy7aoAAhX0x-1.jpg%3Fw%3D1000%26q%3D100&w=3840&q=75)Perceptron Mk1 のコストに関するパレート図。クレジット：Perceptron メタ FAIR やマイクロソフト出身の共同創業者兼 CEO、アルメン・アガジャニャン率いる同社は、物理世界の複雑さに対処するため、16 ヶ月をかけて「マルチモーダルレシピ」をゼロから開発しました。 この発表は、モデルが文法に対する流暢さと同じレベルで、因果関係や物体のダイナミクス、そして物理学の法則を理解する時代が到来したことを示しています。 興味のあるユーザーや潜在的な企業顧客は、[Perceptron の公開デモサイト](https://www.perceptron.inc/demo) で実際に試すことができます。 ## 空間および動画ベンチマークにおけるパフォーマンス このモデルのパフォーマンスは、グラウンディングされた理解に焦点を当てた一連の業界標準ベンチマークによって裏付けられています。 ![image](https://venturebeat.com/_next/image?url=https%3A%2F%2Fimages.ctfassets.net%2Fjdtwqhzvc2n1%2F3bni0DmcvLXuHo4w2ONZ4u%2F46dae281c21ab8b46670fd3c19f0888e%2FHIILjZib0AA7C-h.jpg%3Fw%3D1000%26q%3D100&w=3840&q=75)Perceptron Mk1 ベンチマーク比較表。クレジット：Perceptron 空間推論（ER Benchmarks）において、Mk1 は EmbSpatialBench で 85.1 のスコアを達成し、グーグルの Robotics-ER 1.5（78.4）やアリババの Q3.5-27B（約 84.5）を上回りました。 専門的な RefSpatialBench では、Mk1 のスコア 72.4 は、GPT-5m（9.0）や Sonnet 4.5（2.2）といった競合他社に対する劇的な飛躍を意味し、参照表現の理解において顕著な優位性を示しています。 ![image](https://venturebeat.com/_next/image?url=https%3A%2F%2Fimages.ctfassets.net%2Fjdtwqhzvc2n1%2F35ngcNAZi1NDyOEtWicTD5%2F5903b1acd47de4f5a094475bcc4e0f20%2FHIILeIcaIAA38MS-1.jpg%3Fw%3D1000%26q%3D100&w=3840&q=75)Perceptron Mk1 の動画ベンチマーク比較チャート。提供：Perceptron 動画ベンチマークは同様の支配力を示しています。特に最初のフレームと最後のフレームからの推論では不十分な「EgoSchema」のハードサブセットにおいて、Mk1 は 41.4 を記録し、アリババの Q3.5-27B と同等であり、Gemini 3.1 Flash-Lite（25.0）を大きく上回りました。 VSI-Bench では、Mk1 は 88.5 に達し、比較対象モデルの中で記録された最高スコアとなりました。これは、実際の時間的推論タスクを処理する能力をさらに裏付けるものです。 ## マーケットポジショニングと効率フロンティア Perceptron は明示的に「Efficiency Frontier（効率フロンティア）」を標榜しています。これは、動画および具現化された推論のベンチマークにおける平均スコアを、百万トークンあたりのブレンドコストに対してプロットした指標です。 ベンチマークデータによると、Mk1 は独自のポジションを占めています。GPT-5 や Gemini 3.1 Pro といった「フロンティア」モデルのパフォーマンスに匹敵し、あるいは上回る一方で、コスト構造は「Lite」や「Flash」バージョンに近いものです。 具体的には、Perceptron Mk1 の料金は、入力トークン百万あたり 0.15 ドル、出力トークン百万あたり 1.50 ドルです。一方、「Efficiency Frontier」チャートでは、GPT-5 はブレンドコストが著しく高く（約 2.00 ドル）、Gemini 3.1 Pro は約 3.00 ドルとなっています。それに対し Mk1 は、より優れた推論スコアを維持しながら、ブレンドコストは 0.30 ドルの水準に位置しています。 この積極的な価格戦略は、ハイエンドの物理 AI を実験的研究に限定するのではなく、大規模な産業利用のためにアクセス可能にする意図を持っています。 ## アーキテクチャと時間的連続性 Perceptron Mk1 の技術的核心は、広大な 32K トークンコンテキストウィンドウにおいて、ネイティブビデオを最大毎秒 2 フレーム（FPS）で処理できる能力です。 多くの場合、ビデオを単なる静止画像の断続的なシーケンスとして扱う従来のビジョン・ランゲージモデル（VLMs: Vision-Language Models）とは異なり、Mk1 は時間的連続性を設計理念としています。 このアーキテクチャにより、モデルは拡張されたストリームを「視聴」し、物体が隠れる場合でもその同一性を維持することが可能になります。これはロボット工学や監視アプリケーションにおいて極めて重要な要件です。 開発者は、長いストリーム内の特定の瞬間についてモデルに照会でき、構造化されたタイムコードを受け取ることができます。これにより、ビデオクリップの作成やイベント検出のプロセスが効率化されます。 ## 物理法則に基づく推論 Mk1 の主要な差別化要因は、「物理的推論（Physical Reasoning）」機能です。Perceptron はこれを、モデルが現実世界の環境における物体のダイナミクスや物理的な相互作用を理解することを可能にする高精度な空間認識能力として定義しています。 例えば、モデルはシーンを分析して、バスケットボールのシュートがブザーの前か後かを、空中にあるボールの位置とショットクロックの表示を同時に推論することで判断できます。 これには単なるパターン認識以上のものが求められます。物体が空間と時間をどのように通過するかという理解が必要です。 このモデルは、密度が高く複雑なシーンにおいて「ピクセル精度」の指し示しや数百単位の計数を行うことが可能です。また、歴史的に純粋なデジタルビジョンシステムが高精度で解釈するのが難しかったアナログゲージや時計も読み取ることができます。 さらに、強力な一般的な世界知識と歴史知識を備えているようです。私の短いテストでは、米国議会図書館から1906年のニューヨーク市における高層ビル建設の古く公有領域の映画[film of skyscraper construction in New York City dated 1906](https://www.loc.gov/item/00694391)をアップロードしましたが、Mk1 は映像の内容（ロープに吊るされた作業員など、奇妙で典型的でない光景を含む）を正しく記述しただけでなく、迅速に対応し、映像の外観のみからおおよその日付（1900 年代初頭）も正確に特定しました。 ![image](https://venturebeat.com/_next/image?url=https%3A%2F%2Fimages.ctfassets.net%2Fjdtwqhzvc2n1%2F5Xu3QOTR61DXPjZ0kKUNtF%2F713248a7571127a03e1491ba55d57555%2FScreenshot_2026-05-12_at_1.29.45%25C3%25A2__PM.png%3Fw%3D1000%26q%3D100&w=3840&q=75)Perceptron Mk1 の VentureBeat デモテストのスクリーンショット ## 物理的 AI 向けの開発プラットフォーム このモデルのリリースに伴い、これらの高レベルな知覚能力を最小限のコードで機能するアプリケーションに変換するための拡張された開発プラットフォームが提供されます。 Python を介して利用可能な Perceptron SDK は、「Focus（フォーカス）」「Counting（計数）」「In-Context Learning（文脈内学習）」といった、いくつかの専門化された関数を導入しています。 Focus 機能により、ユーザーは自然言語プロンプトに基づいてフレームの特定領域を自動的にズームしたり切り取ったりできます。例えば、建設現場における個人用保護具（PPE）の検出と位置特定などが該当します。 Counting 機能は、密集したシーンに最適化されており、グループ内のすべての子犬や個々の農産物を識別して指し示すことが可能です。 さらに、本プラットフォームはコンテキスト内学習をサポートしており、開発者は数例を提供するだけで Mk1 を特定のタスクに適応させることができます。例えば、リンゴの画像を示し、新しいシーンで「Category 1」に該当するすべてのインスタンスをラベル付けするようモデルに指示を与えるといったケースです。 ## ライセンス戦略と Isaac シリーズ Perceptron は、モデル重みおよびライセンスにおいて二つのトラックからなる戦略を採用しています。フラッグシップである Perceptron Mk1 は、エンタープライズグレードのパフォーマンスとセキュリティを目的としたクローズドソースモデルであり、API を経由してアクセス可能です。 しかし同社は、2025 年 9 月に [Isaac 0.1 のローンチ](https://www.perceptron.inc/blog/introducing-isaac-0-1) で始まった「Isaac」シリーズも維持しており、これはオープンウェイトの代替手段として位置づけられています。[Isaac 0.2-2b-preview](https://www.perceptron.inc/blog/introducing-isaac-0-2) は 2025 年 12 月にリリースされた、推論機能を備えた 20 億パラメータのビジョン・ランゲージモデルであり、エッジデバイスや低遅延デプロイメント向けに利用可能です。 Isaac モデルの重みは、人気の AI コード共有コミュニティ [Hugging Face](https://huggingface.co/PerceptronAI) で公開されていますが、Perceptron は、最大限の制御やオンプレミスでの重みの展開を必要とする企業向けに商用ライセンスを提供しています。 このアプローチにより、同社はオープンソースコミュニティと、独自性の高い柔軟性を必要とする専門的な産業パートナーの両方をサポートすることが可能になります。ドキュメントによると、Isaac 0.2 モデルは特にサブ 200 ミリ秒のトークン生成までの時間（time-to-first-token）に最適化されており、リアルタイムのエッジデバイスに理想的です。 ## Perceptron の設立と焦点に関する背景 Perceptron AI は、ワシントン州ベルビューを拠点とする物理的 AI スタートアップで、Meta の Facebook AI Research (FAIR) ラボの元研究科学者である Aghajanyan 氏と Akshat Shrivastava 氏によって設立されました。 同社の公開資料では設立時期を 2024 年 11 月としていますが、Perceptron.ai Inc. のワシントン州法人登記記録には、Shrivastava 氏と Aghajanyan 氏を理事（governors）として記載した [2024 年 10 月 9 日付のより早期の外国登録出願](https://www.bizprofile.net/wa/carnation/perceptron-ai-inc?utm_source=chatgpt.com) が示されています。 2024 年後半の創業者による発表ポストにおいて、[Aghajanyan](https://www.linkedin.com/posts/armenag_after-nearly-6-years-at-meta-im-excited-share-7265412761990369280-Aoyw/?utm_source=chatgpt.com) は、メタ（Meta）でほぼ 6 年間勤務した後、同社を離れ「Shrivastava と力を合わせて」物理世界向けの AI を構築したと述べており、一方 Shrivastava は、この会社は自身の効率性、マルチモーダル性、および新しいモデルアーキテクチャに関する研究から発展したものであると話しています。 この設立は、二人がメタで行ったマルチモーダル基盤モデルに関する研究に直接由来するものです。2024 年 5 月、[Meta の研究者たちは Chameleon](https://www.researchgate.net/publication/380635519_Chameleon_Mixed-Modal_Early-Fusion_Foundation_Models?utm_source=chatgpt.com) を発表しました。これはテキストと画像の混合シーケンスを理解・生成するために設計された、早期融合（early-fusion）モデルのファミリーであり、Perceptron は後にこの研究を自社のモデルの系譜の一部であると説明しています。 2024 年 7 月の続編論文 [MoMa](https://arxiv.org/abs/2407.21770) では、混合モーダルモデルのためのより効率的な早期融合トレーニングが探求され、Shrivastava と Aghajanyan の両者が著者リストに含まれていました。Perceptron が掲げる主張は、この研究方向を「物理 AI（physical AI）」へと拡張するものです。これは、ロボット工学、製造業、地理空間分析、セキュリティ、コンテンツモデレーションなどのユースケースのために、実世界の動画や他の感覚ストリームを処理できるモデルを指します。 ## パートナーエコシステムと将来展望 Mk1 の実世界への影響は、すでに Perceptron のパートナーネットワークを通じて示され始めています。早期採用者は、このモデルを多様な用途で活用しており、例えばライブスポーツのハイライトを自動クリップするアプリケーションでは、モデルの時系列理解能力を活用して人間の介入なしに重要なプレイを特定しています。 ロボット工学分野では、パートナーがテレオペレーションのエピソードをトレーニングデータとして収集・整理し、ロボットアームや移動ユニットのためのデータラベリングとクリーニングのプロセスを実質的に自動化しています。 その他のユースケースには、製造ラインにおけるマルチモーダル品質管理エージェントがあり、これらは欠陥を検出し、組み立て工程をリアルタイムで検証します。また、スマートグラス用のウェアラブルアシスタントは、ユーザーに文脈に応じた支援を提供します。 アガジャニアン氏は、これらのリリースが「物理 AI」がデジタル AI と同様に至る所に普及する未来へと向かう中、AI が物理世界で最も効果的に機能するようにすることを目的とした研究の集大成であると述べています。

Perceptron Mk1 が、Anthropic や OpenAI、Google の 80〜90% 安価で高性能な動画分析 AI モデルを発表し業界を驚かせる

背景や根拠まで確認しますか？

調べる

選ぶ

サイト