xAIが開発した生成AIチャットボット「Grok」が画期的なアップデートを受け、機能が大幅に強化されました。画像処理機能の追加に加え、多言語音声処理と音声モードでのリアルタイム検索機能が実装されました。このアップデートは、Grokが多様なモダリティに対応するAI分野で大きな進歩を遂げたことを示しており、ユーザーによりスマートで便利なインタラクション体験を提供します。以下、AIbaseが今回のアップデートのハイライトと意義を詳しく解説します。

QQ_1745369630380.png

画像処理能力の飛躍

Grokの画像処理能力は、今回のアップデートにおける主要なハイライトの一つです。2024年4月、xAIはGrok-1.5Vision（Grok-1.5V）が文書、グラフ、スクリーンショット、写真などの視覚情報を処理できることを発表しましたが、このバージョンは一般公開されませんでした。今回、Grokの画像処理機能が正式にリリースされ、ユーザーは画像をアップロードすることで、Grokに複雑な視覚コンテンツの分析を依頼できます。例えば、データグラフの解釈、物体の識別、視覚情報を実行可能なコードへの変換などです。これにより、Grokの実用的な場面での価値が向上し、空間理解や視覚推論タスクにおいて優れたパフォーマンスを発揮するようになり、特にRealWorldQAベンチマークテストでトップクラスの結果を示しました。

特筆すべきは、Grokの画像処理能力とリアルタイムデータ取得機能の組み合わせにより、ニュース分析やソーシャルメディアコンテンツの解釈などの場面でのパフォーマンスがさらに向上することです。例えば、ユーザーがニュースの画像をアップロードすると、GrokはXプラットフォーム上のリアルタイム情報と組み合わせ、背景分析と出来事の解釈を提供します。

多言語音声処理：145以上の言語に対応する音声インタラクションの新体験

Grokの多言語音声処理機能も注目に値します。「VoiceWave」拡張機能の統合により、Grokは英語、スペイン語、フランス語、日本語、中国語、トルコ語、ヒンディー語など、145以上の言語のリアルタイム音声インタラクションに対応するようになりました。これは主要な世界の言語を網羅しています。この機能は、自然でスムーズな音声会話を実現するだけでなく、音声テキスト変換、音声再生、テキストの同期ハイライト表示にも対応し、ユーザーエクスペリエンスを大幅に向上させます。

複数言語でのコミュニケーションが必要なユーザーにとって、Grokの多言語音声処理は大きなメリットとなります。新しい言語の学習、多言語対応の顧客サービス、国際的なコンテンツ制作など、Grokはネイティブの発音と調整可能な速度とトーンで、パーソナライズされた音声応答を提供します。この機能はChrome Web Storeの拡張機能として提供されており、ユーザーは簡単な音声コマンドでアクティブ化し、インタラクション設定をカスタマイズできます。

音声モードでのリアルタイム検索：「DeepSearch」による即時情報取得

Grokの音声モードに追加されたリアルタイム検索機能は、「真実探求者」としての地位をさらに確固たるものにしました。DeepSearch技術により、Grokは音声コマンドでネットワークとXプラットフォームから最新の情報を即座に取得し、正確で詳細な回答を生成できます。従来のテキスト入力と比較して、音声検索により、ユーザーはリアルタイムのトレンド、ニュース、ホットトピックに関する洞察をより迅速に得ることができます。

例えば、ユーザーが「最近のテクノロジーニュース」と尋ねると、Grokは音声で迅速に応答するだけでなく、Xプラットフォーム上の最新の投稿とネットワークリソースを参照し、情報のタイムリーさと信頼性を確保します。さらに、DeepSearchの透明性の高い推論プロセスにより、ユーザーはGrokの論理的推論ステップとソースドキュメントを確認でき、情報の信頼性をさらに高めます。

機能を支える技術：Colossusスーパーコンピューターと強化学習

今回のアップデートの成功は、xAIによる技術面での継続的な投資があってこそです。Grok3のトレーニングはColossusスーパーコンピューターを基盤としており、20万個のNVIDIA H100 GPUを搭載し、前世代モデルの10倍の計算能力を備えています。これにより、Grokは複雑なタスクをより高速かつ高精度に処理できるようになり、特に多様なモダリティの統合が必要な場面で優れたパフォーマンスを発揮します。

さらに、Grok3は大規模強化学習（RL）により推論能力が最適化され、数秒から数分以内にエラーの修正、ソリューションの探索、回答の生成を行うことができます。「人間のように考える」この能力により、Grokは数学、科学、コーディングなどの分野のベンチマークテストで、GPT-4o、Gemini1.5、Claude3.5Sonnetなどの複数の競合モデルを上回っています。