先日終了した米国・カナダ・メキシコ共催のワールドカップでは、騰訊雲（テンシンユン）が世界17か国の公式試合配信を支え、アジア太平洋地域および国内の2/3の公式ライセンスプラットフォームをカバーしました。騰訊雲の副社長で国際製品技術責任者のリー・ユータオは最近のインタビューで、このワールドカップにおいてAIが初めて大規模に配信制作に導入され、画質向上、スマートディレクター、自動編集、スマート横から縦への変換、品質検査とトレーサビリティなどの多くが、AIによって完全に自動化されていると語りました。一回のワールドカップのサポートは、AIGCが大規模な生産応用に進み始めた一つの側面です。

リー・ユータオは、騰訊雲が取り組むべき領域を「マルチモーダル分野におけるハーネス（制御工学）」と呼んでいます。ここでの焦点はモデルがどのように生成するかではなく、生成からユーザーに安定して提供されるまでの、前処理、品質検査、結合、変換、配信、形式適応など、すべてのサプライチェーンを扱うことです。

彼は、生成型AIの波の中で、マルチメディアアプリケーションが複数の課題に直面していることを観察しています。特に、ライブ配信、オンデマンド、メディア創作、マルチメディアインタラクティブなど、ネットワーク送信、映像画質、ユーザー体験、さまざまな特徴が重なるような場面では、単一のモデルでは一部の問題しか解決できません。多くのベンダーは新しいマルチモーダル大規模モデルを見ると、まずすべてのモデルを接続しようとします。今日こうした企業を接続し、明日別の新しいモデルが出ればそれを接続するのです。接続後には様々な問題に遭遇します。もし多くの企業が同じような問題に直面しているのであれば、顧客からのフィードバックから共通の要望が抽出できます：下層部分を全部完璧に整えてくれる人が必要であり、その上で上層部のビジネス革新や上位アプリケーションに集中できるようにしたいというものです。ユーザーのニーズを認識し、ニーズを満たすモデルを見つけて、モデルの固有の欠点を補うことで最終的なサービスをユーザーに届けること。これは音声映像PaaSクラウドサービスプロバイダーとして避けて通れない課題です。

6月5日の騰訊雲AI産業応用大会で、騰訊雲の音声映像部門はAIブランド「騰訊雲WAND」を発表し、6つの自社開発メディア専用モデルと60を超えるAI機能を構築しました。これらはコンテンツ生成、理解、処理、エンコードの全工程をカバーしており、特にEC、ショートドラマ、教育、スポーツ配信などの垂直分野で訓練されています。リー・ユータオは、チームがすべてのモデルをつなぎ合わせていると語っています。大きな言語モデルだけでなく、マルチモーダルモデルや小さなパラメーターを持つ画質向上モデル、小さなパラメーターを持つアプリケーションモデルも含んでいます。彼らは昨年からマルチモーダル分野のハーネスに取り組んでおり、今年になって生成型ビデオモデルが増えるにつれて、ハーネスという概念と理解がますます一致するようになっています。

注目すべきは、ビデオ生成がAIコーディングに次いで、商業的な閉鎖環を実現した第二のAI変革の場面と見なされていることです。今年に入って音声映像大規模モデルの競争が急激に加速し、市場構造が劇的に変化しています。国内のベンダーは商業化の進行が迅速で、字節（ドワン）傘下のSeedanceや快手のKeline AIがAIビデオ生成の「二極」となっています。公開データによると、今年3月のKeline AIのARRは5億ドルに迫り、1年間で4倍成長しています。また、報道によると、今年上半期にSeedance 2.0のARRは20億ドルに達したとのことです。字節はその収益データを「高すぎる」「実際とは異なる」と否定していますが、Seedance 2.0が「生産性の質的変化のポイント」を越えたと明確に述べています。一方海外では、今年3月OpenAIはSoraの独立アプリ、APIインターフェース、ChatGPT内蔵動画機能の停止を発表し、消費者向けAIビデオ生成市場から退出しました。

To B製品とソリューションを開発するにあたり、生態系の協力はリー・ユータオにとって最優先事項です。彼は自身のチームが常に議論している問題について率直に語ります。「生成からインタラクションに至るまでのフローがどんどん短縮される中で、ハーネスというエコシステムの位置が無視されたり、回避されたりしないだろうか？」という問いです。彼の判断は、少なくとも過去半年の観察ではそうならないと感じており、むしろハーネスの重要性がさらに強まっていると感じています。大規模モデルを後端の生産力と考えると、生産力の向上は前端のアプリケーション需要の増加を顕著に刺激します。そして、需要の広がりは常に生産力の向上より強くなります。大規模モデルは最終ユーザーの最高のニーズを常に満たせないため、常に「供給関係のギャップ」が存在し、それがハーネスが存在する理由なのです。

彼の見解では、騰訊雲がマルチモーダルハーネスでポジショニングする最大の機会は、多くの音声映像シーンの体験が再設計されることです。第二の機会は、未来にはもっと多く、より強力で、より包括的なモデルが登場することです。それらのモデルを企業向けの生産サービスに迅速に適用し、最終ユーザーに最新の大規模モデルの体験を届けることが、マルチモーダルハーネスが解決すべき問題です。最新モデルを顧客の最も前線に適用し、全体的な生産プロセスとツールチェーンが特に重要になります。

昨年から、AIの計算能力は主にトレーニングから推論へとシフトしています。多くのベンダーは推論用の計算能力を構築するコストがトレーニングへの投資を上回っています。これは大量のAIGC応用が大規模な生産応用に入ったことを意味しています。国内では、ショートドラマや漫画ドラマの制作が典型的なケースで、すでに多くのマルチモーダル技術が使用されています。アジア太平洋地域では、音声映像ソリューションは騰訊雲の海外展開の「先頭車両」となり、収益、市場シェア、業界の認知度で業界トップです。過去5年間、騰訊雲は国際化を重要な戦略方向として進め、海外展開に多くの業務資源とインフラストラクチャーを投入し、会社が公表したデータによると、過去3年間で海外事業は二桁成長を記録しています。

騰訊雲音声映像総経理のリー・ジーチェンは、ショートドラマ、漫画ドラマ、EC、ツール類の出荷において、共通点があると語っています。初期段階では、顧客は効果や影響力を気にするかもしれませんが、中期以降はROI、つまり利益がどれだけ出るか、どのくらい価値を生むかを気にするようになります。今現在、最もよく聞かれるのはショートドラマやECツールの使用方法です。今後1〜2年以内には徐々に普及し、多くのユーザーと企業が使うようになるでしょう。これは以前の大規模言語モデルと同じように、2〜3年前は特定業界で使われていたのが、今ではほぼ全業界で使われるようになり、仕事の中でも重要な一部となっています。

エージェント時代が到来すると、騰訊雲のこれらの能力は音声映像のインテリジェントエージェント、AIハードウェア、身体的ロボット、クラウドスマホと統合され、グローバルインフラとエッジ推論を基盤として、AIアプリケーションを速くグローバルに展開し、近くに立ち上げることができます。リー・ユータオは、チームがZhuji（逐際）などの多数の身体的スマート企業や無人清掃車企業と協力しており、TRRO遠隔リアルタイム操作（遠隔デジタル人ソリューション）を育成したと紹介しています。この技術は、弱いネットワーク状態でロボットが人間の介入時に遅延を抑えて安定した通信、音声映像データの戻しを解決するために使用されます。

将来に向けて、リー・ユータオはクラウドベンダーがマルチモーダル分野で競争する三大方向をまとめました。第一はマルチモーダルのトレーニングと計算能力です。言語モデルのトレーニングとは異なり、マルチモーダル分野では多くの割合が理解と生成に投資されています。今後は大量のエンドツーエンドの音声対話やエンドツーエンドのビデオ生成が増えるため、計算能力に対する要求が高まり、クラウドベンダーのインフラへの投資も増えます。第二はストレージとデータの蓄積です。マルチメディアはテキストよりも大きなストレージ容量を必要とし、ストレージの安定性やデータのクリーニングと取得の要件も異なります。大量のビデオはトレーニング前にデータのクリーニングと処理を行う必要があります。異なるモーダルのデータを一緒に置き、トレーニング前の処理はテキストとは大きく異なります。第三は応用生産側です。クラウドサービスプロバイダーが最終ユーザーに向けた推論サービスや統合処理能力を提供することは、顧客が選ぶ際に重要な要素です。イノベーショントレンドで生まれたニーズが、運用側で良い方法で顧客に満たせるかどうかが、騰訊雲にとっても非常に重要です。