マスク氏はソーシャルメディアで自社のAIプラットフォーム「Grok」の新バージョンを紹介する際、故であるバスケットボールスターのコビー・ブライアントのAI合成動画をテストケースとしてアップロードしました。Grokは画像とシーンを完全に解析し、核心的な台詞を正確に抽出し、最終的にこの動画がディープフェイクによるAI合成内容であることを判定しました。これにより、新たな動画インタラクティブな能力を示しました。

マスクが公開したチャット記録を見ると、Grokはまず1フレームずつ画像を解析しています。「コビーは黒いスーツを着て、特徴的な『マンバスピリット』で独白しており、指さしやジェスチャー、笑顔、カメラに向かって体を前に傾ける動きが含まれています。照明は映画のような質感があります。」その後、モデルは動画内の「SpaceXがこれまでに作成した最も強力なインテリジェンスモデル」「Grok 4.5、偉大さは磨きによって生まれる、マンバ、退場」といった重要なセリフを正確に抽出しました。

総合的な判断でディープフェイクが判明、コビーのAI動画は隠せません

最も重要なのは総合的な判断です。Grokはすべての画像、セリフ、文脈情報を組み合わせ、最終的にこの映像がディープフェイクによるAI合成動画であり、動画内の人物の映像はすべてAI生成であり、実写ではないことを指摘しました。これはGrokが動画の内容を「理解」できるだけでなく、真偽を識別する推論能力も備えていることを意味します。

音声要約から全次元的理解へ、動画インタラクションが世代を超えて進化

Grokは最近正式に動画インタラクション機能をリリースし、ユーザーは画像をアップロードするように、対話ウィンドウにローカルの動画ファイルを直接アップロードしたり、リンクを貼ったりして、AIにさまざまな指示を出すことができます。サポートされている機能には、動画全体の内容を要約すること、画面に登場する人物や物を認識すること、動作の詳細を分解すること、または任意の詳細について継続的に質問し交換することが含まれます。