01 / QUICK GUIDE
まず、30秒でつかむ
- 01
研究チームは、ボールの衝突、一瞬の点滅、状態の切り替わりという三つの出来事を、回数と速さだけ変えた動画でAIに数えさせました。
- 02
Gemini 3.6 Flashは長く残る状態変化なら一部の条件で安定した一方、すぐ消える点滅では、正の回数を信頼して数えられる範囲が見つかりませんでした。
- 03
これは査読前で、制御された動画と主に一つのモデルを調べた結果です。動画AI全体が使えないのではなく、導入先と同じ条件で回数確認を試すべきだという警告です。
02 / KEY WORDS
専門用語を、やさしく。
ここだけ押さえれば、残りの本文はスムーズに読めます。
- 動画言語モデル
- 動画を見て質問へ文章で答えたり、内容を要約したりするAIです。映像の各瞬間を人と同じ方法で見ているとは限りません。
- 周波数
- ある出来事が1秒間に何回起きるかを示す値です。1Hzなら1秒に1回、0.5Hzなら2秒に1回です。
- イベントトレース
- どの時刻に何が起きたかを並べた正解表です。最終回数だけでなく、AIが一つずつ正しく拾ったかを確認できます。
- サンプリング
- 長い動画からAIへ見せる静止画を選ぶことです。枚数を増やしても、出来事の順序を理解できるとは限りません。
03 / THE FACTS
何が起きたのか
研究チームは、ボールが壁へ当たる瞬間、画面上の短い点滅、カテゴリーが別の状態へ変わる瞬間という三つの課題を作りました。見た目を固定し、出来事の回数と発生する速さだけを変えています。
各動画には、正しい出来事の時刻を機械で生成したイベントトレースがあります。AIが『10回』と答えたかだけでなく、どの10回を見つけたつもりなのかを正解の時刻と照合できる設計です。
Gemini 3.6 Flashは、変化した状態が画面に残る課題では、0.5Hzと1Hzで12回まで80%の信頼基準を満たしました。一方、一瞬だけ現れて消える点滅では、正の回数を安定して答える領域がありませんでした。
回数も速さも高い条件では、最終回数が合ったのは0.2%で、実際に起きたイベントの18.1%しか拾えませんでした。これは、その条件における著者実験の値で、一般の動画すべての平均ではありません。
見せるフレームを増やすとボール衝突の最終正答率は19.6%から29.3%へ上がりました。ただし、報告した時系列全体が正解と一致した割合は3.7%でした。正解数だけが上がっても、出来事を忠実に追った証拠にはなりません。
つまり、何が重要なのか
2026年8月6日に初版が提出された査読前論文は、回数と速さを制御した2,190本の動画を使い、動画AIが出来事をどこまで数えられるかを調べました。
結論は、映像内の物体を見分ける力と、時間の中で出来事を追い続ける力は別だということです。最終回答だけを採点すると、その違いを見落とします。
04 / THE CONTEXT
なぜ、今これが重要なのか
動画AIは、会議、店舗、防犯、工場、スポーツなどへ広がっています。『何が映っているか』から、『何回起きたか』『いつ起きたか』を判断する用途へ進むほど、時間理解の弱点が実害につながります。
従来のベンチマークは現実の映像を幅広く含む一方、物体の多さ、長さ、速さ、回数が同時に変わります。失敗しても、見えなかったのか、覚えられなかったのか、数えられなかったのかを分けにくい問題がありました。
この研究は見た目を固定し、回数と速さを一つずつ変えました。健康診断の項目を分けるように、性能の境界を地図として描こうとした点に価値があります。
05 / WHAT IT MEANS FOR YOU
私たちには、何が変わる？
例えば工場で製品の通過回数を数える場合、AIの自然な説明だけを信じるのは危険です。センサーの実測値や時刻ログと照合し、抜けた場面を人が再生できるようにします。
スポーツ動画でも、『選手が何度シュートしたか』は見どころ要約より難しい場合があります。カメラ切り替え、遮蔽、リプレーが入れば、同じ出来事を二重に数える問題も増えます。
導入担当者は平均正答率だけでなく、回数、速さ、映る時間を変えた表を作るべきです。自社で許容できる条件と、AIから人へ戻す条件が見えるようになります。
論文は主にGemini 3.6 Flashと制御動画を扱う査読前研究です。他のモデルや現実映像で同じ数字になるとは限りません。だからこそ、製品名より自分の動画で検証することが重要です。
07 / NEXT ACTION
今日から、どう動くか
- 01
動画AIへ回数を尋ねるとき、最終数だけでなく、各出来事の時刻と短い根拠説明も一緒に出してもらう。
- 02
自社の動画を低回数・高回数、ゆっくり・速い、長く映る・一瞬だけ映る条件に分け、正答と見逃しを表へ記録する。
- 03
金銭、安全、品質に関わる判定はセンサーや人の確認と組み合わせ、AIだけで処理を確定しない停止条件を決める。