字節、AIエージェントの加速スイッチを押す
TechFlow厳選深潮セレクト
字節、AIエージェントの加速スイッチを押す
2025年初のDeepSeekやManusによる衝撃を経て、大手企業は自らの次の戦略を再び明確にしようとしている。
Web3業界の深掘り報道に専念し潮流を洞察著者：宛辰
DeepSeek-R1の優れた文章作成能力、GPT-4oのジブリ風画像生成、OpenAI o3による画像から地理位置を推論する技術――。
これらはここ2ヶ月間で次々と話題となった現象級のAI製品であり、明確に見て取れることがある。強化学習がついに汎化可能になり、マルチモーダルモデルもますます実用的になってきたのだ。これはつまり、2025年がまさにエージェント（Agent）アプリケーションの実用化、そして加速的な展開の時期に入ったことを意味している。
以前大ヒットしたAIエージェント「Manus」を開発したチームは、昨年末にClaude 3.5 Sonnetが長期計画立案や段階的な問題解決においてエージェントとして必要な水準に達したと明かしており、これがManus誕生の前提だった。
現在、ディープシンキングモデル（深層思考モデル）とマルチモーダルモデルの能力がさらに成熟するにつれ、より複雑なタスクを処理できるエージェントが続々と登場するだろう。
この判断に基づき、4月17日、字節跳動傘下のクラウドおよびAIサービスプラットフォーム「火山エンジン」は企業市場向けに、より強力なモデル――「豆包1.5・ディープシンキングモデル」を発表した。これは、字節跳動傘下のAIアプリ「豆包App」の背後にある推論モデルが初めて正式に公開されたものである。同時に、「豆包・テキストから画像生成モデル3.0」とアップグレードされたビジュアル理解モデルも発表された。
今回のモデル発表について、火山エンジンの総裁である譚待氏は、「ディープシンキングモデルはエージェント構築の基盤です。モデルには、十分な思考、計画立案、自己反省の能力が必要であり、必ずマルチモーダルをサポートしなければなりません。まるで人間が視覚や聴覚を持っているように、エージェントが複雑なタスクをより適切に処理するためには、それが不可欠です」と述べている。
AIがエンドツーエンドでの自律的判断と実行能力を獲得し、コアな生産プロセスへ進出する中で、火山エンジンはエージェントがデジタル世界と物理世界を操作できるアーキテクチャとツール――OSエージェントソリューションおよびAIクラウドネイティブ推論キットを準備し、企業がより迅速かつ低コストでエージェントアプリケーションを構築・展開できるように支援する。
譚待氏によると、エージェントの開発は、ウェブサイトやAPPの開発と同様に、単なるモデルAPIだけでは不十分であり、多くのクラウド上のAIクラウドネイティブコンポーネントが必要になるという。従来のクラウドネイティブには、コンテナやスケーラビリティなどのコア定義があるように、AIクラウドネイティブにも同様の重要な要素が存在する。モデル周辺の中間ミドルウェア、評価、監視、オブザーバビリティ、データ処理、セキュリティ対策、Sandboxなど関連コンポーネントにわたる継続的な考察、探求、迅速な行動を通じて、火山エンジンはAI時代のインフラストラクチャにおける最適解を目指している。
01 豆包ディープシンキングモデル：人間のように見ながら考え、検索しながら考える
今年初めにDeepSeek-R1がリリースされて以来、多くのToCアプリがR1推論モデルを採用したが、豆包Appはその例外だった。3月初めに豆包Appに登場した「ディープシンキング（深層思考）」モードの裏側には、字節跳動が自社開発した豆包ディープシンキングモデルが使われている。
今回、この推論モデル――豆包1.5・ディープシンキングモデルが正式に発表され、火山ファーウォークス（Volcano Ark）プラットフォームで体験・呼び出し可能になった。
インターネット接続モードをオンにすると、豆包は人間が問題を考えるときのように、「考えて→検索して→また考える」というプロセスを繰り返し、最終的に問題解決を目的とする。
たとえばショッピングのシナリオでは、予算やサイズなどの制約条件を指定したうえで、豆包に適切なキャンプ装備のセットを推薦させることができる。
この問いに対して、豆包はまず注意点を分解し、必要な情報を計画的に整理。不足している情報を特定し、ネット検索を開始する。ここで3回の検索を行っている。最初は価格と性能を調べ、予算とニーズに合致するか確認。次に子供の特別な要望も考慮し、最後には天候を踏まえて関連する詳細なレビューを検索している。考えながら検索を繰り返し、意思決定に必要なすべての文脈情報を得た時点で、推論に基づいた回答を提示する。
検索しながら考えるだけでなく、豆包ディープシンキングモデルはビジュアル推論能力も備えており、文字情報だけでなく、目に見える画面内容に基づいて思考することもできる。
たとえば注文の場面では、もうすぐゴールデンウィークを迎えるため、海外旅行中のユーザーはメニュー写真を翻訳アプリにアップロードする必要がなくなる。豆包ディープシンキングモデルなら、直接画像を見て注文を代行してくれる。
以下の例では、豆包ディープシンキングモデルはまず為替換算を行い予算管理をし、高齢者や子どもの好みを考慮。さらに彼らがアレルギーを持つ料理を丁寧に避け、そのままメニュー案を提示している。
インターネット接続、思考、推論、マルチモーダル性――豆包1.5・ディープシンキングモデルはこれらの統合的推論能力を示し、より複雑な問題解決が可能になっている。
技術報告書によると、豆包1.5・ディープシンキングモデルは専門分野の推論タスクにおいて高い達成度を示しており、数学推論のAIME 2024テストではOpenAI o3-mini-highと同等のスコアを記録。プログラミングコンテストや科学的推論テストでもo1に近い成績を上げている。創造的ライティングや人文知識に関する質問応答といった汎用タスクでも優れた汎化能力を発揮し、幅広い利用シーンに対応できる。
また、豆包ディープシンキングモデルは低遅延の特徴も持つ。技術報告書によれば、同モデルはMoEアーキテクチャを採用し、総パラメータ数は200Bだが、活性化パラメータは20Bと少ない。これにより、トップレベルのモデルと同等の効果を小規模なパラメータで実現している。高性能なアルゴリズムと高速推論システムにより、豆包モデルのAPIサービスは高並列処理を維持しつつ、遅延をわずか20ミリ秒まで抑える。
さらにマルチモーダル能力も備えており、さまざまなシーンへの応用が可能だ。たとえば、複雑な企業プロジェクト管理のフローチャートを読み取り、重要な情報をすばやく特定し、強力な命令遵守能力でフローチャートに厳密に従って顧客の質問に回答できる。空中撮影画像を分析する際には、地形の特徴を組み合わせて地域開発の可能性を判断することもできる。
推論モデル以外にも、今回の豆包大規模モデルファミリーでは2つのモデル更新も発表された。テキストから画像生成モデルに関しては、最新版3.0がリリースされ、文字のレイアウト表現の向上、実写に匹敵する画像生成品質、2K解像度での高精細画像生成が可能になった。
新しいバージョンは、小文字や長文の生成という課題をうまく解決しただけでなく、画像のレイアウトも改善されている。例えば最も左側の「現形」と「丰收计划」の2枚のポスターは、ディテールの再現が精巧で、自然なレイアウトとなっており、すぐに使えるレベルだ。
もう一つのアップデートは豆包1.5ビジュアル理解モデルだ。新バージョンには2つの主要な改善があり、視覚的位置特定がより正確になり、動画理解もよりスマートになった。
視覚的位置特定では、豆包1.5ビジュアル理解モデルは複数対象、小規模対象、汎用対象のボックス位置特定やポイント位置特定をサポートし、位置カウント、位置内容の説明、3D位置特定なども可能。この能力の向上により、オフライン店舗の巡回検査、GUIエージェント、ロボット訓練、自動運転訓練など、新たな応用シーンが広がる。
動画理解能力も大幅に向上しており、記憶能力、要約理解能力、速度認識能力、長尺動画理解などが強化された。企業はこの動画理解能力を活かして、より面白い商用アプリを開発できる。家庭用途では、動画理解能力とベクトル検索を組み合わせることで、家庭内の監視カメラ映像を自然言語で検索できるようになる。
以下の例では、猫を飼っている人が「今日、うちの猫は家で何をしていた？」と検索するだけで、関連する動画の断片が即座に返され、ユーザーが簡単に確認できる。
視覚理解機能付きの推論モデルと豊富な推論能力を活用すれば、以前はできなかったことが今や可能になり、新たなシーンが開かれる。このような機能を持つカメラは当然、より人気を得るだろう。AI眼鏡、AIおもちゃ、スマートカメラ、スマートロックなども新たな発展の余地を持つ。
02 クラウド、Agentic AI時代へ
最近、OpenAIの研究員である姚順雨氏（Deep Research、Operatorの中心的作者）は「AIの後半戦」と題する記事で、強化学習がついに汎化可能な道を見つけたと指摘している。それは特定分野に限定されるものではなく、囲碁で人類棋士を破ったAlphaGoのようなケースを超えて、ソフトウェア工学、創造的ライティング、IMOレベルの数学、マウスやキーボード操作など多方面で人間の競技レベルに近づいているという。
このような状況下では、ランキングスコアを競ったり、より複雑なベンチマークで高いスコアを出すことは容易になるが、こうした評価方法はすでに時代遅れだ。
今求められるのは、問題を定義する能力だ。言い換えれば、AIは現実生活の中でどのような問題を解決すべきなのか？
2025年、その答えは「生産性エージェント」である。現在、AIの応用シーンは急速にAgentic AI時代へと移行しており、AIは専門性が高く、時間がかかる一連のタスクを遂行できるようになりつつある。こうした流れの中で、火山エンジンは企業が「自分自身の汎用エージェント」を定義できるよう、一連のインフラを提供している。
その中で最も重要なのは、自ら計画を立て、反省し、エンドツーエンドでの自律的判断と実行ができるモデルであり、コアな生産プロセスに進出できる能力を持つことだ。同時に、耳、口、目を使って現実世界のタスクを共同で完遂するために、マルチモーダル推論能力も必要となる。
モデルだけでなく、インフラ技術スタックも進化を続けなければならない。たとえば、MoEアーキテクチャがより高い効率性を示し、徐々に主流のモデルアーキテクチャになりつつあるが、それに伴い、MoEモデルに適した柔軟かつ複雑なクラウドコンピューティングアーキテクチャとツールが必要になる。
現在、企業向け汎用エージェントのシーンにおいて、火山エンジンはより優れたアーキテクチャとツール――OSエージェントソリューションを提供しており、大規模モデルがデジタルおよび物理世界を操作できるように支援している。たとえば、エージェントがブラウザを操作し、商品ページを検索してiPhoneの価格比較を行うタスクを実行したり、遠隔のコンピュータ上でエージェントが「Jianying（剪映）」を使って動画編集や音楽挿入を行うことも可能だ。
現在の火山エンジンOSエージェントソリューションには、豆包UI-TARSモデル、veFaaS関数サービス、クラウドサーバー、クラウドスマホなどの製品が含まれており、コード、ブラウザ、PC、スマホ、その他のエージェントの操作を実現している。特に豆包UI-TARSモデルは、画面のビジュアル理解、論理的推論、インターフェース要素の位置特定と操作を統合し、従来の自動化ツールが事前設定ルールに依存する限界を打破し、エージェントの知的インタラクションに人間に近い操作基盤を提供している。
汎用エージェントのシーンにおいて、火山エンジンはこのOSエージェントソリューションを通じて、企業内、個人、特定分野がそれぞれのニーズに応じてエージェントを定義・探索できるように支援している。
一方、垂直領域のエージェントについては、火山エンジンは自らの強み分野を活かして探求を進めている。たとえば以前に発表した「スマートプログラミングアシスタントTrae」やデータ製品「Data Agent」などがある。後者はデータフライホイールを構築することで、データ処理能力を極限まで引き出している。
他方、エージェントの普及に伴い、より大量のモデル推論消費も発生する。大規模な推論需要に対応するため、火山エンジンは専用のAIクラウドネイティブServingKit推論キットを開発し、モデル展開をより迅速に、推論コストをより低く抑えている。GPU消費量は従来のソリューションと比べて80％削減されている。
譚待氏は、AI時代のニーズに応えるために、火山エンジンは今後も3つの分野で継続的に力を入れていくと述べている。第一にモデルの最適化を続け、競争力を維持すること。第二にコストの削減――費用、遅延の低減、スループットの向上。第三に製品の実用化を促進すること。たとえば開発者向けツールの「コウズ（扣子）」「HiAgent」、クラウドネイティブコンポーネントのOSエージェントなどだ。製品と技術のリーダーシップを保てば、市場シェアも必然的にリードできる。IDCが発表した『中国パブリッククラウド大規模モデルサービス市場分析、1Q25』によると、火山エンジンは46.4％の市場シェアで第1位となっている。
昨年12月、豆包大規模モデルの1日あたり平均トークン呼び出し量は4兆であった。今年3月末時点で、この数字はすでに12.7兆を超えており、豆包大規模モデル発表当初からのわずか1年弱で、106倍以上の急成長を遂げている。今後、ディープシンキングモデルやビジュアル推論のさらなる成熟、AIクラウドインフラの最適化とともに、エージェントの普及はさらに大きなトークン呼び出し量を牽引していくだろう。
TechFlow公式コミュニティへようこそ
Telegram購読グループ：https://t.me/TechFlowDaily
Twitter公式アカウント：https://x.com/TechFlowPost
Twitter英語アカウント：https://x.com/BlockFlow_News
极客公园
