Tencentの李雨濤氏によるワールドカップライブストリーミング：AIの大規模生産初披露とクラウドプロバイダーのマルチモーダルへの進出

Tencent Cloudは、米国、カナダ、メキシコで開催された直近のFIFAワールドカップの技術基盤として機能し、17の国と地域での公式放送を支援しました。このカバー範囲は、アジア太平洋地域および国内市場における全認可プラットフォームの3分の2に達しました。Tencent Cloud副社長兼国際製品技術本部責任者の李育涛氏は、最近のインタビューで、ライブ放送制作においてAIが前例のない規模で導入されたと強調しました。画像強化、インテリジェントなディレクション、自動編集、スマートな横長から縦長への変換、品質検査、追跡可能性といった主要プロセスはすべて自動化されました。単一のワールドカップイベントに対するこの支援は、AIGCが大規模生産へ移行する過程の一側面に過ぎません。

李育涛氏は、マルチモーダル領域におけるTencent Cloudのアプローチを「ハーネス（Harness）」と表現しています。モデルがコンテンツを生成する方法に焦点を当てるだけでなく、生成から安定したユーザーへの配信に至るまでのサプライチェーン全体を戦略の中心に据えています。これには、前処理、品質検査、ステitching（結合）、エンコーディング、配信、フォーマット適応が含まれます。

彼は、生成AIが特にライブストリーミング、オンデマンド視聴、メディア制作、インタラクティブなシナリオといったマルチメディアアプリケーションにおいて複数の課題をもたらしたと指摘しました。これらの領域は、ネットワーク伝送、ビデオ品質、ユーザー体験、および各種機能の統合によって制約されており、単一のモデルですべての問題に対処するのは困難です。多くのベンダーは、新しいマルチモーダル大規模モデルが登場するとすぐにそれを接続しようと試み、統合上の問題や避けられない技術的障壁を引き起こしています。多くの企業が同様の課題に直面している中で、顧客フィードバックから共通の需要が浮上しています。それは、基盤となるタスクを処理するプロバイダーが必要であり、企業がイノベーションと上位層のアプリケーションに集中できる環境を整えることです。ユーザーのニーズを特定し、適切なモデルを選択し、固有の欠陥を修正し、最終的なサービスをユーザーに提供することは、ビデオおよびオーディオPaaSクラウドプロバイダーが解決しなければならない中核的な課題です。

6月5日、Tencent Cloud AI産業応用会議において、同社はAIブランド「Tencent Cloud WAND」を立ち上げました。このイニシアチブには、コンテンツ生成、理解、処理、エンコーディングの全パイプラインをカバーする6つの独自開発のメディア専用モデルと、60以上のAI機能が含まれています。これらのツールは、eコマース、ショートドラマ、教育、スポーツライブストリーミングといった垂直シナリオのために特別にトレーニングされています。李育涛氏は、チームが大規模言語モデル、マルチモーダルモデル、画像強化や特定のアプリケーション用の小パラメータモデルなど、すべてのモデルを統合していると説明しました。マルチモーダルHarnessに関する作業は昨年開始され、生成ビデオモデルの台頭とHarness概念に対する業界の共通認識の高まりと時期を同じくしています。

ビデオ生成は、AIコーディングに続く商業的クローズドループを達成した2番目のAI変革シナリオとして広く認識されています。今年初頭以来、大規模モデルのビデオシーンにおける競争が加速し、市場構造を大きく変えています。国内ベンダーは商業化において急速に進んでおり、ByteDanceのSeedanceとKuaishouのKeLing AIがAIビデオ生成市場で寡占状態を形成しています。公開データによると、3月までにKeLing AIのARR（年間収益率）は5億ドルに近づき、1年で4倍の成長を示しました。他の報告では、年中までにSeedance 2.0のARRが20億ドルに達したと示唆されています。ByteDanceは収益数値を「過度に高く現実と一致しない」として否定しましたが、Seedance 2.0が「生産性の転換点」を超えたことを確認しました。一方、海外市場では、OpenAIは3月にSoraの独立したアプリ、APIインターフェース、ChatGPT統合ビデオ機能を終了すると発表し、事実上消費者レベルのAIビデオ生成市場から撤退しました。

To B製品やソリューションを開発する際、生態系との協力は李育涛氏の最優先戦略です。彼は、チームが生成とインタラクションの間のリンクが短縮されるにつれてHarnessの役割が無視されたり迂回されたりする可能性について議論してきたことを認めています。6ヶ月の観察に基づく彼の評価は、これは起こらないというものであり、むしろHarnessの重要性は増加する可能性があります。大規模モデルがバックエンドの生産性を表す場合、その効率の向上はフロントエンドアプリケーションへの需要を大幅に刺激します。需要の拡大は常に生産性の向上を上回るため、大規模モデルがエンドユーザーのニーズを完全に満たすことは決してありません。この持続する「需給ギャップ」がHarnessの必要性を浮き彫りにしています。

李育涛氏は、マルチモーダルHarness領域におけるTencent Cloudの2つの主要な機会を特定しています。第一に、多くのビデオおよびオーディオシナリオで再考が必要であること。第二に、より強力かつ包括的なモデルが登場するにつれて、課題はそれらを企業レベルの生産サービスに迅速に適用し、最新の大規模モデルの体験をエンドユーザーに提供することにあります。顧客のために最新のモデルを継続的に統合し、全生産プロセスとツールチェーンを管理することは、マルチモーダルHarnessの重要な目標です。

昨年以降、AIコンピュートパワーはトレーニングから推論へとシフトしました。多くの企業が今やトレーニングよりも推論により多くの費用を費やしており、これは多くのAIGCアプリケーションが大規模生産段階に入っていることを示しています。中国では、ショートドラマやアニメシリーズは、マルチモーダル技術が生産で広く使用されている典型的なシナリオです。アジア太平洋地域では、ビデオおよびオーディオソリューションはTencent Cloudの国際展開の「最前線」であり、収益、市場シェア、業界認知度においてリードしています。過去5年間、Tencent Cloudは国際化を優先し、海外のビジネスリソースとインフラストラクチャに多大な投資を行ってきました。同社は、過去3年間、海外事業が二桁の成長を維持していると明らかにしました。

Tencent Cloudビデオおよびオーディオ総責任者の李志誠氏は、ショートドラマ、アニメシリーズ、eコマース、ツールベースのシナリオのいずれにおいても、クライアントは当初は効果と影響力を優先しますが、その後ROI、具体的には技術が利益を生み出し価値を創造するかどうか focuses に焦点を移すと指摘しました。現在最も頻繁な問い合わせは、ショートドラマおよびeコマースツールに関するものであり、これらは今後1〜2年で普及すると予想されています。多くのユーザーや企業は、かつて垂直産業に限定されていた大規模言語モデルと同様に、これらの技術を採用し、日常業務に不可欠なものになるでしょう。

エージェント時代の到来に伴い、Tencent Cloudの機能はビデオおよびオーディオインテリジェンス、AIハードウェア、具現化ロボット、クラウドフォンと統合されます。グローバルインフラストラクチャとエッジ推論を活用し、これらのソリューションはAIアプリケーションの急速なグローバル展開を支えます。李育涛氏は、チームがZhujiなどの具現化インテリジェンスおよび自律型清掃車両企業と協力し、TRROリモートリアルタイム制御（リモートデジタルヒューマンソリューション）を開発したことに言及しました。これは、弱ネットワーク環境での手動介入中に低遅延の安定した通信およびオーディオビデオデータ伝送といった中核的な課題に対処します。

将来を見据え、李育涛氏はマルチモーダル領域におけるクラウドプロバイダー間の競争の3つの主要な方向性を概説しています。第一はマルチモーダルトレーニングおよびコンピュートパワーです。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への投資の大部分はコンテンツの理解と生成に向かいます。将来のエンドツーエンドの音声インタラクションやビデオ生成には、クラウドプロバイダーからの substantial なコンピュートパワーおよびインフラストラクチャ投資が必要です。第二はストレージおよびデータ蓄積です。マルチメディアはテキストよりも高いストレージ容量を要求し、安定性、データクリーニング、取得において異なる要件があります。大量のビデオデータは事前トレーニングの前にクリーニングおよび処理する必要があり、異なるモーダル性を組み合わせることは、テキストベースのタスクとは大きく異なる処理ステップを含みます。第三はアプリケーション生産側です。エンドユーザー指向の推論サービスおよび包括的な処理機能を提供するクラウドプロバイダーは、顧客の選択における重要な要素です。運用イノベーションのトレンドによって駆動される顧客の要件を効果的に満たすことは、Tencent Cloudにとっても同様に重要です。