「次の10年、検索は『見る・聞く・話す』が完全に融合した体験になる」——Google LLCのCEOであるサンダー・ピチャイは、同社の年次発表でそう強調した。そのビジョンを現実のものとしたのが、次世代AI構想「Project Astra」だ。
従来の検索は「画像を読み込ませて結果を待つ」という一方向のやり取りだった。しかし、Project Astraがもたらしたマルチモーダル検索の衝撃は、その前提を根本から覆した。カメラ映像をライブストリーミングしながら「この部品のネジ、どこを回せばいい？」「このコードのエラーの原因はどこ？」と音声を投げかけると、AIがリアルタイムで視覚情報を解析し、画面上にマークを描きながら音声で指示を出してくれる。
テキスト、画像、音声、動画が境界なく混ざり合うこのマルチモーダル検索は、私たちが情報にアクセスする速度を極限まで引き上げた。Google検索のトップページを開いて検索窓に文字を打ち込む作業すら、過去の遺物になりつつある。
