Episode Details

2026年3月4日、Microsoftは自社のAI開発プラットフォーム「Microsoft Foundry」において、新たな視覚推論モデル「Phi-4-Reasoning-Vision-15B」の提供を開始したと発表しました。このモデルは、コンパクトでありながら非常に高い能力を持つ「Phi-4」ファミリーの最新作です。最大の特徴は、単に画像に何が写っているかを「見る」だけでなく、その視覚情報をもとに深く論理的に「考える」力を持っている点にあります。

たとえば、複雑な図表が含まれた数学の問題を読み解いたり、オンラインショッピングの画面スクリーンショットを解析して次にどのボタンをクリックすべきか判断したりと、これまでの小さなAIでは難しかった高度な処理を軽快にこなすことができます。 周辺の技術動向を調べてみますと、現在AI業界では数兆パラメータに及ぶ巨大で高コストなモデル開発が続く一方で、エッジデバイスや低遅延が求められる業務システムにおいて、手軽に安価で動かせる「SLM（小規模言語モデル）」の需要が急速に高まっています。今回発表されたモデルは、わずか150億パラメータという軽量なサイズでありながら、パソコンを自動操作するエージェント（CUA）の「目」と「脳」の役割を果たすのに十分な性能を証明しています。

また、技術的な工夫として非常に興味深いのが、AI自身が「深く考えるモード」と「直感的に答えるモード」を柔軟に切り替えられるハイブリッドな推論設計が取り入れられている点です。スピードが最優先の単純な画像認識では即座に答えを出し、複雑な科学や数学の図解問題では論理的に段階を踏んで考える（Chain-of-Thought）といった具合に、プロンプトを通じて推論のオン・オフを制御できます。これにより、企業はシステムに組み込む際の処理速度と精度のバランスを自在にコントロールできるようになりました。

これまでは「賢いAIを使おうと思えば、膨大なクラウドの計算費用がかかる」というのがIT業界の悩みの種でしたが、Phi-4-Reasoning-Vision-15Bのような高性能な小型モデルがオープンに提供されることで、その常識が変わりつつあります。小売業の自動注文システムや、教育現場での図解入り個別指導アシスタントなど、私たちの身近なビジネスの現場にも、手軽で賢いAIがどんどん浸透していく。そんな新しい波を感じさせるニュースですね。