1台のカメラで撮った動画から、遮蔽や激しい変形があっても動く物体を4D（3D＋時間）で復元する手法です🎥 タイトル: Lift4D: Harmonizing Single-View 3D Estimation for 4D Reconstruction In-the-Wild URL: 🎥 概要 単一視点の3D予測と変形可能な3Dガウシアンスプラッティングを組み合わせた、テスト時最適化フレームワークです。学習済みの幾何・外観の事前知識を映像と統合し、強い遮蔽や非剛体運動に対処します。 ❓ 解決する課題 ・4Dを直接予測する手法は学習データが乏しく汎化が難しい ・3Dを初期化して動画だけで精緻化する手法は、大変形や遮蔽のある実世界映像で破綻しがち 💡 方法論と提案手法 3つの要素で構成されます。 ・Causal Latent Conditioning：画像→3Dモデルを再学習なしで時間方向に整合。隣接フレームの潜在をODEレベルで結合し、t₀で一貫性と各フレーム忠実度を調整 ・変形可能ガウシアン：疎な制御ノード＋時間変化するSE(3)変換とLBSで、正準表現を各フレームへ変形 ・遮蔽考慮の精緻化：見えるピクセルだけを比較しつつ、視点条件付き拡散事前分布で未観測面を補完 📊 実験結果 ・ベースライン（STAG4D, PAD3R, L4GM, DreamMesh4D, V2M4, BANMo）と比較 ・Pexelsデータで点追跡誤差EPE 0.072（競合は0.119〜0.211） ・単一H200 GPUで32フレーム動画あたり約30分 #3D再構成# #GaussianSplatting#

🧊 1枚の画像から3Dを作るとき、「見えている面は正確だが裏側は作れない」か「完全だが入力とズレる」かの二択でした。World Tracingは、ピクセルごとに3D点を層状に積み上げて、見える面と隠れた面を同時に手に入れます。 タイトル: World Tracing: Generative Pixel-Aligned Geometry Beyond the Visible URL: 🔍 概要 World Tracingは、各ピクセルに対しカメラ空間の3D点を順序付きでL個積層する表現です。第0層が見える表面、深い層が前景の裏に隠れた面との前後交差を記録し、忠実な再構成と生成的な補完を1つの層状問題として統合します。 ❓ 解決する課題 従来のimage-to-3Dには根本的なトレードオフがありました。 ・深度推定器はピクセルに正確だが、見える表面で止まる ・生成3Dモデルは完全だが、正準座標で動くため入力とズレる World Tracingは「見える面を正確に再構成しつつ見えない面をもっともらしく生成する」忠実な生成として定式化します。 💡 方法論と提案手法 中核は17億パラメータの拡散トランスフォーマWT-DiTです。 ・層内・レイ方向・グローバルの3方向に因子化したアテンションで、深度順序と前後の整合を保つ ・第0層は画像に制約される再構成的、深い層は生成的という非対称性に対し、層ごとにノイズ量を変える混合ノイズスケジュールを導入 ・多層（3Dアセット）と単層（RGBD写真）の教師を同時に使える混合学習 🎯 ユースケース ・テキスト駆動の3Dシーン編集（ピクセル整列なので再学習なしのクローズドフォーム合成） ・完全な裏側形状をメモリに使う、ジオメトリ条件付きの新視点ビデオ生成 ・TRELLISと組み合わせ、入力に正しく再投影される忠実なメッシュ生成 📊 実験結果 オブジェクト・シーン・動的の各ベンチで既存手法を上回りました。 ・オブジェクト可視深度MAE 0.0149（VGGT 0.0257） ・完全形状F-score@0.05 0.549（TRELLIS 0.204） ・シーンMAE 0.0102、動的クリップChamfer L2 0.0105で最良 #3D生成# #CV#

🪑 画像に物を「3Dの向きと位置まで指定して」自然に挿入。テキストでは曖昧、パラメータでは難しかった3D姿勢制御を、視覚プロキシの分解で解いた手法DIRECTです。 タイトル: Direct 3D-Aware Object Insertion via Decomposed Visual Proxies URL: 📝 概要 DIRECTは、参照オブジェクトを画像へ挿入する際に、3Dの姿勢と位置を明示的に制御できる拡散ベースの手法です。挿入条件を幾何・外観・文脈の3つに分解し、独立した経路で注入します。 ❓ 解決する課題 既存の挿入手法は2Dインペインティングとして定式化され、3D姿勢を制御できませんでした。テキスト誘導は空間的に曖昧、パラメトリックな3D手法は抽象パラメータを正しい幾何投影へ翻訳できない、という限界がありました。 💡 方法論と提案手法 ・ユーザーが操作する3Dプロキシを目標姿勢でレンダリングし幾何ガイダンスを得ます ・外観（参照の高忠実度な見た目）と文脈（背景の意味）を、別々のLoRAと位置埋め込みで独立注入し特徴のもつれを防ぎます ・TRELLISで画像から粗い3Dを生成し、VGGTと3D Gaussian Splattingで姿勢を精緻化します ・FLUX.1-Fill上に構築し、形状分解マスク拡張と漸進的解像度学習で過学習を防ぎます 🎯 ユースケース バーチャルステージング、EC商品撮影、精密な空間制御が要るクリエイティブ制作、フォトリアルなAR/VRコンテンツ生成などに使えます。 📊 実験結果 ・FLUXベースでPSNR 23.09、LPIPS 0.147、マッチング誤差17.8と、ベースラインを全指標で上回りました ・0°〜180°の大きな姿勢変化でも安定し、3D再構成の劣化にも頑健に細部を保持しました ・ハイブリッドデータ学習でCLIP-Iが0.904→0.943に向上しました ・対称オブジェクトの向き付けでは、RGB幾何ガイダンスが法線マップを上回ることも示しました #3DGeneration# #ImageEditing#

スマホで撮った1本の動画から、自由に見回せる「動く3D人物」を作れる——専用スタジオも複数カメラも不要です。 タイトル: 4DAnyone: Create Anyone in 4D from a Casual Monocular Video URL: キャリブレーションなしの単眼動画から、多視点一貫動画を生成して4D Gaussian Splattingへ変換する枠組みです。注目ポイントは3つ。 📦 注目ポイント1: 参照文脈を O(N)→O(1) に圧縮（RCP） 4D再構成には数十視点が必要ですが、生成済み視点を条件に足すほど文脈が肥大化してガイダンスが弱まります。Reference Context Packingは、参照を固定長・混合解像度に圧縮し、視点が増えても計算量を一定に保ちます。 🔄 注目ポイント2: ノイズに応じて視点グループを回す（TCR） 独立にデノイズする視点グループは情報交換できず構造がずれます。Target Context Routingは高ノイズ時にグループを巡回シフトして全体構造を伝播し、低ノイズ時はグループを固定して詳細を安定化。切替は t/T=0.2 が最適でした。 🎮 注目ポイント3: ゲームエンジン製データで実世界へ汎化 自社エンジンの38k本多視点動画（318名・24カメラ）に実写・単眼データを組み合わせ、3段階カリキュラムで学習。結果、生成一貫性でPSNR 24.33を達成し既存手法を明確に上回りました。 スマホ動画から約40分でフォトリアルな4Dアバター。自由視点表現が一般ユーザーの手元に近づきます。 #4DReconstruction# #GaussianSplatting#

動画生成モデルで4D世界を作るとき、わざわざRGBに戻す必要はなかった——潜在空間から直接4Dへ変換する新手法が登場しました。 Beyond Pixels: From Video Priors to 4D Worlds 🔍 概要 従来の「動画生成→RGB→4D再構成」という3段階カスケードは、RGB変換でVAE潜在空間の幾何学情報を失い、アーティファクトを増幅させる構造的な問題を抱えていました。本研究は動画VAEの最終デノイズ済み潜在を直接4Dデコーダーに接続する「latent-to-4D生成」を提案します。 🛠 解決する課題 ・RGBデコード時に幾何学情報が劣化する ・ジェネレーター固有ノイズがRGB経由で4D再構成に伝播する ・ジェネレーターが変わるたびに4Dモジュールを再学習する必要がある これらすべてを、VAE潜在空間を直接インターフェースにすることで回避します。 ⚙ 方法論と提案手法 3つのコンポーネントで構成されます。 ・アライメントモジュール（𝒜ϕ）：三線形リサンプリングと3D畳み込みで潜在を4Dデコーダーのトークン空間に変換 ・L4ARアテンション：フレームワイズ空間整合 + グローバル時間アテンションの階層的組み合わせ ・4Dデコーダー：カメラパラメータ（9D）と密な世界座標系ポイントマップを同時予測 学習対象はこの3コンポーネントのみ（rank-16 LoRA含む）。VAEやTransformer本体は凍結し、約1,000クリップで学習します。 📊 実験結果 DINO-F1スコア（テキスト→4D）：57.01〜57.09（本手法）対 53.27〜54.21（カスケードベースライン）。画像→4Dでは61.60対55.79で5.81ポイント改善。人間評価でも幾何学・完全性で66.8〜72.1%の好みを得ています。頑健性テストでは汚染レベルρ=0.6時のドリフトが0.0053（ベースライン比71倍の安定性）を記録しました。 🌐 汎用性 14Bと1.3Bの2サイズのWan T2VモデルおよびWan I2Vモデルで、単一チェックポイントが変更なしに動作。モーション・外観・カメラ制御もそのまま引き継がれます。 #4D生成# #動画AI#

■ 補足 間取りをもとに再構成した非公式デモです。寸法は画像からの推定で、内装・眺望はイメージです。 物件に合わせた3D内覧の制作から、自社サイト・物件ページへの埋め込みまでご相談ください。サイトの仕様に合わせて調整します！！ ■ 出典 本人制作の実操作デモ（68秒）

コピペで出来る！ MiniMax H3 リファレンスしたキャラクターが指定した文字を操ります。 初期設定で入っている 文字列A = 「MiniMax H3」 文字列B = 「AI STUDIO ONEROOM」 だけ好きなものに変えればOKです。 ----------- プロンプト↓↓↓ ----------- # 【ここだけ変更】 文字列A = 「MiniMax H3」 文字列B = 「AI STUDIO ONEROOM」 ※使用時に変更するのは上の2行だけ。 ※以下の本文は変更しない。 ※映像内には、上で設定した文字列A・文字列B以外の文字を表示しない。 --- 提供された参照画像を主人公の基準として使用する。 キャラクターの同一性、顔、髪型、衣装のシルエット、ファッション性、全体的な印象をできる限り維持する。 15秒、16:9横長のハイテンポなファッションMV。 映像の中心は常に主人公。 主人公の身体の動きとダイナミックなカメラワークを最優先し、その動きに反応して、冒頭で設定した文字列A・文字列Bが追従する。 基本的な演出構造は、 主人公が動く → カメラが大きく反応する → 文字がその動きに引っ張られる という順番。 カメラは空間を大きく使い、急速なドリーイン／ドリーアウト、横方向の高速通過、ローアングル、オービット、ウィップパン、スナップズームを組み合わせる。 高速運動と完全静止の差を強く作り、バレットタイムを最大の見せ場にする。 ## タイポグラフィ 使用する文字は、冒頭で設定した文字列A・文字列Bのみ。 文字はフラットでシャープな2Dタイポグラフィ。 厚みのある3D文字にはしない。 基本色は白。 アクセントとして赤とオレンジを使用する。 色はグラデーションではなく、ビートに同期した瞬間的な切り替えを中心にする。 文字は主人公の身体動作に連動する。 主人公が手を横へ払えば文字も高速で横へ飛ぶ。 主人公が引き寄せれば文字も集まる。 主人公が回転すれば文字もその回転に引っ張られる。 主人公が手をカメラ方向へ押し出せば文字も前景へ急接近する。 主人公が停止すれば文字も停止する。 文字だけが勝手にランダムに動かない。 モーショングラフィックスは短いアクセントとして使用する。 文字の高速移動中に一瞬だけ字間が広がる。 文字が停止した瞬間に白から赤、またはオレンジへ切り替わる。 高速移動直後に短く分解され、即座に再整列する。 一文字ずつ数フレーム遅れて追従する動きを短時間だけ使用する。 文字内部の複雑な変形を長時間見せない。 ## 奥行き 文字自体を3D化せず、配置とカメラワークによって空間的な立体感を作る。 文字を、 カメラのすぐ近く 主人公より手前 主人公の背後 など異なる距離へ配置する。 カメラ移動によって強いパララックスを発生させる。 近い文字ほど大きく高速に流れ、遠い文字ほど小さくゆっくり動く。 文字が主人公の身体の背後へ隠れたり、腕や身体の手前を横切ったりする自然な前後関係を維持する。 --- ## Shot 1 | .0–00:00.8 ワイド。 主人公が中央に立つ。 前景に大きな白い文字列A。 主人公の背後に小さめの文字列B。 強いビートと同時にカメラが前景文字の隙間を高速で通過しながら主人公へドリーイン。 文字、主人公、背景の距離差によって強いパララックスを発生させる。 通過した瞬間、文字列Aの一部分だけ赤へ変化。 ## Shot 2 | .8–00:01.6 顔のクローズアップへスナップズーム。 主人公が鋭く横を見る。 視線に引っ張られるように文字列Bが横方向へ高速移動。 カメラも同じ方向へ短くスライド。 文字は顔を隠さない。 ## Shot 3 | .6–00:02.5 全身ローアングル。 主人公が一歩前へ出ながら片手を強く横へ払う。 その手の軌道に合わせて文字列Aが主人公の背後から横を通過し、カメラ直前まで高速で飛ぶ。 移動中だけ字間が大きく広がる。 カメラは低い位置から高速ティルトアップ。 ## Shot 4 | .5–00:03.4 ミディアム。 主人公が両手を軽く引き寄せる。 分離していた文字列Bの文字が左右から主人公の周囲へ高速で集まり、正しい文字列として再構成される。 完成した瞬間、一部分だけオレンジへ変化。 主人公が手を止めると文字も完全停止。 ## Shot 5 | .4–00:04.2 主人公が身体を鋭くターン。 同時にカメラは主人公とは逆方向へ高速オービット。 文字列Aが主人公の回転に引っ張られるように大きな円弧を描いて移動する。 身体とカメラの大きな運動を最優先する。 ## Shot 6 | .2–00:05.7 第一のバレットタイム。 主人公がターン途中で完全停止。 身体、髪、衣装も完全停止。 文字列A・文字列Bも完全停止。 カメラだけが主人公の周囲を約180度高速オービットする。 文字列Aは主人公より手前。 文字列Bは主人公の背後。 文字はフラットな2Dのまま。 カメラだけが移動することで、主人公と文字の間に強烈なパララックスと前後関係を生み出す。 カメラ角度によって文字の一部が主人公の身体の背後へ自然に隠れる。 バレットタイム中は文字を動かさない。 ## Shot 7 | .7–00:06.5 時間が一気に再始動。 主人公がターンを完成させ、その勢いのまま片手を前へ押し出す。 同時に文字列Aがカメラ方向へ猛烈に加速。 文字列Aの一部分だけ赤へ変化。 文字がカメラ直前まで巨大化して画面を横切り、その動きで次のショットへハードトランジション。 ## Shot 8 | .5–00:07.4 ワイド。 カメラが高速で後退。 主人公はカメラへ向かって前進。 主人公の背後に大きな白い文字列B。 主人公の歩行に合わせて文字も前方向へ少し移動する。 人物とカメラが逆方向に動くことで空間の広さを強調。 ## Shot 9 | .4–00:08.3 サイドアングル。 カメラが主人公の横を高速で通過。 主人公が片手を下から上へ大きく振る。 その軌道に引っ張られて文字列Aが画面下から上へ飛び上がる。 文字は主人公の背後から始まり、途中で身体の手前へ出る。 最後の瞬間だけ文字の一部分がオレンジへ変化。 ## Shot 10 | .3–00:09.2 クローズアップ。 主人公がカメラへ手を伸ばす。 主人公の背後に小さく存在していた文字列Bが、手に引き寄せられるようにカメラ方向へ急接近。 カメラも同時に主人公へ高速ドリーイン。 手、顔、文字の三段階の距離差を強調する。 ## Shot 11 | .2–00:10.3 第二のバレットタイム。 主人公が腕を振る途中で完全停止。 文字列Aも完全停止。 カメラだけが主人公の斜め下から上方向へ回り込む。 文字は動かさない。 カメラ移動だけで主人公と文字の距離、重なり、前後関係が大きく変化して見える。 時間再開直前、一部分だけ赤へ変化。 ## Shot 12 | .3–00:11.5 時間再開。 主人公が腕を振り切る。 文字列Aがその勢いのまま画面を高速横断。 逆方向から文字列Bが主人公の背後を通過。 二つの文字列が主人公を中心として前後ですれ違う。 カメラも横方向へ高速トラッキング。 ## Shot 13 | .5–00:12.8 高速クライマックス。 顔アップ。 全身。 極端なローアングル。 横顔。 手元。 短いハードカットで連続切り替え。 すべてのカットで人物のスケール、カメラ位置、角度を変える。 文字列A・文字列Bは主人公の身体動作に追従する。 高速移動。 瞬間的な字間変化。 短い分解と再整列。 白から赤またはオレンジへの瞬間的な色変更。 これらを短いアクセントとして使用する。 文字のモーションよりも主人公とカメラの速度感を優先する。 ## Shot 14 | .8–00:15.0 最終ヒーローショット。 主人公の斜め側面近くから開始。 カメラが主人公の周囲を大きく高速オービットしながら正面へ回り込む。 途中、文字列Aが主人公の背後から手前へ移動。 文字列Bが前景側から主人公の背後へ抜ける。 カメラが二つの文字列の間を高速で通り抜けながら主人公正面へ到達。 主人公が両手を軽く動かす。 その動きに引き寄せられるように文字列A・文字列Bが左右から集まる。 二つの文字列が主人公の周囲へ正しく整列。 整列直前だけ字間が大きく広がる。 最後のビートで一気に正しい間隔へ戻る。 主人公が手を止める。 文字も完全停止。 最後の約0.4秒だけ安定した強いヒーロー構図を保持する。 ## 制約 追加人物を出さない。 キャラクターの顔、髪型、衣装を変更しない。 冒頭で設定した文字列A・文字列B以外の文字を表示しない。 意味不明な文字を生成しない。 字幕を表示しない。 文字を厚みのある3D文字にしない。 同じカメラ構図を繰り返さない。 長時間の静止ショットを作らない。 バレットタイム中は主人公と文字を完全静止させ、カメラだけを動かす。 文字の複雑なモーショングラフィックスを主人公やカメラより優先しない。 ## Audio 高速でエッジの効いたスタイリッシュなインストゥルメンタル。 ボーカルなし。 セリフなし。 字幕なし。 主人公の身体動作、カメラ移動、文字の空間移動、カット、時間停止、時間再開を音楽のビートへ同期させる。 バレットタイム直前に音を急激に絞る。 時間停止中は音の空間だけを残す。 時間再開と同時に強いビートを戻す。 ## 最重要 主人公の身体の動きを最優先する。 カメラを大きくダイナミックに動かす。 文字は主人公が操っているように動く。 使用文字は冒頭で指定された文字列A・文字列Bのみ。 白を基本に赤とオレンジをアクセントとして使用する。 文字のモーショングラフィックスは短いアクセントに限定する。 文字自体はフラットな2D。 空間の立体感はカメラ、距離、パララックス、前後関係によって表現する。 -------- #MiniMaxH3# #MiniMaxDesig#

ゲームの世界モデルはピクセルを直接生成しがちですが、長く回すほど姿勢や幾何がズレていきます。Marionetteは「正確さが要る部分」を潔く手放しました。 タイトル: Marionette: Predicting World States, Rendering Geometry, Painting Appearance URL: 幾何・遮蔽・運動は決定的レンダラーに委ね、ニューラルには見た目だけを描かせる世界モデルです。注目ポイントは3つ。 🎮 注目ポイント1: 明示的な276次元の世界状態を予測 ピクセルではなく、関節・ルート軌跡・回転からなる3D状態を2段階の自己回帰で予測します。制御は行動トークンを上書きするだけ（プレイヤーのボタン押下と同じ）。誤った行動を強制するとポーズが約31%ズレる＝制御が確かに効いている証拠です。 📐 注目ポイント2: ゼロパラメータの決定的レンダラー 6つの閉形式演算だけで状態をポーズ制御動画へ変換。ワールド整合性・遮蔽順序・計量スケールが「構成上」保証されます。長期の破綻は、外見モデルを再訓練せず地形コライダーなどのルールで修復でき、貫通を66%削減しました。 🎨 注目ポイント3: 見た目だけを担う動画拡散 Wan2.2-Fun-5Bベースの拡散が、正確な幾何の上に写実的なRGBを合成。予測状態経由でもFVDは831（記録状態799、ピクセル自己回帰は975）で、忠実度の低下は検出されませんでした。 正確さは決定的計算に、見た目はニューラルに。世界モデルの分業の good design です。 #WorldModels# #GameAI#

良い写真ですね キオクシア、メモリプーリングのCXLモジュールサンプル出荷 【ニュース】キオクシア、近々CXLモジュールのサンプル出荷を開始か、NVIDIA CMXとの強固な関係を再確認 AIワークロードがますます多くのメモリを必要とするにつれ、DRAMの物理的な容量の限界がボトルネックになりつつある。EE Times Japanによると、日本のNAND大手は9月3日のブリーフィングで、同社のCXLメモリモジュールが従来の方式と比較してレイテンシを90%以上削減しながら使用可能なメモリ容量を拡大する方法を詳しく説明した。 EE Times Japanによると、キオクシアは間もなくCXLメモリモジュールのサンプル出荷を開始する予定だという。 キオクシアのメモリ事業部でメモリ応用技術責任者を務める松寺勝樹氏の言葉を引用し、同レポートはさらに、シミュレーションの結果、DRAMの3分の1をCXLメモリモジュールに置き換えることで、性能低下を5%未満に抑えられることが示されたと指摘している。また、同じコストでDRAMの一部をCXLメモリモジュールに置き換えることで、容量を2倍にしながら性能を1.3倍に向上させることも可能だと付け加えている。 CXLがギャップを埋める方法 報告書が指摘するように、AIはDRAMの需要を大きく押し上げているが、DRAMの容量には限りがあるため、データ量の増加に伴いシステム内でメモリを拡張することは困難である。NANDフラッシュははるかに大きな容量を提供するが、レイテンシが高く書き込み耐久性が低いというトレードオフがあり、メインメモリにおけるDRAMの直接的な代替品としては不向きである。 松寺氏によると、実際のアクセスパターンは80対20の比率で、メモリアクセスの約80%はデータのわずか20%にアクセスし、残りのデータへのアクセス頻度ははるかに低いという。キオクシアのアプローチはこのギャップを利用し、80%のデータをフラッシュメモリに保存する。フラッシュメモリはDRAMと同様にメモリとして直接アクセスできるため、パフォーマンスを犠牲にすることなく容量の制約を緩和できる。 しかし、フラッシュメモリ特有のレイテンシーは依然として課題だった。このギャップを埋めるため、キオクシアはレイテンシー低減機能を備えた専用コントローラを開発した。EE Times Japanによると、XL-FLASHと組み合わせたCXLメモリモジュールは、従来の方式と比較してレイテンシーを90%以上削減できるという。 キオクシアはCXL以外にも、主力製品であるBiCS Flashのロードマップを更新した。同社は7月から岩手県北上工場で第10世代BiCS FLASH 3Dフラッシュメモリの量産を開始し、同時に1Tb TLC製品のサンプル出荷も開始した。EE Times Japanによると、新世代は第8世代と比較してビット密度が59%向上、読み出し電力効率が40%向上、書き込み電力効率が30%向上している。 CMXとNVIDIAのコラボレーションに注目 特筆すべきは、BigGo Financeが、キオクシアとNVIDIAがCMX（Context Memory Storage）に関して協力していると報じている点である。CMXは、NVIDIAが3月に発表した新しいストレージ層で、BlueField-4データ処理ユニットを中心に構築されており、長文コンテキストの会話型およびエージェント型AI推論のためのGPUメモリを拡張することを目的としている。 その協力関係は既に成果を上げており、キオクシアは7月にCM10シリーズを発表した。これは、第10世代BiCS FLASH TLCを搭載し、NVIDIA CMXアーキテクチャをサポートするように設計された最新のエンタープライズ向けSSDで、前世代に比べてパフォーマンスと電力効率が大幅に向上している。 キオクシア初のPCIe 6.0エンタープライズSSDであるCM10シリーズは、直接冷却プレート式液冷にも対応しており、次世代AIインフラストラクチャの冷却において、より高い柔軟性と効率性を提供すると、同レポートは付け加えている。 報道によると、SSD事業部技術企画部長の浜田誠氏は、市場の巨大な潜在力を考えると競争は避けられないとしながらも、キオクシアはNVIDIAと緊密に連携し、主要幹部と定期的に連絡を取り合っていると述べた。「我々は後れを取っているとは感じていない」と浜田氏は述べ、キオクシアはAI PCや物理AIにおける新たなストレージニーズにも注目していると、同報道は示唆している。 SeDailyが指摘するように、サムスンもこの市場における重要なプレーヤーとなる可能性がある。韓国のメモリ大手であるサムスンは、NVIDIAの次世代ストレージアーキテクチャであるCMX（今年後半に発売予定）に後押しされ、V9 NANDの生産能力拡大を加速させていると報じられている。 SeDailyによると、NVIDIAのCMXは576個のSSDを搭載し、総容量は9,600TBに達する一方、同アーキテクチャ向けのNANDフラッシュメモリの需要は、今年の3,500万TBから来年には1億TB以上に急増すると予測されている。サムスンのNANDフラッシュメモリの生産量は今年約2億5,000万TBに達すると見込まれており、同社は巨大な生産能力を駆使して、成長著しいCMX市場でより大きなシェアを獲得しようとしている、と同レポートは付け加えている。

【💡技術ブログ「COVER Tech」更新情報💡】 「OBSで3次元空間を再構築。配信ソフトに本格的な3D演出を組み込むプラグインを作った話」を更新しました。 VTuber配信に没入感をもたらすプラグインについて解説しています。 ぜひ、下記リンクよりご覧ください。 #COVERTech# #COVERedge# #カバー株式会社#