AIは物理世界を理解できるか？800万データで「空間知能」を実装するSenseNova-SI

最先端のマルチモーダルモデルでも苦手としていた「空間知能（Spatial Intelligence）」を、アーキテクチャの変更ではなく、徹底的なデータスケーリングで解決するプロジェクト「SenseNova-SI」の解説資料です。

【主なトピック】
• 800万サンプルの威力: 空間知能を5つの要素（測定、関係性、メンタル再構築、視点取得、統合推論）に分解し、体系的に学習させることで性能を飛躍的に向上
• GPT-5超えの性能: VSI-BenchやMindCubeなどの主要ベンチマークで、GPT-5やGemini-2.5-proを凌駕するSOTAを達成
• 視点取得 (Perspective-taking) の重要性: これまで不足していた「視点変更」に関するデータを重点的に強化し、AIの空間理解を深める
• 実世界への応用: ファインチューニングなしで、ロボットアームの操作タスク（EmbodiedBench）における指示追従能力が大幅に改善

テキストベースの推論（CoT）の限界を示し、身体性AGI（Embodied AGI）に向けた「データ中心アプローチ」の有効性を実証します。