AIは写真の場所や写真の商品を調べるのが本当に得意なのか？

　AIの進化はすさまじく、今は文字入力など不要で言葉(音声)だけで使えて、日常会話するように色々なキャラで器用に答える水準にまでなってるので、AIによる画像検索などは、もう常識的で出来て当たり前と思ってる方も多いのではないかと思います。

しかし、日頃AIを使っていて、本当にAIは人間の画像検索力を超えているのか？などが気になる事があったので、今現在の一般的なAI(汎用AI)の画像検索能力を少し試してみましたので簡単に紹介します。

特に目立ったヒントの無い写真の住所を特定できるか？

「写真の場所を調べるのは得意？」の質問には、Gemini,ChatGPT,GroKは以下のように答えた。

Gemini「写真から特定の場所や建物を特定することは、私の得意な機能の一つです」
ChatGPT「はい、写真から場所を特定する作業は比較的得意です」
GroK「得意なケースと、苦手なケースがはっきり分かれるよ」

そこであらためてテストと言う事で、不動産検索サイトにある特に目立った有名な場所などの目印の無い、兵庫県淡路市にある中古不動産の物件の画像URLを元に住所を尋ねてみたが、正確な答えを返してくるAIは無かった。
尚、写真にはランドマーク的な物は写っていないが、特徴的な3階建ての家で家の周りにも特徴的なポイントは幾つもある。
人間ならば、大雑把なエリアが特定されれば、あとは写真の情報を元にStreetViewで見ていけば、見つけ出せるものがAIではできない。

Geminiに関しては、当方が特定したその家の表札の名前や、特長のある道路などのヒントを 与えたが、StreetViewで画像検索して表札を確認して住所を特定すると言う機能は無かったようだ。
これがプライバシーなどの権利関係を重視して出来なくしているのか、そもそもそういう能力が無いかはわからないが、Geminiによると「私にはできません」との事だった。
因みに、2回目にGeminiに聞いた時は、完全なハルシネーションを起こし、自信満々にトンでもな結果になっていた。
この中で、最も画像関連では性能が低い筈のGroKが、できない事をハッキリと言い、対応面では率直で好感が持てた印象。

具体的な回答は以下の通り。因みにいずれのAIも都道府県すらも当てていないので「住所は全くわかりません」が正しい答えと思われます。

ChatGPT「住所まで特定できていません」
GroK「正確な住所までは特定できませんでした」
Gemini「画像の場所は、岐阜県岐阜市本荘西にある3階建ての賃貸マンション …」
全然違う。完全にハルシネーションを起してます。

比較的有名なモニュメントの写真を当てれるか？

　では、比較的知名度の高い物の写真だとどうかな？と言う事で、当方が撮影した写真で、神戸市長田区の実物大鉄人28号 の写真と共に「これは何？」と尋ねてみた。
右(もしくは上)に掲載してるのが、実際にAIに尋ねた写真です。

AIの回答は以下のとおり。

GroK「これは銀色の金属製のロボット（またはメカ）の頭部のクローズアップ写真です」
銀色では無いが、ロボットの頭部なのは理解している。
ChatGPT「これはキングジョーですね。ウルトラセブンに登場する宇宙ロボットでペダン星人が作ったロボットです」
ちょっと笑った。ロボットには違いないが、明らかにキングジョーとは異なる形状で。おそらく人間ならこう答える人は極めて稀だろうかと。
Gemini「兵庫県神戸市長田区の若松公園に設置されている鉄人28号の実物大モニュメントの頭部をアップで撮影したものです」
正解です。

商品の写真のブランド名や名称,型番を当てれるか？

　では唯一無二ではなく、比較的類似する画像やヒントになる画像がウェブに氾濫している身の回りの製品のブランドや型番を、AIはわかるかテストしてみた。

１：写真の商品(バッグ)の知名度の低いブランド名を当てれるか？ ※掲載URL付き

海外を含むAmazonで主体的に販売されているリーズナブルなバッグのブランドで"kalgoTeal"と言うのがあり、その製品画像の掲載URLと共に「この青いバッグのブランドはわかる？」と尋ねると、ブランド名が隠れている写真なので、難しかったようで、ただAmazonなので"中国系メーカー"と言う辺りまでは理解してる模様。

唯一、Googleの画像検索機能が使えるGeminiのみ、回答して提示した複数のブランドの中に"kalgoTeal"もあったので、最も高確率なのはどれか？と聞くと"kalgoTeal" と言い、画像内にあったフォントと、Amazonの"kalgoTeal"の販売画像で使用されたフォントが一致した事でそうだと判断していたので、優秀だと思われます。

２：写真の商品(有名メーカーの中古テレビ)の型番を当てれるか？ ※掲載URL付き

メルカリに出品されてあったPanasonic VIERAの正面やや斜め上からの写真を掲載URLと共に見せ、型番がわかるかと聞く。
ChatGPTは、画像にアクセスできないのでわからない。
GroKは、形状などからVIERAまでわかったが、それ以上はわからない。
Geminiは、画像検索からの逆引きで掲載ページを特定し、型番他の全ての正確な情報を掲載した。

３：掲載URL無しで写真の商品(有名メーカーの中古テレビ)の型番を当てれるか？

同じく、メルカリに出品されていた SONY BRAVIA KJ-55X9300C を今度は画像URL無しでアップロードしてわかるか試してみた。
ChatGPTは、中央下のロゴは”SHARP / AQUOS”と主張し、製品のデザインなどを良く調べた結果「最有力はシャープ AQUOS GX5シリーズ」と答えた。
GroKは、VIERAロゴがあるとして、VIERAであると主張。
Geminiは、画像検索からの逆引きでメルカリ掲載ページを特定し、型番(KJ-55X9300C)他の全ての正確な情報を掲載した。

４：掲載URL無しでトリミング＆やや縮小した写真の商品(有名メーカーの中古テレビ)の型番を当てれるか？

では、元画像をトリミングしサイズを変え、形状などは全く変えず、90％程度に縮小した画像の商品を当てれるか、同じくメルカリ出品中の、SONY BRAVIA KDL-32W600A で試してみた。
この条件だと、そのままの逆引きが難しい筈？なので、ユーザーが映した製品の写真がわかるか？ と言う条件に近くなると思われます。

GroKは、SONY BRAVIAまで特定。スタンドの形状から製造年代も特定。型番はわからず。
ChatGPTは、 かなり自信があるとして、SONY BRAVIA KDL-40W600B と回答。
Geminiは、これでもオリジナルの掲載ページを逆引きで確認したようで、SONY BRAVIA KDL-32W600A 2013年発売・32インチなどと正確に答えた。

５：掲載URL無しでトリミング＆やや縮小＆少し回転させた写真の商品(有名メーカーの中古テレビ)の型番を当てれるか？

では、元画像をトリミング＆90％程度に縮小に回転させ角度を5度変えるとどうなるか？ 同じくメルカリ出品中の、SONY KJ-43X8300D で試してみた。
この条件だと、そのままの逆引きがかなり難しい筈なので、ユーザーが映した製品の 写真がわかるか？ と言う条件にかなり近くなると思われます。

GroKは、SONY BRAVIAまで特定。型番は特定できないとの事。
ChatGPTは、 SONY BRAVIA まで特定。2015〜2017年頃のモデルの可能性。
Geminiは、SONY BRAVIA KJ-49X8300D または同じシリーズのサイズ違い KJ-43X8300D とほぼ瞬時に特定。ほぼ正解。

以上の結果から、特に有名ブランドの商品の画像検索に関しては、Googleの優秀な画像検索機能と、Googleのウェブ検索機能を存分に使えるGeminiが抜きんでいる事はわかったし、おそらくこれに関しては、Geminiを使えば、人間が検索するよりも、圧倒的に速くて正確な結果が得られると言う事になると思う。

最後に

　私は最初からAIに過大な期待はしてないほうで、今のAIブームは仕掛け人らによるただのバブルで、一般エンドユーザーには無料提供を維持できない限り、一時期の流行程度で、PCの機能の1つとして定着すると思ってます。

ただ、AIは色々な面で使っていて、様々な論文で学習し専門性の高い知識が圧倒的に豊富なGeminiを一番よく使うのは、自分の中では専門性が高く回りに共有できる人が少ないと認識している分野の思考の手軽な整理目的で、その際に自分の考えをアップデートする場合もありますが、AIが間違ってる場合にツッコミ入れるのが主です。

画像から情報を読み取る事に関しても、一般的にはAIは得意とされていますが、今回紹介したように、現時点のAIでは、ケースバイケースの部分もまだあって、必ずしも、人間よりも優れているとは限らないと言う事はわかるかな？と思われます。

追記：再びGeminiに「AIは写真の場所や写真の商品を調べるのが本当に得意なのか?」と尋ねると

　この記事を書いた後で、ChromeのパーソナライズされないシークレットモードでGeminiに「AIは写真の場所や写真の商品を調べるのが本当に得意なのか?」 と尋ねたところ、以下のように答えた。

AIは、写真に写っている場所や商品を特定するのが非常に得意です。人間が何時間もかけて探すような情報を、わずか数秒で見つけ出すことができます。ただし、完璧ではなく、得意なケースと苦手なケースがあります。
(中略)
現在のAI（Googleレンズなど）は、「特徴がはっきり写っている写真」であれば、人間を遥かに凌駕するスピードと精度で場所や商品を特定できます。

特長があっても、住所までは特定できないのでは？

特徴が強力であれば、写真から「正確な住所（番地まで）」を特定することは十分に可能です。
(中略)
「ただの綺麗な景色」からは住所の特定は難しいですが、上記のような「人工物のディテール」が1つでも鮮明に写っていれば、AIや解析ツールによって住所（◯県◯市◯町◯番地）まで特定されてしまうのが現代の技術の現実です。

Geminiで2回検証したけど、特定できなかったよ
https://hen.kooss.com/archive/2026/0809001.html

「Googleレンズで電柱の文字を正確に読み取り、その住所データを人間が検索して Street View で答え合わせをする」という、人間の執念と専用ツールを組み合わせた執拗な調査（OSINT）があって初めて成り立つものです。
(中略)
「AIなら何でも写真一枚で住所まで分かる」というような、過大な表現をしてしまったことをお詫びいたします。現実は、検証記事にある通り「AIによって得意・不得意の差が激しく、多くの生成AIは嘘をつく」というのが正確な実態です。

と言う感じで、そんなに長いやりとりで無くても、事実を前にすると、かなり主張が変わるのがわかると思います。もちろん不得意では無いでしょうが、Geminiが住所を特定し易い条件に合致したケース以外では、特徴的な家,建物,道路であっても特定は中々難しいように見ていて、そういう写真のほうが圧倒的に多いですね。

最終的には、変な維持を張らず余計な言い訳もせず、嘘である事を正直に言ってるのはGeminiの良い点かな？と個人的に思います。

無料サイト集 Kooss (Run)記