Apple Intelligence、HomeKitにAI動画要約を導入も、コスト高と通知の少なさでGoogleやRingに遅れを取る

Apple Intelligence、iOS 27でホームセキュリティカメラへ拡張

Appleは、生成的ビジョン機能をスマートホームエコシステムに導入し、iOS 27と同時に2023年9月14日にリリースされたApple Intelligence for HomeKit Secure Video（HKSV）を発表した。このアップデートにより、対応する防犯カメラやビデオドアベルが自然言語テキスト通知、自動クリップ検索、マルチカメライベントの結合機能を備え、Google NestのGemini機能やAmazon Ringのスマート監視ツールと直接競合する形となった。

日常使用におけるシステムの性能を測定するため、The VergeのJennifer Pattison Tuohyは、Appleの新エコシステムを主要競合と比較テストし、HomeKitにAqara Doorbell Camera G400（99ドル）を、Google Nest Doorbell 2K（199.99ドル）を、Ring Wired Doorbell Pro（249.99ドル）をそれぞれ設定した。今回のアップデートはAppleにとって家庭向け生成的ビジョンへの初の本格的な試みであるが、初期結果は記述精度、通知の信頼性、サブスクリプション価格において、AmazonやGoogleの既存製品に比べて大きなハードルがあることを示している。

正確性、通知信頼性、iCloud Plus料金の検証

Apple Intelligence for Homeを利用するには、iOS 27を搭載したAI対応iPhone、tvOSまたはHomePodソフトウェアバージョン27のホームハブ、HKSV対応カメラ、そしてiCloud Plusのストレージサブスクリプションが必要である。AppleのAI機能の料金はクラウドストレージプランに直接紐付いている。

• 2TBプラン（月額9.99ドル、またはApple One経由で39.95ドル）：AI機能を1台のカメラで利用可能。
• 6TBプラン（月額29.99ドル）：AI機能を2台のカメラで利用可能。
• 12TBプラン（月額59.99ドル）：AI機能を最大5台のカメラで利用可能。

AppleはAI機能に対して最大5台のカメラという上限を設けているが、標準のHKSV録画は2TBプランで無制限のカメラをカバーする。対照的に、Google HomeもAmazon Ringも月額20ドルの定額で、無制限のカメラに対してフルAI機能を提供している。Ringは24時間常時録画に対してカメラ1台あたり追加で3ドルを課金する一方、Googleは有線Nestカメラの24時間録画を基本の20ドルプランに含めている。

直接的な運用比較では、Appleの通知は最も簡潔で、しばしば役に立たないものとなった。外部のペットを検知した際、Appleは「猫がポーチに座っている」と報告したのに対し、Ringは「猫がポーチの外の通路に立っている」と詳細に記述し、GoogleのGeminiモデルは「白黒の猫がポーチを横切って歩く」と色まで特定した。Appleは人物を「誰か」と一般化することが多く、制服や荷物、特定の行動をGoogleやRingが捉えるように認識できなかった。三者のビジョンモデルは幻覚も生じ、ロボット芝刈り機が「テニスサーブシミュレータ」や「灰色のホバーボード」と誤認された。

Appleの顔認識は特に消極的で、住人を「おそらくJennifer Pattison Tuohyかもしれない人物」といった不確かな表現でタグ付けすることがあった。Ringは顔認識の信頼性が最も高く、Googleは約半数の確率で正しく顔を特定した。通知配信もAppleの環境では不安定で、Aqara G400のモーションアラートが時折Apple Homeアプリに届かなくなる一方で、Aqara独自アプリ内では引き続きトリガーされた。とはいえ、AppleはiOS 27向けにバックエンド録画パイプラインを全面的に再設計し、Eve屋外カメラやAqara G5、G350モデルなどの接続ハードウェアで長時間続くクリップ欠落を解消した。

各プラットフォームは独自のソフトウェア機能を示した。

• Apple: マルチカメラ「クリップ結合」機能を備えており、異なるカメラ間で対象を追跡し映像を連続したシーケンスに統合する。また、検索タブに「注目すべき」イベントを表示するアルゴリズムフィルタも提供する。
• Ring: 「異常イベント」エンジンを搭載し、日常のルーティンをマッピングして通常の活動を除外する。テストでは、1日あたり約40件のアラートが2〜3件にまで削減され、通常の外出は無視され、深夜の異常は検知された。
• Google: 自然言語検索、日次「Home Brief」テキスト要約、ビジョン連動の自動化を提供する。ただし、スマートフィーダーとGoogleのPet Memoryを用いた初期テストでは、猫が現れるたびに餌が供給され、特定のペットに限定した給餌ができなかった。

クラウドプライバシーのトレードオフとローカルAIへのシフト

家庭内の活動を監視するためにビジョン言語モデルを展開することは、新たなプライバシー課題を提起する。従来のHomeKit Secure Videoはクリップをホームハブ上でローカルに処理し、エンドツーエンド暗号化とクラウドバックアップを行うが、Apple Intelligenceは動画要約をAppleのクラウドベースのPrivate Cloud Compute（PCC）へ送信する。同社は、クリップはPCC内でテキストキャプション生成のためにのみ復号され、管理者からはアクセスできず、処理後は即座に完全に削除されると述べている。

競合他社は異なるアーキテクチャでデータを管理している。Ringは従来、すべての映像をクラウドで処理しており、過去の法執行機関からのデータ要請に対して批判を受けてきた。Ringは最近「TAKE」という暗号化フレームワークを導入し、暗号鍵を自動的にローテーションし、内部に保存された映像コピーを24時間後に削除、法執行機関への復号を防止している。Google NestはGemini処理を転送中および保存時に暗号化し、一部タスクをデバイス上で実行しつつ、重い生成処理はGoogle Cloudサーバーに依存している。

スマートカメラが受動的なモーション検知から能動的なスマートホームトリガーへと移行するにつれ、消費者の需要は最終的にローカルファーストの処理アーキテクチャを支持する可能性が高い。Anker Eufy、Reolink、Ubiquiti UniFi、UGreenといったハードウェアメーカーは、ローカルニューラルプロセッサを導入し、コンピュータビジョンを家庭内で完結させるケースが増えており、定期的なサブスクリプション費用やオフプレミスでのデータ処理を回避できる。