DeepSeek-OCRの登場：「画像を見る」ことでAIのテキスト処理方法を根本的に変える

人工知能スタートアップのDeepSeekは最近、DeepSeek-OCRというオープンソースモデルをリリースし、「文脈的光学圧縮」という革新的な概念を提案しました。単語を一つ一つ読むのではなく、大量のテキストを画像に変換し、AIが「画像を見る」ことで理解できるようにすることで、長いテキストを処理する計算コストを大幅に削減します。この技術は、圧縮率と精度の点で驚くべき性能を発揮するだけでなく、多言語、グラフ、化学式など、さまざまなシナリオで強力な応用可能性を示し、大規模言語モデル（LLM）の長いテキスト処理問題の解決に新たな道を開きます。

AIにとって、長い記事を読むことは、写真を見ることよりも骨が折れるかもしれないと考えたことはありますか？少し直感に反するように聞こえますが、これは現在の大規模言語モデル（LLM）が直面しているジレンマです。テキストの長さが長くなるにつれて、計算コストは指数関数的に増加し、AIが複雑なドキュメントを処理する能力を大幅に制限します。

この問題を解決するために、杭州を拠点とするスタートアップのDeepSeekは、「幻想的」と表現できるソリューション、DeepSeek-OCRを提案しました。このモデルの中核となる考え方は、テキストを「光学化」し、何千ものテキストトークンを何百もの視覚トークンに圧縮し、AIを「読者」から「画像ビューア」に変えることです。

革新的なアイデア：文脈的光学圧縮

「文脈的光学圧縮」と呼ばれるこの技術は、視覚媒体を利用してテキスト情報を効率的に圧縮することを目的としています。簡単に言うと、まず長いテキストコンテンツを1つまたは複数の画像にレンダリングし、次にモデルにこれらの画像を「読ませ」ます。

これを行う意味は何ですか？と尋ねるかもしれません。答えは効率です。

実験データによると、10倍の圧縮率で、DeepSeek-OCRのデコード精度は97％と高く、ほぼロスレス圧縮です。20倍近くの極端な圧縮でも、精度は約60％を維持できます。これは、1000語の記事をわずか100個の視覚トークンで表現できる画像に圧縮でき、モデルは依然としてその内容を正確に理解できることを意味します。

このブレークスルーは、LLMの長いテキストの課題を解決するための非常に有望な方向性を提供し、AIの記憶と忘却のメカニズムの研究にも新たなインスピレーションをもたらします。

DeepSeek-OCRのコアアーキテクチャ：デュアルエンジン駆動

DeepSeek-OCRの強力な機能は、綿密に設計されたデュアルコンポーネントアーキテクチャ、DeepEncoderとDeepSeek3B-MoEデコーダーに由来します。

1. DeepEncoder：コアエンジンとして、高解像度、高圧縮のドキュメント処理用に設計されています。SAMベースの「ウィンドウアテンション」を使用してローカルの詳細をキャプチャし、CLIPベースの「グローバルアテンション」が全体的な視覚知識を理解するという2つのアテンションメカニズムを巧みに組み合わせています。この設計により、モデルは高解像度入力下で低いアクティビティを維持し、非常に少数の視覚トークンを生成できるため、コンピューティングリソースを効果的に制御できます。

2. DeepSeek3B-MoEデコーダー：これは、5億7000万のアクティブなパラメータを持つ「混合エキスパート」（MoE）モデルです。その役割は、DeepEncoderによって圧縮された視覚トークンを元のテキストコンテンツに正確に復元することです。MoEアーキテクチャにより、モデルは特定のタスクを処理するときにエキスパートネットワークの一部のみを「起動」できるため、強力な表現力を確保しながら、非常に高い計算効率を維持できます。

主流モデルを凌駕するパフォーマンス、OCRベンチマークを再定義

実際のテストでは、DeepSeek-OCRのパフォーマンスは印象的です。権威あるOmniDocBenchドキュメント理解ベンチマークテストでは、わずか100個の視覚トークンで、256個のトークンを必要とするGOT-OCR2.0モデルを上回りました。また、800個未満の視覚トークンで、そのパフォーマンスは平均で約7000個のトークンを必要とするMinerU2.0を上回りました。

これらのデータは、DeepSeek-OCRが実験的な概念であるだけでなく、強力な実用的な応用価値も持っていることを完全に示しています。本番環境では、単一のNVIDIA A100-40G GPUで1日あたり20万ページ以上のトレーニングデータを生成でき、大規模なドキュメント理解とマルチモーダルモデルトレーニングの強固な基盤を提供します。

テキスト認識だけじゃない：「ディープパーシング」が無限の可能性を拓く

DeepSeek-OCRの機能は、単純なテキスト抽出をはるかに超えています。「ディープパーシング」と呼ばれるキラー機能があり、セカンダリモデル呼び出しを介してドキュメント内の複雑な画像コンテンツを深く分析できます。

これは、財務報告書のグラフ、論文の化学式、教科書の幾何学的図形であっても、DeepSeek-OCRがそれらを正確に識別し、HTMLテーブルやSMILES化学式などの構造化データ形式に変換できることを意味します。これは、金融、科学研究、教育などの分野で計り知れない応用価値があります。

さらに、100を超える言語の大規模なデータセットでのトレーニングのおかげで、DeepSeek-OCRは強力な多言語処理機能も備えており、グローバルなドキュメント処理のニーズに簡単に対応できます。

将来の展望：無限のコンテキストへの道

DeepSeek-OCRの登場は、単なる新しいモデルのリリースではありません。それは、将来のAIアーキテクチャの探求のようなものです。過去の会話や古いデータを画像にレンダリングし、時間の距離に応じて解像度とトークンの占有率を調整するというこの方法は、人間の記憶曲線（新しい記憶は鮮明で、古い記憶はぼやけている）をシミュレートします。

この技術は、「理論的に無限のコンテキストアーキテクチャ」の実現への道を開き、AIが効率的なコンピューティングを維持しながら、情報の長期的な記憶と保持を考慮に入れることを可能にすることが期待されています。

現在、DeepSeek-OCRのモデルの重みは、開発者や研究者が探索できるように、Hugging FaceとGitHubでオープンソース化されています。この技術の可能性はまだ始まったばかりであり、それが私たちが情報と対話する方法をどのように変えるか、楽しみにする価値があります。