ネット上に膨大な音や映像の情報がアップロードされ、メディア情報爆発とも言うべき状況が生まれる中で、自動的に音や映像の中身を把握する技術への期待が高まっています。しかし、石頭のコンピュータに多様な音や映像の内容を把握させることは、人が思うほど簡単なことではありません。本講演では、これまでの私たちの取り組みにも触れながら、メディア認識・探索の難しさとからくりに迫ります。