電撃発表、グーグルが｢全力開発｣した生成AI｢Gemini｣の全貌…ChatGPT超えするか

クッキーとオレンジが並ぶと、｢どちらも丸い食べ物ですが、オレンジの方が健康的ですね｣と答え、2色の毛糸玉から作れるマスコットも提案する。

絵から太陽系の惑星の並びの間違いを指摘し、動画の｢次のシーン｣の予測までこなす。

これらのように、文章から回答を作るのではなく、声や画像、立体物に動画と、さまざまな情報を並列に扱って、それぞれをちゃんと理解し、論理的な回答をする。

別の例も示してみよう。

物理のテストの回答があったとする。従来なら、まず手書き認識をして、その内容が正しいかをさらに判定するだろう。

だが、Geminiでは処理を分けることもなく、Geminiが持つ能力自体で｢文字認識｣｢回答の妥当性検証｣を行い、正誤判定を出す。さらに、正しい回答を示すことも可能だ。

これが、Geminiの特徴だ。このように、複数の情報を同時に扱える要素のことを｢マルチモーダル性｣という。

従来は｢テキスト｣｢画像｣｢音声｣などをバラバラに学習して組み合わせていたが、Geminiは学習の段階からマルチモーダル性を前提に、まったくのゼロから学習し直して開発されている。

そのため、前述のような複雑な理解と回答ができるようになっているのだ。

デモ映像を見る限り、確かに｢驚くべき性能｣という他ない。

もちろん、最も大きいのは｢信頼性｣だ。グーグルは信頼性の担保に相当の時間を費やしたと見られるが、実際の｢賢さ｣は、やはりちゃんと試してみるまでわからない。

だが、ここまでのものを（映像とはいえ）見せられると、期待したくなってくる。

グーグルの新基盤として全社一丸となって開発

グーグルは2023年5月、開発者会議｢Google I/O 2023｣にて、独自の生成AI｢PaLM 2｣の提供を開始した。

現在PaLM 2は、チャットサービスである｢Bard｣や同社のオフィス向けツールであるGoogle Workspace向けの支援AI｢Duet AI｣、検索サービスへの試験導入である｢SGE｣などにも使われる、同社の基盤技術となっている。

一方、Google I/Oの段階で、すでに同社は｢PaLM 2の上位セットとなる生成AI｣の開発プロジェクトを公開していた。

その名が｢Gemini｣だった。当時は詳細が明かされず、まだまだ先の登場と思われていただが、結局年内に登場となった。

開発はまさにグーグル総がかりだ。

開発を担当したのは、グーグルのリサーチ部門に加え、グーグル子会社で囲碁プログラム｢AlphaGo｣を開発したことでも知られるDeepMindと、グーグル社内の機械学習チームだったBrain Teamが合流した部隊だ。

演算のインフラとしては、グーグルが独自開発したデータセンター向け半導体｢Cloud TPU｣の最新バージョンとなる｢Cloud TPU v5p｣が投入された。これはAIのトレーニングに特化した｢Cloud TPU v4｣と比較した場合、大規模言語モデルの学習速度が2.8倍高速であるという。

｢Ultra｣｢Pro｣｢Nano｣の3モデル展開

Geminiには規模が違う3つのモデルが用意され、用途に応じて使い分けられる。それぞれについて、いわゆるパラメータサイズなどの詳細は公開されていない。

まずは最も規模が大きく、機能も推論能力も最も高く、複雑な処理をこなせる｢Gemini Ultra｣。冒頭のテストはUltraのものと推察される。

グーグルによると、生成AIのモデルを評価するために使われているベンチマーク32種類のうち｢30で既存の最高水準の結果を上回っている｣（リリースより抜粋）という。

また、MMLU（Massive Multi-task Language Understanding、大規模マルチタスク言語理解）と呼ばれる、｢数学｣｢物理学｣｢歴史｣｢法律｣｢医学｣｢倫理｣など57科目の組み合わせで知識や問題解決能力を測るテストでは｢90.00％｣のスコアを出し、｢人間の専門家を上回るパフォーマンスを示した初のモデル｣（同リリースより）としている。

ただし、こちらはまず限定的なメンバーによるテストを開始する段階。2024年初めには、ファインチューンおよび人間からのフィードバックを活かし改善した形で公開を予定している。

またBardについては、2024年にGemini Ultraが公開されるタイミングで、より最先端の機能を組み込んだ｢Bard Advanced｣を提供するという。

より一般的なモデルが｢Gemini Pro｣だ。こちらはすぐにも提供が開始される。

まずBardにテキストベースの生成AIとして、まずは170以上の国と地域で｢英語による利用｣がスタートする。数カ月以内にマルチモーダル機能をサポートする予定だ。すなわち、BardのベースはGemini Proになり、上位版としてBard Advancedが登場する……ということのようだ。

Gemini Proは当面同社の基盤AIになると見られており、検索サービスや広告、Chrome、Duet AIなどにも、数カ月の時間をかけて展開していくという。

また、12月13日からは、開発者向けにGemini Proを活用するためのAPIを公開する。

スマホの中にもGemini。まずはPixel 8 Proから

そして、最後が｢Gemini Nano｣だ。

これはスマートフォンの中で動かすことを前提とした｢オンデバイスAI｣であり、クラウドの向こうに依存することなく、機器の中で素早く動作させることを狙う。

そのためグーグルは、Android 14から｢AI Core｣という仕組みを導入している。ここに各ハードウェアに合わせたオンデバイスAIを組み込むことで、生成AIのパワーをスマホ単体で活用しやすくしていく。

Gemini NanoはこのAI Coreを使ってスマホに組み込まれる。まず導入されるのは、グーグルのスマホである｢Pixel 8 Pro｣だ。

Pixel 8 Proには端末上で録音音声を文字に書き起こす機能がある。今回さらに、書き起こした文章を要約する機能がつく。

また、｢WhatsApp｣などのメッセージングアプリには、生成AIによる｢スマートリプライ｣機能も搭載になる（ただし、スマートリプライの日本語での提供時期は未定）。

まずPixel 8 Proから提供される理由は、Gemini Nanoがグーグルの設計するプロセッサーである｢Tensor G3｣に特化して作られているからだ。

ただし、まずは｢メモリー容量の問題もあり｣（グーグル担当者）、搭載メモリーが少ない｢Pixel 8｣は除外した形で展開する。

ただし、グーグルとしては｢Gemini Nanoの最適化をG3以外にも広げていく｣としており、他のTensorシリーズや、クアルコムなどの他社プロセッサーの｢AI Core｣への対応も考えられる。