Google Gemini：その概要、バージョン、そしてGoogleのAIでできることすべて

ホーム» Android » Google Gemini：その概要、バージョン、そしてGoogleのAIができることすべて

Google Geminiは、Googleの人工知能における大きな飛躍であり、モバイル、検索、生産性アプリ、クラウド、開発者ツールなど、あらゆる場所で活用されることを目指すモデル群です。単なる「別のチャットボット」ではなく、アシスタントの作成、コンテンツの生成、複雑な情報の推論、さらには動画、音声、画像の同時解釈までを可能にする、包括的なプラットフォームです。

ここ数ヶ月、GeminiはGoogle専用アプリのWorkspace、AI概要機能を備えた検索、開発者や企業向けの製品などに統合されてきました。同時に、Googleは新しいバージョン（1.0、1.5、2、2.5、そして最新の3）や、FlashやNanoといった専用モデル、そしてディープリサーチ、動画生成、最大2万トークンの大規模コンテキストといった高度な機能を備えた有料プランをリリースしています。

Google Gemini とは何ですか? なぜそれほど重要なのですか?

Google Geminiは、Googleが開発した最先端の生成型AIモデル群であり、言語モデル（LMM）の最高レベルでの競争を目指し、そして何よりもGoogleのAI戦略全体の基盤となるよう設計されています。Bardを支えたモデルであるPaLMの後継にあたり、現在はGeminiチャットボット、Geminiアプリ自体、そしてGoogleエコシステム内の多くのインテリジェントな体験を支える技術となっています。

これまでの世代とは異なり、Geminiはマルチモーダルモデルとしてゼロから設計されました。つまり、テキストだけでなく、画像、音声、動画、コードも処理し、これらのフォーマットすべてをネイティブに統合します。後から画像認識モジュールや音声認識モジュールを追加するようなテキストベースのモデルではなく、トレーニング段階で既にこれらすべてが組み込まれています。

Googleは、Geminiが多くのAIベンチマーク、特に自然言語理解、複雑な問題解決、コード生成、マルチモーダル分析において、他の主要なモデルを凌駕できることを示してきた。Gemini Ultraのようなバージョンは、一般知識と推論能力を評価するMMLUなどのテストにおいて、人間の専門家チームをも上回る結果を残している。

同社の戦略目標は明確だ。AIモデルとユーザーエクスペリエンスの両方をGeminiブランドのもとに統合することである。Bardはもはやブランド名ではなく、今後はGoogle AIについて語る際は、社内技術であれ、スマートフォンやウェブ上で利用するアシスタントであれ、すべてGeminiを指すことになる。

吟遊詩人から双子座へ：名前の変更、焦点の変更

かつてBardはGoogleの対話型AIの顔として知られていましたが、実際にはPaLMモデルの上に構築されたインターフェース層に過ぎませんでした。Geminiのローンチに伴い、Googleはメッセージングを簡素化し、チャットボットブランドとモデルブランドを分離するのをやめることにしました。

この動きは、データセンターでトレーニングされる言語モデルから、開発者が使用するAPI、そしてユーザーがモバイルデバイスで開くアプリに至るまで、すべてに「Gemini」という同じ名称を使用するというものです。この統一により、提案内容がより明確になり、ばらばらの製品ではなく、単一のAIプラットフォームという概念が強化されます。

名称変更に加え、BardからGeminiへの移行は、技術的な大幅な改善をもたらしました。BardはPaLMからGemini Proへと段階的に移行され、その後Gemini Advancedがリリースされました（現在はGoogle AI Pro/Ultraに統合されています）。これにより、複雑なタスク、長期プロジェクト、そしてより高度な推論のための最も強力なモデルへのアクセスが可能になります。

この進化により、新たなマルチモーダル機能がより自然に統合されるようになった。Bardはテキストに重点を置いており、視覚機能は限られていたが、Geminiは長文の文書、詳細な画像、音声、長時間の動画、さらにはこれらすべてを組み合わせた会話にも対応できる。

Google Geminiのバージョン: Ultra、Pro、Flash、Nano

Geminiファミリーは、用途や電力レベルに応じて設計された複数のモデルに分かれています。すべてがエンドユーザー向けというわけではなく、多くはアプリ、API、またはGoogle AI StudioやVertex AIなどのサービスを通じて使用されるコンポーネントです。

Gemini Ultraは、第1世代（Gemini 1.0 Ultra）の中で最も高性能なバージョンであり、フラッグシップベンチマークとして位置づけられています。特に高度な推論、高度な数学的問題、複雑なプログラミング、大量の情報分析といった、要求の厳しいタスク向けに設計されています。GSM8K（数学）、HumanEval（コーディング）、MMLU（言語理解）などのテストにおいて、Gemini UltraはGPT-4、Claude 2、Llama 2といったモデルを複数の指標で凌駕し、MMLUでは人間の専門家をも上回る結果を残しました。

Gemini Proは中間グレードのオプションであり、一般ユーザーが利用できるチャットボットのベースモデルとして使用されています。バージョン1.0と1.5が、Geminiアプリ、Google AI Studio、Vertex AIを通じて利用可能です。Gemini 1.5 Proはマルチモーダルで、テキスト、画像、音声、動画を同じプロンプトで受け付けることができ、最も高度な構成では最大2万トークンという非常に大きなコンテキストウィンドウも提供します。

Gemini 1.5 Flashは、軽量かつ高速なモデルで、コスト削減とほぼ瞬時の応答を実現するように最適化されています。同時に、約1万トークンという膨大なコンテキストウィンドウを維持しています。大量のテキストを処理したり、リアルタイム応答を提供したりするサービスなど、高速かつ大容量の処理を必要とするアプリケーション向けに設計されており、マルチモーダル機能も損なうことなく利用できます。

Gemini Nanoは、スマートフォンなどリソースが限られたデバイス上で直接動作するように設計された、小型版モデルです。その最大の特長は、サーバーへの常時接続を必要とせずローカルで動作できることです。これにより、プライバシーの向上、レイテンシの低減、音声要約、スマートな提案、端末上でのテキスト生成といったAI機能の統合が可能になります。例えば、Pixel 8 ProにはAICoreサービスを介して統合されており、サードパーティ製アプリでも利用できます。

ジェミニの内部の仕組みと、ジェミニとの違い

Geminiのような人工知能モデルは、ウェブ、コードリポジトリ、文書、画像、音声、動画から抽出された膨大な量のデータを用いて学習されます。学習過程で、システムはパターンを学習します。例えば、文の構造、概念間の関連性、画像における物体の外観、異なる言語における単語の発音などです。

Geminiの場合、Googleは設計段階からマルチモーダルであると主張している。テキストモデルを最初に学習させてから、画像や音声をテキストに変換するモジュールを追加するのではなく、複数のデータソースから同時に学習する。これにより、図表、手書き文字、グラフィックを含むスキャン文書を分析したり、動画のフレームと音声に基づいて推論したりするなど、視覚情報、テキスト情報、音声情報をより自然に組み合わせることが可能になる。

このエコシステムの中で最も興味深い要素の一つが、Geminiに統合されたコード生成システムであるAlphaCode2です。このモジュールは、プログラミングや高度な数学の問題に対する理解を深め、推論の質を高め、LLMによく見られる「幻覚」（作為的ではあるものの説得力のある解答）を軽減します。これは、より信頼性の高いコードソリューションと、より優れたプログラミングサポートにつながります。

コンテキスト機能も、Geminiの大きな強みの一つです。Gemini 1.5 Proでは、Googleは100万トークンのコンテキストウィンドウを導入しました。これは、書籍8冊から9冊分、あるいは詳細な情報を含む1時間分の動画に相当します。その後、Gemini AdvancedとGoogle AI Studioの一部の用途向けに、200万トークンへの拡張を発表しました。この規模により、ユーザーは膨大な量の文書、文字起こしデータ、コードリポジトリ全体、あるいは大規模な知識ベースをアップロードし、包括的な分析と要約をリクエストすることが可能になります。

Googleによると、社内ではすでに10万トークンを超えるコンテキストウィンドウを扱っており、これはまだ一般には公表されていないものの、研究の方向性を示している。つまり、事実上「すべてを一度に読み取って」、それを小さな断片に分割する必要なく推論できるモデルを目指しているということだ。

ジェミニ1.5、Flash、そしてファミリーの進化

2024年5月、Google I/Oイベントにおいて、同社はGemini 1.5 Proと新しい1.5 Flashモデルを発表し、大きな飛躍を遂げた。その狙いは、高性能アプリケーションから速度と効率性を重視するニーズまで、あらゆるニーズに対応できるよう、同一製品ファミリー内で多様な選択肢を提供することにある。

Gemini 1.5 Proは、Google AI Studioを通じてGemini Advancedユーザーおよび開発者向けに、コンテキスト容量を2万トークンに拡張しました。これにより、既に優れた1万トークンという容量が倍増し、この点においてGPT-4やClaude 3といった競合モデルを大きくリードすることになります。

一方、Gemini 1.5 Flashは、軽量かつ非常に高速なモデルとして登場し、100万トークンあたりの処理コストが重要な要素となる大規模なシステム統合向けに設計されました。Googleは、APIを介して処理される100万トークンに対して非常に競争力のある価格設定を行うことも表明しており、企業が膨大な量のデータをコスト効率よく処理できるようにすることを目指しています。

Gemini 1.5 Proと1.5 Flashは、様々なベンチマークにおいてGemini 1.0 Ultraと同等、あるいはそれ以上のパフォーマンスを発揮し、大規模なコンテキストウィンドウを処理する場合でも高い品質を維持します。これは、単に「トークンを増やす」ことではなく、情報量が爆発的に増加した場合でも処理能力を維持することが重要であることを示しています。

このモジュール式のアプローチは、オープンで専門的なAI分野におけるGoogleの他のリリースによって補完されています。例えば、PaliGemma（オープンソースのビジョンモデル）や、 2B、7B、27Bのパラメータバリエーションを持つGemma 2などがあり、開発者や企業がそれぞれのユースケースに合わせて最適化されたモデルを入手し、場合によっては自社のインフラストラクチャに展開できるようにすることを目的としています。

ジェミニ3：新世代とGoogleのビジョン

ジェミニ3の登場により、Googleはこれまでで最も知能の高いモデルを売り込んでいる。GoogleおよびAlphabetのCEOであるサンダー・ピチャイ氏によると、ジェミニの各世代は前の世代を基盤として発展し、処理できる情報の種類と推論能力の深さの両方を拡大してきたという。

Gemini 1は高度なマルチモーダルデータ管理への道を開き、Gemini 2はエージェント機能に焦点を当てました。これは、AIが単に個別の回答を提供するだけでなく、より複雑なタスクを実行し、目標に基づいて作業できることを意味します。Gemini 2.5 Proのようなモデルは、その推論能力のおかげで、LMArenaなどのランキングで数ヶ月にわたりトップを維持しています。

今回、GoogleはGemini 3で、このファミリーの主要な機能をすべて統合し、ユーザーの状況や意図をより的確に理解できる単一のモデルを目指しています。これにより、たとえリクエストが曖昧であったり、複数の目的が組み合わさっていたりしても、システムが最初からユーザーの意図をより正確に把握できるため、目的の結果を得るために必要なメッセージの数を減らすことができるというのが、Googleの狙いです。

Googleのメッセージにおけるもう一つの重要な点は、Geminiはもはや単にテキストや画像を「読み取る」だけでなく、「環境を読み取る」ことを目指しているということです。つまり、創造的なアイデアの微妙なニュアンスを解釈したり、複雑な問題の多層構造を把握したり、状況の雰囲気に適応したりすることを目指しているのです。これらの機能は、検索（AIモード）、Geminiアプリ、AI Studio、Vertex AI、そして新しいエージェント開発プラットフォームであるGoogle Antigravityといった製品に大規模に展開されています。

同社が公開したデータによると、Geminiの普及は目覚ましいものがあります。AIを活用したView in Searchは月間約20億人のユーザーに利用され、Geminiアプリの月間ユーザー数は6億5000万人を超え、Google Cloudの顧客の70%以上が生成型AIを使用しており、約1300万人の開発者がこれらのモデルを用いたソリューションを作成しています。これらすべては、Googleの「フルスタック」戦略によって支えられています。つまり、自社のインフラストラクチャから、モデルやツールを含む最終製品まで、すべてを網羅しているのです。

Geminiアプリで日常的にできること

Geminiアプリは現在、GoogleのAIへの最も直接的な入り口であり、スマートフォンで利用可能で、多くの場合、オペレーティングシステム自体に統合されています。有効化すると、スマートフォンのメインアシスタントとしてGoogleアシスタントに取って代わることも可能です（設定でいつでも元に戻すことができます）。また、Appleのアシスタントと比較されることもあります。

最も注目すべき機能の一つがGemini Liveです。これは、カメラや画面を共有しながらでも、より自然な音声会話を可能にする機能です。アプリを開いてLiveボタンをタップすると、カメラや画面に映っている内容をリアルタイムで分析してくれます。プレゼンテーションの準備、複雑なグラフの理解、就職面接の練習など、様々な場面で役立ちます。

もう一つの興味深い新機能はCanvasです。これは、アイデアを文章からプロトタイプへと発展させることができるクリエイティブスペースです。そこから、アプリ、シンプルなゲーム、ウェブサイト、インフォグラフィック、音声要約、インタラクティブな図などのドラフトを作成できます。Geminiのコンセプトは、単に文章を書くだけにとどまらず、構造、デザイン、ビジュアル素材の構築を支援し、それらを洗練させていくことです。

Geminiの強みの一つは、Googleエコシステムとの連携です。検索、YouTube、Googleマップ、Gmail、ドキュメント、ドライブなどのサービスと接続できます。これにより、例えば、受信トレイで高度な検索を実行したり、長いスレッドの要約をリクエストしたり、メールの下書きを作成したり、ドキュメントを整理したり、マップ情報とウェブ上の推奨事項を組み合わせた旅行ルートを生成したりすることが可能になります。

学習やトレーニングの分野では、Geminiはクイズ、フラッシュカード、実践的な例、インタラクティブな視覚化を作成できます。また、ファイルをポッドキャスト形式に変換して、いつでも好きな時に聞くことができるようにすることも可能です。これにより、他の作業をしながらメモ、レポート、記事などを復習できます。

画像、ビデオ、クリエイティブコンテンツの生成

Geminiファミリーの機能はテキストだけにとどまりません。Googleはアプリに統合された画像生成モデルを開発しており、ユーザーは簡単な説明からイラスト、ロゴ、ポスター、または視覚的な構成を作成できます。

アプリのメイン画面から「画像を作成」をタップし、テンプレートメニューから適切なスタイルを選択します。あとは、テキストを入力したり、テキストと参考画像を組み合わせたりして、新しいデザインを作成できます。アニメ風から油絵風、ミニマルデザインまで、幅広いスタイルを試して、作成した画像をすぐにダウンロードしたり、共有したりできます。

ゼロから画像を生成するだけでなく、最先端モデルでは編集、合成、ミックスといった機能も利用できます。複数の写真を組み合わせて製品モックアップを作成したり、鮮明なテキストを使ったポスターをデザインしたり、ビジュアルレイアウトを組み立てたり、最初のアイデアをさまざまなバリエーションに変換したりできます。これらの機能はすべて、ハイエンドモデル（Gemini Proとその後継機種など）や、ビデオ分野ではVeo 3.1 Fastなどのモデルでサポートされています。

Geminiのより高機能なサブスクリプションプランでは、動画生成機能や高度な調査機能が提供されています。これらの機能は、大規模なデータセットを分析し、構造化された要約を生成し、参照した情報源へのリンクを提供します。これにより、散在するレポートの集合体から、論理的で参考文献付きの分析へと移行できます。

また、他のシステムにおけるカスタム「GPT」に相当する「Gems」も導入されました。Gemsは基本的に、「数学教師」「ライティングコーチ」「ヤマハギター専門家」など、特定のタスク用に設定されたプロファイルまたはエージェントです。独自のGemsを作成し、GmailやGoogleドライブに接続することで、設定した権限を常に尊重しながら、個人情報や仕事情報を取り扱うことができます。

Google エコシステム全体にわたる Gemini: 検索、ワークスペースなど

アプリ以外にも、GoogleはGeminiをほぼすべての主要製品に搭載する計画だ。既に発表済み、あるいは開発中の統合先には、Gmail、ドキュメント、スプレッドシート、スライド、Google広告、Google Chrome、そしてもちろん検索エンジンなどが含まれる。

例えば、Gmailでは、Geminiはメールの作成、非常に長いメールスレッドの要約、受信トレイに隠れた情報の検索などを支援します。Docsやその他のワークスペースツールでは、既存のファイル、以前のプレゼンテーション、またはアップロードされたドキュメントから、テキスト、表、要約、コンテンツのアイデアなどの下書きを生成できます。

検索機能における大きなニュースは、Geminiが生成し、検索結果ページの上部に表示されるAI概要です。これらの概要は、要約された情報とウェブサイトへのリンク、そして必要に応じて地図やその他のサービスからのデータを組み合わせたものです。これは、従来の「10個の青いリンク」というパラダイムからの大きな転換であり、AIが情報の整理において積極的な役割を果たすようになったことを意味します。

広告およびビジネス分野において、GeminiはGoogle広告およびGoogle Cloudと連携し、クリエイティブ生成ツール、キャンペーン分析、対話型カスタマーサポート、そしてVertex AIを基盤としたカスタムアプリケーションを提供しています。Google Cloudの顧客の70%以上が、既に何らかの形でこれらの生成モデルを活用しています。

開発者にとって、Google AI StudioとVertex AIはGeminiモデルへの主要なアクセスポイントです。そこから、API、SDK、評価ツールを使用して、Gemini 1.5 Pro、Flash、またはその他のバリアントを活用したソリューションをテスト、改良、展開できます。新しいGoogle Antigravityプラットフォームは、これをさらに一歩進め、複雑なタスクを実行し、さまざまなアクションを調整できるエージェントの開発に重点を置いています。

Google AI ProとUltraのプラン、価格、違い

費用に関して言えば、Geminiの一部の機能は無料で利用できますが、その他はサブスクリプションが必要です。例えば、Gemini 1.0 Proのようなモデルは、公開されているGeminiプラットフォームを通じて直接費用をかけずに利用できます。また、Gemini 1.5 Proも、Google AI Studioを通じて（特に実験段階の頃は）無料で利用できました。

より高い処理能力、膨大なコンテキスト、高度な調査機能を必要とするユーザー向けに、GoogleはGoogle AI ProやGoogle AI Ultraといったサブスクリプションプランを提供しています。これらのプランには、最も高性能なモデル（3 ProやGemini 3 Deep Thinkなど）、ディープリサーチ、Veo 3.1 Fastによる動画生成など、さまざまな特典が含まれています。

一部の市場では、Gemini Advanced（Google AI Proに統合）のようなプランは月額固定料金制となっています。これらのプランでは、1万トークン（供給量によってはそれ以上）の利用枠、最上位モデルの集中的な利用、リクエスト数と処理データ量の上限引き上げなどが可能です。

Google AI Ultra for Businessなどのエンタープライズプランは、Google Workspaceの顧客向けアドオンとして提供されています。これにより、企業はセキュリティ、コンプライアンス、管理オプションを企業環境に合わせてカスタマイズした高度なAI機能を、業務アカウントに追加できます。

いずれにせよ、GoogleはGeminiアプリ専用のプライバシーに関する文書を公開しており、データの取り扱い方法、モデルの改善に利用されるデータ、ユーザーが持つ制御機能などを詳細に説明しています。アップロードしたコンテンツやAIとの会話がどのように管理されるかを理解するためにも、Geminiアプリのプライバシーに関する通知を確認することをお勧めします。

ジェミニの他のモデルとの比較と実際の使用

公開評価において、Gemini UltraはClaude 2、GPT-4、Llama 2といったモデルを、いくつかの主要なベンチマークで上回る性能を発揮しました。例えば、GSM8K（数学的推論）、HumanEval（コード生成）、MMLU（複数の知識分野にわたる自然言語理解）において優れた結果を示しています。

実際、MMLUテストでは、Gemini Ultraは人間の専門家パネルを上回る成績を収めており、Googleはこの結果を、このモデルが一般知識タスクにおいて成熟していることを示す指標として用いている。しかし、すべての面で優れているわけではない。常識と日常言語の理解に焦点を当てたHellaSwagテストでは、GPT-4の方がわずかに優れた結果を残している。

マルチモーダル分野において、Googleの社内テストによると、Gemini Ultraは文書理解、画像解析、自動音声認識において他のモデルよりも優れた性能を発揮している。また、音声翻訳、英語動画字幕作成、マルチモーダル推論、動画ベースの質問への回答といったベンチマークにおいても、他のLLMを凌駕する性能を示しているが、Google自身もこれらの分野にはまだ改善の余地があると認めている。

一方、Gemini 1.5 Proと1.5 Flashは、多くの場面でGemini 1.0 Ultraと同等かそれ以上のパフォーマンスを発揮し、さらに大きなコンテキストウィンドウという利点も備えています。処理できるトークン数が増加しても、高品質な理解と生成を維持するため、長文ドキュメントや詳細なプロジェクトを扱う際に非常に役立ちます。

実際の現場では、これは非常に多様なユースケースにつながります。数百枚のスライドを含むプレゼンテーションの分析から、契約書、技術レポート、コードリポジトリ、研究ファイルのレビューまで、幅広い用途が考えられます。例えば、1500ページのドキュメントをアップロードして、その情報に基づいて一連のブログ記事のアイデアを生成したり、見出しを作成したり、ウェブサイトの構成を提案したり、ソーシャルメディアの投稿を作成したりするようにGeminiに依頼できます。

実例: Gemini をパーソナライズし、そのビジョンを活用する

その能力をよりよく理解するために、Google AI StudioのGeminiを使って専門的なアシスタントを作成するシナリオを想像してみてください。ヤマハギターの専門家として振る舞うよう指示し、技術的でありながら親しみやすい説明を提供したり、音楽スタイルに基づいてモデルを推奨したり、初心者からのよくある質問に答えたりするように「性格」を設定します。

次に、さまざまなギターの画像、技術仕様、レビューの抜粋を提供します。Geminiはテキスト情報と画像情報の両方を分析し、形状、モデル、ボディやネックの詳細を認識し、それを製品知識と組み合わせます。そこから、「ジャズに最適なのはどれですか？」「この2つのギターの違いは何ですか？」「このモデルにはどのようなメンテナンスが必要ですか？」といった質問に答えることができます。

この例は、マルチモダリティによってGeminiが単なるテキストベースのチャットボット以上の存在へと変貌する様子を示しています。Geminiは、概念、画像、文脈を理解し、非常に特殊な分野にも適応できる、高度な知能を持つアシスタントのように振る舞います。この同じロジックは、法律文書分析、テクニカルサポート、コードレビュー、金融アドバイス、教育コンテンツ作成など、他の分野にも応用可能です。

GoogleがGeminiの機能を拡張し、Gemini 3のようなモデルを改良し続けるにつれて、日常生活や仕事の場で、より実用的なアプリケーションが登場するようになるでしょう。統合されたモバイル機能からプロジェクト管理を行う複雑なエージェントまで、Geminiファミリーは、私たちが情報やテクノロジーとどのように関わるかにおいて、中心的な存在となることを目指しています。

モデル、アプリ、統合機能、サブスクリプションプランといったエコシステム全体によって、Google Geminiは非常に包括的なAIプラットフォームとなっています。一般ユーザー、企業、開発者向けのソリューションを提供し、テキスト、画像、動画の生成、膨大なコンテキストに関する推論、クラウドとデバイスの両方での動作が可能です。