現地時間12月6日、Googleは次世代の生成AIモデル ｢Gemini｣ を正式に発表した。
｢Gemini｣ は、今年5月に開催された ｢Google I/O 2023｣ で発表されていた次世代のAI。当初は、開発中であることのみが明らかにされており、ローンチ時期についてはアナウンスされていなかった。
｢Gemini｣ の特徴は、”マルチモーダルになるようネイティブに構築されており、これまでに比べて最も柔軟なモデル” になっているという。マルチモーダルな処理においては、GPT-4Vに比べてさまざまな点において高い性能を発揮できるとしている。
Googleデータセンターに並ぶCloud TPU v5p AIアクセラレータ スーパーコンピューター
マルチモーダルとは、画像や動画、音声、テキストなど複数種類のデータを同時に処理すること。例えば我々人間が誰かと会話するときには、相手の表情を見たり、声のトーンを聞くことで、相手の感情を読み取ることができる。このとき人間は、相手の表情を ｢見て｣ 得た情報と、相手の声のトーンを ｢聞いて｣ 得た情報の2つを組み合わせて総合的に判断することで、相手が楽しそうに会話をしているのか、悲しそうに会話をしているのかを判断している。
これがいわゆるマルチモーダルな処理で、Geminiも人間と同じように見たものや聞いたもの、書かれたものなどの情報を組み合わせて思考することで、従来のAIよりも柔軟で的確な返答ができるのが特徴だ。
以下の動画では、Geminiとの会話テストの様子を見ることができる。
今回ローンチされる ｢Gemini｣ は、まずはファーストバージョン ｢Gemini 1.0｣ としてリリースされる。そして、モデルの規模にあわせて3つのモデル ｢Gemini Ultra｣ ｢Gemini Pro｣ ｢Gemini Nano｣ が用意される。
- Gemini Ultra：非常に複雑なタスクに対応する、高性能かつ最大のモデル
- Gemini Pro：幅広いタスクに対応する最良のモデル
- Gemini Nano：デバイス上のタスクに最も効率的なモデル
そのうち ｢Gemini Ultra｣ は、とても複雑なタスクを処理できる高性能かつ最大のモデル。｢Gemini Pro｣ は、幅広いタスクをこなせる中規模モデル、そして ｢Gemini Nano｣ はスマートフォンに搭載されているNPUを利用して動作する効率モデルだ。
｢Gemini Pro｣ については、12月13日より開発者や企業がGoogle AI StudioまたはVertex AIのGemini APIを介してアクセスできるようになる。
また、GoogleのAIチャットサービス ｢Bard｣ (英語版のみ) にも本日より実装され、Bardができることが大幅に向上するという。今後数ヶ月以内にはさまざまなマルチモーダルなデータに拡大する予定で、新しい場所や言語をサポートする計画だという。さらに今後数ヶ月をかけて、Google 検索や広告、Chrome、Duet AIなどのGoogleの主要製品やサービスでも利用できるようになるとのことだ。
｢Gemini Nano｣ については、デベロッパーがAICoreを通じて利用することが可能。Googleの最新スマートフォン ｢Pixel 8 Pro｣ 以降において、早期プレビューというかたちで利用できるようになる。
｢レコーダーアプリ｣ に要約機能が実装されるほか、Gboardのスマートリプライにも導入される。後者はまずWhatsAppから展開され、来年にはさらに多くのメッセージングアプリに対応する予定だ。
｢Gemini Ultra｣ は、広範な信頼性および安全性チェックを実施すると同時に、展開前のファインチューンと人間のフィードバックによる強化学習 (RLHF) によって、モデルのさらなる改良を行なっているところだという。2024年に開発者・企業向けに公開する前に、初期実験およびフィードバックの収集を目的に一部の顧客や開発者、パートナー、安全責任専門家に提供を開始する予定だ。
さらに来年には、｢Bard｣ に ｢Gemini Ultra｣ を導入し、さらなる最先端機能にアクセスできる ｢Bard Advanced｣ もリリースする計画であるとのこと。
Google Japan Blog: 最大かつ高性能 AI モデル、Gemini を発表 – AI をすべての人にとってより役立つものに
(画像：Google)
