- すべての Gemini モデルは、単に言葉を扱う以上の能力を備えています。音声、画像、動画といった多様なファイルや、膨大なコードベース、さまざまな言語のテキストにわたって、事前学習と微調整が行われています。
- Gemini のアプリとモデルはまた、Imagen 2 から完全に独立しており、企業の開発ツールや環境で利用できます。
- Gemini モデルはマルチモーダルであるため、理論上はさまざまなマルチモーダルタスクを実行できます。
Google は、主力の生成 AI モデル、アプリ、サービス群である Gemini で話題を呼ぼうとしています。しかし、私たちの非公式な検証が示すように、Gemini はある面では有望に見える一方、他の領域では芳しくない結果となりました。では、Gemini とは何でしょうか？ どのように使うのでしょうか？ 競合製品と比べてどうなのでしょうか？
Gemini とは？
Gemini は、Google の AI 研究機関である DeepMind と Google Research によって開発された、待望の次世代 GenAI モデルファミリーです。次の 3 つのバージョンがあります。
- Gemini Ultra：Gemini の最上位モデル
- Gemini Pro：「軽快な」Gemini モデル
- Gemini Nano：Pixel 8 Pro などのモバイル端末で動作する、より小型で「軽量」なモデル
すべての Gemini モデルは「生来的にマルチモーダル」になるよう訓練されています。つまり、単純なテキスト以上を処理・活用できます。これらのモデルは、音声、画像、動画といった多様なファイル、膨大なコードベース、さまざまな言語のテキストにわたって事前学習と微調整が行われています。これにより、Gemini は、LaMDA のようなテキストデータ専用に訓練されたモデルとは一線を画します。LaMDA はテキスト（記事やメールの下書きなど）以外を理解したり生成したりできませんが、Gemini はそれが可能です。
Gemini アプリと Gemini モデルの違いは何ですか？
またしても、Google はブランド戦略の稚拙さを露呈しました。当初、Gemini（旧称 Bard）アプリが、ウェブやモバイルプラットフォーム上の Gemini モデルとは別物であることを明示していなかったのです。Gemini アプリは、特定のモデルにアクセスするためのインターフェースに過ぎません。Google の GenAI クライアントと考えればよいでしょう。
ちなみに、Gemini のアプリとモデルは、Google のテキストから画像を生成するモデル「Imagen 2」とも完全に別物です。Imagen 2 は企業向けのツールや開発環境で利用可能です。混乱しているのはあなただけではないので、ご安心を。
Gemini ができること
Gemini モデルはマルチモーダルなので、理論上は音声の文字起こしから画像や動画へのキャプション付け、芸術作品の創作まで、幅広いマルチモーダルタスクを実行できます。これらの機能はまだ製品化段階にはありませんが（後日詳しくお伝えします）、Google は近い将来、これらすべてとそれ以上を実現すると約束しています。Google は Bard の初回リリースで大きな失望を与えました。最近も、Gemini の性能を披露するという動画を公開しましたが、それは大幅に改変されたもので、ほぼ願望を描いたものでした。