Gemini (言語モデル)

開発

Googleは、2023年5月10日のGoogle I/O基調講演の期間中に、Google DeepMindが開発した大規模言語モデル (LLM) のGeminiを発表した。GoogleのCEOサンダー・ピチャイは「Geminiはまだ初期の開発段階にある」と述べたものの、PaLM2のより強力な後継として位置付けられていた^[6][7]。他のLLMとは異なり、Geminiはテキスト・コーパスのみでトレーニングされておらず、テキスト、画像、音声、映像、そしてコンピュータ・コードを含む、異なる種類のデータを同時に処理できることを意味するマルチモーダル（英語版）になるように設計されている^[8][9]。

DeepMindのCEOデミス・ハサビスは『WIRED』のインタビューで、OpenAIのGPT-4で動くChatGPTの人気が、GoogleにLaMDAとBardを使ったアグレッシブな挑戦を促してきたこと、OpenAIを自社のアルゴリズムで打ち負かすことが可能であると、自信を持ってGeminiの高度な能力をアピールした。ハザビスは（2016年に囲碁チャンピオンのイ・セドルに勝利して世界中の注目を得た）DeepMindのAlphaGoプログラムの能力を強調し、GeminiはAlphaGoとその他のGoogle=DeepMind製LLMの力を組み合わせるだろうと述べた^[10]。

「The Information（英語版）」は2023年8月、GeminiについてGoogleのロードマップを要約したレポートを発表し、同社が2023年後半のローンチを目標にしていることを明らかにした。レポートによれば、GoogleはたいていのLLMに備わっている会話型テキスト能力を人工知能を駆使した画像生成と組み合わせ、コンテキストに応じた画像作成を可能にし、より広範囲のユースケースに適応されることで、OpenAIなどの競合他社を凌駕したいと望んでいた^[11]。Bardと同様に^[12]、Googleの共同創設者であるセルゲイ・ブリンも、Google Brain（英語版）とDeepMindのその他何百人ものエンジニアとともに、Geminiの開発を支援するためにセミリタイア生活から召喚された^[11][13]。GeminiはYouTubeの動画のトランスクリプト（文字起こし）でも訓練を受けていたため、潜在的に著作権保護されたすべての素材を排除するため弁護士も呼ばれた^[11]。

Geminiのローンチが迫っているというニュースを受け、OpenAIはGPT4をGeminiと同様のマルチモーダル機能と統合する作業を急がせた^[14]。2023年9月の「The Information」の報道によれば、Google CloudのVertex AIサービス経由で、Googleがクライアントに利用可能にさせることを企図していたLLMの「初期バージョン」への早期アクセスを数社が許諾されていた。この報道では、GPT-4とマイクロソフトのGitHub Copilotの両者を打ち負かすため、GoogleがGeminiを武装させていることにも言及していた^[15][16]。

「The Information」は2023年12月2日、Googleは英語以外のプロンプトに問題があるため、Geminiのローンチを翌週から2024年1月に延期したこと、また3つのローンチ・イベントが、ニューヨーク、ワシントンD.C.、カリフォルニアで計画されていたことを報じた^[17][18]。

ローンチ

2023年12月6日、ピチャイとハサビスはバーチャル記者会見で「Gemini 1.0」を発表した^[19][20]。「非常に複雑なタスク」向けに設計されたGemini Ultraと「幅広いタスク」向けに設計されたGemini Pro、そして「オン=デバイス・タスク」用に設計された、Gemini Nanoの3つのモデルが発表された。ローンチ時に、Gemini ProとGemini Nanoは、BardとPixel 8 Proスマートフォンにそれぞれ統合されたが、Gemini Ultraは「Bard Advanced」を強化し、2024年初めにソフトウェア開発者が利用可能になった。GoogleがGeminiを組み込むことを企図していたその他の製品には、検索、広告、Chrome、Google Workspace上のDuet AI、そしてAlphaCode2（英語版）が含まれていた^[21][20]。それらは英語版のみ利用可能であった^[20][22]。

Googleは、Geminiを「最大かつ最も有能なAIモデル」として積極的に売り出し、人間の行動をエミュレートするよう設計した^[23][20][24]。Geminiは、Googleのテンソル・プロセッシング・ユニット (TPU) でトレーニングされ駆動されている^[19][22]。Googleは、Gemini1.0には「広範囲にわたる安全性のテスト」の必要性があるため、翌2024年までは幅広く利用できるようにはならないだろうと述べた^[19]。

Gemini1.0のフラッグシップモデルであるGemini Ultraは、様々な業界ベンチマークでOpenAIのGPT-3.5とGPT-4、AnthropicのClaude2、Inflection AI（英語版）のInflection2、MetaのLLaMA2、xAIのGrok1より、高いパフォーマンスを示したとされる^[25][19][9]。またGemini Ultraは、57科目の大規模マルチタスク言語理解 (MMLU) テストで人間の専門家を上回り、90パーセントのスコアを獲得した最初の言語モデルとなった^[9][4]。

2023年12月13日、Gemini ProはAI StudioとVertex AIでGoogle Cloudの顧客が利用できるようになり、Gemini NanoはAndroid開発者も利用できるようになった^[26][27][28]。

ハサビスはさらに、DeepMindがGeminiを「ロボット工学と組み合わせて世界と物理的に対話する」方法を模索していることを明らかにした^[29]。同年10月にジョー・バイデン大統領が署名した大統領令14110（英語版）に従い、GoogleはGemini Ultraのテスト結果をアメリカ合衆国連邦政府と共有すると述べた。またGoogleは、同年11月にブレッチリー・パークで開催されたAI安全サミット（英語版）で定められた原則を遵守するため、イギリス政府との協議に取り組んだ^[9]。

レセプション

Geminiのローンチは、「MITテクノロジーレビュー」が「AIの誇大広告」と揶揄した、数か月にわたる激しい憶測と期待によって予期されていた^[30][25]。2023年8月、調査会社セミアナリシス (SemiAnalysis) のディラン・パテル (Dylan Patel) とダニエル・ニッシュボール (Daniel Nishball) が「Geminiのリリースが世界を食い尽くし、そしてGPT-4を追い落とす (outclass) 」と宣言するブログ投稿を書き、OpenAIのCEOサム・アルトマンが、自身のXアカウントででこの2人を即座に嘲笑した^[31][32]。OpenAIの共同創設者であるイーロン・マスクも加勢して「数字は間違っているのか? ("Are the numbers wrong?") 」と尋ねた^[33]。「Business Insider」のヒュー・ラングレー (Hugh Langley) は、GoogleにとってGeminiは運命を左右する瞬間になるだろうと述べ、「もしGeminiが眩惑するなら（原文「dazzles」、星座に掛けた駄洒落）、それはGoogleがMicrosoftとOpenAIによって盲点を突かれたという物語を変えるのに役立つだろう。逆にそれが期待外れだったら、Googleは遅れを取っているという批判家たちを勢い付かせることになるだろう」と書いた^[34]。

2023年12月のローンチに際して、ワシントン大学のオーレン・エツィオーニ（英語版）名誉教授は、GoogleとOpenAI間の「軍拡競争の応酬」を予測した。カリフォルニア大学バークレー校教授のアレクセイ・エフロス（英語版）は、Geminiのマルチモーダルなアプローチの可能性を賞賛し^[4]、サンタフェ研究所の科学者メラニー・ミッチェル（英語版）はGeminiを「非常に洗練されている」と評した。ワシントン大学のチラグ・シャー (Chirag Shah) 教授は、GeminiのローンチをAppleが毎年発表する新しいiPhoneに喩え、それほど感銘を受けなかったと述べた。スタンフォード大学のパーシー・リアン (Percy Liang) と、ワシントン大学のエミリー・ベンダー（英語版）は「使用されたトレーニングデータについての洞察がなければ、ベンチマークスコアを解釈するのは難しい」と警告した^[30]。

提供地域と言語の拡大

翌2024年2月2日（日本時間）、Gemini Proが日本語を含む40以上の言語・230以上の国と地域で利用できるようになった^[35]。

現行モデル

廃止モデル