Geminiは、Google DeepMindによる大規模言語モデルの主力ファミリーであり、2023年12月6日に発表された。これは、GoogleのそれまでのPaLMベースのBardチャットボットに代わる同社の主要な大規模モデル系列であり、当初からネイティブにマルチモーダルであるよう設計され、テキスト、画像、音声、動画を共同で学習し、テキストのみの事前学習後にモダリティを後付けする方式を取らなかった。
背景
Geminiの開発は、2023年にGoogle BrainとDeepMindが統合され、単一のGoogle DeepMind組織となった後に進められた。この再編は、前年のChatGPTの発表を受けた競争圧力への対応として広く報じられ、社内ではGoogleの検索およびAI戦略にとっての「コードレッド」の瞬間と評されることもあった。Demis Hassabisが統合組織を率い、Googleの最高経営責任者であるSundar Pichaiは、Geminiを中心とした同社の製品ラインの「AIファースト」への方向転換を公に推進した。
モデル層とリリース
Geminiは、さまざまな用途を想定した複数のサイズ層でリリースされている。最も要求の高いタスク向けのUltra、バランスの取れた汎用モデルとしてのPro、高ボリュームのアプリケーション向けの高速かつ低コストなオプションとしてのFlash、そしてスマートフォンやその他の制約のあるハードウェアでのオンデバイス利用向けのNanoである。後続のバージョン（1.0、1.5、2.0、およびそれ以降）は、モデルのコンテキストウィンドウを拡張し、特に1.5 Proは約100万トークンの非常に長いコンテキストウィンドウをサポートし、コードベース全体、長文ドキュメント、または完全な動画ファイルに対する単一プロンプトでの推論などのタスクを可能にした。後のバージョンでは、推論時の計算を追加で割り当てる明示的な推論モードが組み込まれ、GeminiはOpenAIのo1などのシステムが先駆けた推論モデルへの広範な移行に沿ったものとなった。
Geminiモデルは、サードパーティのGPUのみに依存するのではなく、かなりの部分をGoogle独自のTensor Processing Unitを使用して学習されており、GoogleがカスタムAIアクセラレータハードウェアに長年投資してきたことを反映している。
統合と製品
Googleは、Geminiを検索（AI Overviews経由）、Workspaceアプリケーション、Androidオペレーティングシステム、およびブランド名を変更したコンシューマー向けアシスタントアプリなど、製品エコシステム全体に広く統合した。Geminiファミリーに基づく専門的な機能には、画像生成および編集ツール、特にコミュニティのニックネームであるNano Bananaとして知られるようになったモデルや、Veo動画生成モデルが含まれ、これらはすべてGoogle DeepMind内で開発され、しばしばより広範なGemini製品面に統合された。Geminiはまた、AI生成の「オーディオ概要」ポッドキャスト機能で特に注目を集めた研究およびメモ作成アシスタントであるNotebookLMも支えている。
評価と競争
Geminiは、OpenAIのGPTシリーズやAnthropicのClaudeと直接競合しており、ベンチマークやLMArenaなどのコミュニティ評価プラットフォームでの相対的な順位はリリースごとに変動している。当初のGemini発表に対する初期の評価は賛否両論で、一部のマーケティングデモは後に実際のモデル能力を完全には代表していないと批判されたが、後のバージョン、特に2.0およびその後のリリースは、競合他社の研究所との能力ギャップを埋めるか、リードすることに広く貢献したと評価された。GeminiのGoogleの検索およびコンシューマー製品への深い統合は、生のベンチマーク性能で常に先頭に立つとは限らないものの、ユーザーリーチの点で最も広く普及したAIモデルファミリーの1つとなっており、その軌跡は、Googleがインフラと配信の優位性を持続的なAIリーダーシップに転換できるかどうかの指標として、密接に注目されている。