Googleは12月11日Gemini 2.0を発表。統合的な処理機能の強化

Googleは2024年12月11日、生成人工知能(AI)の基盤モデル「Gemini2.0」を発表した。
GeminiはGoogleが開発したAIモデルであり、「エージェント時代」を見据えた設計がされている。
2.0は従来のモデルから大幅に進化しており、特に以下の点が異なる。

Gemini2.0の違い

この記事を書いている2024年12月12日現在、Geminiサイトで選べるバージョンは、Gemini 1.5 Flash、2.0 Flash Experimental、Gemini Advanced の3バージョンとなっている。
2.0 Flash Experimental は「試験運用版モデルです。想定通りに動作しない可能性があります。」という注意が表示されている。

マルチモーダル機能の強化

「マルチモーダル」とは、複数の種類の情報やデータを組み合わせて処理することを指す。AIの分野では、特に複数の種類のデータを使って学習したり、複数の種類のデータを組み合わせて理解したりするAIの事を「マルチモーダルAI」と呼ぶ。
Gemini 2.0は、テキストだけでなく、画像、音声、動画など、複数の種類の情報を同時に処理することが可能。
これにより、より複雑なタスクや、現実世界に近い状況の理解が可能となる。
さらにマルチモーダル出力も可能になり、例えば、画像を生成したり、多言語に対応した音声でテキストを読み上げたりすることができる。

高度な推論と複雑なタスク処理能力

Gemini 2.0は、より高度な推論能力を持ち、複雑な指示やタスクを理解し、実行することができる。
これにより、例えば、ゲームの状況を把握して次の行動を提案したり、複雑な問題を解決したりするAIエージェントを構築することが可能となる。

エージェント体験の進化

Gemini 2.0は、ネイティブなユーザーインターフェース操作機能と、マルチモーダル推論、長文脈理解、複雑な指示への追従と計画、複合的な関数呼び出し、ネイティブなツール利用、そしてレイテンシの改善といった様々な改良が連携することで、新しいエージェント体験を実現できる。
これによりユーザーはAIとより自然な形でインタラクションできるようになり、まるで人間と会話しているかのような体験を得ることができる。

Gemini2.0 Flashの特徴

gemini 2.0の中でも、特に「Gemini 2.0 Flash」は、応答速度が非常に高速であることが特徴だ。Gemini 1.5 Flashを基に構築されており、同様の高速性を維持しながら、新機能も搭載した。Gemini 1.5 Proを2倍以上の速度で上回ったとのことだ。
これにより、リアルタイムな応答が求められるアプリケーションや、ユーザーとのインタラクティブな体験を提供するアプリケーションに最適だ。