AI音痴の魅力ハンター＆ライターなまず美紀（みきてぃ）です。
2024年もAIの最先端ニュースを入手＆お伝えするべく尽力しますので、暖かく見守っていただけると嬉しいです！

さて、今年初回のテーマは、Google社が2023年12月6日（米国時間）にリリースした、高性能 AI モデル「Gemini（ジェミナイ）」のニュースです！

■Gemini：2024年注目の高性能AIモデルとは！？

私のAIの師匠、システムズナカシマの社員によると、「Geminiはすごいですよ。GPT-4を超える注目度です」とか。

え！？
昨年（2023年）はChatGPT元年とも言われ、GPT-4が「すごい！」と騒がれたばかり。
すでにそれを上回るエースが誕生したということ！？

Google関係者も、その可能性について熱く語っていますね。

いったいGemini は何がすごいのでしょうか。

■Geminiで注目されるマルチモーダル性とは！？

システムズナカシマのM社員にその真実を迫ったところ、どうやら、Gemini の一番の特徴は、マルチモーダル性のようです。

で？

マルチモーダルってなに？
落ち着いて考えていきましょう（自分に言っています！）。

「マルチモーダル＝マルチモダリティに対応できる」という意味ですね。

「モダリティ」とは、「情報が表現・伝達される形式」のこと。

モダリティには、下記のようなものがあります。
・テキスト・モダリティ（文字で表現される文献、メッセージ、小説など）
・画像モダリティ（写真、イラスト、図など）
・音声モダリティ（音楽、音声メッセージなど）
・映像モダリティ（動画、連続した静止画など）

Gemini は複数のモダリティに対応できるように設計されていて、テキスト、画像、音声、映像など、異なるモダリティの情報を包括的に理解して処理できます。

つまりGemini は、
マルチ（複数・多数）な モダリティ（形式）を処理できる
という点が「すごい！」のですね。

従来の生成 AI モデル、たとえばGPT-3は、主にテキスト・モダリティを扱うことができました。GPT-3の高性能版であるGPT-4は、画像（写真は図など）を入力すると、テキストで解説することができる点で、「マルチモーダルだ！すごい！」と言われたわけですが、マルチモーダル性としては補完的、限定的でした。

Gemini はより幅広い複数のモダリティに対して、より柔軟でシームレスに対応できます。
たとえば私たち人間は、スピーカーの話を聴きながら、文字で書かれた資料を読み、パワーポイントのグラフを読み取る、というように、複数のモダリティをマルチに処理しているわけですが、Geminiもそれに近い能力を備えているということですね！

■Geminiは性能の高さも桁外れ

それだけを聞くと、「AIもやっと人間に近づいたか」ぐらいに思ってしまいますが、もちろん、大きな勘違い。
Geminiのすごさは、マルチモーダル性だけではありません。非常に高性能であることも特徴で、数学、物理学、歴史、法律、医学、倫理などあらゆる分野で高度な理解力・推論力をもち、各分野の専門家が集結したようなパフォーマンスを示しているそうで…。

こうした情報の処理能力については、GPT-3もGPT-4も、すでに人間の能力を超越しているわけですが、Geminiはこの点でもGPT-4を凌駕すると言われている所以です。

■Geminiはどこで使えるの？

Geminiのすごさがなんとなくわかった今、Geminiはどこで使えるか気になりますよね。

Geminiには「Ultra」「Pro」「Nano」という３つのサイズのモデルがあるそうです（2024年1月現在）。

そのうち、「Gemini Pro」はGoogle Bardに搭載されており、個人ユーザーも無料で利用が可能です（英語版のみ）。

また、小規模の「Gemini Nano」は、GoogleのPixel 8 Proに搭載され、レコーダー（録音）の要約およびスマート返信の機能が追加されるとか。

今後Gemini は、Google検索や Google 広告、 Chrome 、 Duet AI など、その他の Google 製品にも搭載される予定です。

Google 関係者は、上記の動画でも「Geminiはあらゆる分野で、あらゆる人の役に立つ」「その可能性はほとんど無限」と語っていますが、2024年も、AIが私たちの生活をどう変えてくれるのか、楽しみです！

▶︎システムズナカシマでは、AI技術を用いたシステム開発をご提案させていただいております。業務効率化などを検討されたい方は、お気軽にご相談ください。