グーグルは最近、マイクロソフトの人気チャットボットChatGPTへの挑戦者として、待望のGemini AIシステムを発表した。Geminiは、多くのベンチマークでChatGPTを凌ぐ非常に印象的なマルチモーダル能力を示しているが、その説得力のある会話能力にはまだ及ばない。
プレビュー ショー
グーグルが2023年12月に発表したジェミニは、人工知能能力の大きな飛躍を意味する。ディープマインドが開発した最新のマルチモーダルAIモデルであるジェミニは、非常に包括的な理解と推論能力を示し、エキサイティングな未来を指し示している。この記事では、ジェミニの何が特別なのかを探り、その意味を分析する。
ジェミニの画期的な点は、テキスト、画像、音声、ビデオ、さらにはコンピューターコードなど、多様なデータタイプをネイティブに理解する能力にある。これにより、これまでのAIシステムを凌駕する直感性と汎用性を実現している。Geminiには、さまざまな用途に合わせた3つの主要バージョンがある：
ジェミニ・ヴァージョンズ - ジェミニのご紹介
2022年のGoogle I/Oで初めて発表されたGeminiは、テキスト、画像、音声、動画などを処理できるマルチモーダルな基礎モデルである。グーグルはGeminiを3つのサイズで提供している：
ジェミニ・ウルトラ
は、4500億を超えるパラメータを誇る至宝である。これまでに作られたニューラルネットワークの中でも最大級のもので、場合によっては人間の能力を超える非常に複雑なタスクに最適化されている。
ジェミニ・プロ
300億ものパラメータを持つこのAIは、AI支援機能をユーザーに提供するためのパフォーマンスと実用性のバランスをうまくとっている。
ジェミニ・ナノ
は、モバイルのようにコンピューティング・リソースが限られているアプリケーション向けに設計された、合理化されたオンデバイス・モデルである。
このような幅広いオプションにより、Geminiは高い適応性を持っている。その技術的なアーキテクチャには、マルチモーダル理解のためのPerceiver IOや、タスクに応じて異なるサブモデルの強みを組み合わせるmixture-of-expertsのような革新的な技術が組み込まれている。このような設計上の選択により、Geminiは言語、視覚、音声、その他の領域にわたる100以上の異なるタスクに秀でることができる。
ベンチマーク結果
ベンチマークでは、Gemini Proは多くの評価でChatGPTに遅れをとっている。しかし、ジェミニウルトラは、57の学問分野にわたる知識を評価するMMLUベンチマークにおいて、他のすべてのモデルを凌駕し、最先端の結果を達成している。
しかし驚くべきことに、常識的な推論ベンチマークであるHellaSwagでは、ChatGPTはまだGemini Ultraを上回っている。これは、ChatGPTのより人間に近い能力と比較して、会話タスクにおけるGeminiの相対的な弱さを示している。
トレーニングプロセス
Gemini Ultraを訓練するために、グーグルは1エクサFLOP以上の処理能力を達成する新しい第5世代TPUチップを512個使用した。このモデルは、科学論文、書籍、ウェブページなどで構成されるインターネット規模のデータセットで学習された。品質向上のために、人間のフィードバックによる強化学習が用いられた。
ジェミニの有望なアプリケーション
グーグルによって強調されたジェミニの機能の実例には、次のようなものがある：
- 複雑な医療画像やスキャンを分析し、臨床医が異常を特定し、状態を診断できるようにする。
- 計算化学のブレークスルーによる化学反応と薬剤設計のシミュレーション。
- 自然言語のクエリからコード例と説明を生成することにより、プログラミング支援を提供します。
最もエキサイティングなのは、ジェミニが人間の知性を直感的な方法で補強するAIへの道をどのように切り開くかということだ。私たちは、ジェミニが以下のようなアプリケーションに力を与えるのを見ることができるだろう：
- チャット、視覚的検索、スピーチやジェスチャーの解釈、そして一般的に人間の文脈やニーズを理解することができる知的アシスタント。
- インタラクティブなキャラクターと世界による没入型エンターテインメント体験。
- 時間の経過とともに、ユーザー独自の行動や嗜好に適応するソフトウェア。
視覚、言語、音声の各モジュールを個別に組み合わせた従来のマルチモーダルモデルと比較して、Geminiは単一の統一されたフレームワークにより、より高速で、より強力で、スケーラブルである。その素晴らしい性能は、MMLUベンチマーク試験において、57の学問分野にわたる人間の専門家をも凌駕している。
しかし、まだ改善の余地は残されている。AnthropicのClaudeのような代替モデルは、特定の自然言語処理タスクではGeminiを上回るが、生の推論能力ではGeminiがリードしている。AIの研究が急速に進歩し続けるにつれ、より大規模な基礎モデルをトレーニングするテック・ジャイアント間の激しい競争が予想される。
AIアシスタントの未来
全体として、ジェミニは人工知能能力のスリリングな飛躍を象徴している。モデル設計、トレーニング、計算インフラにおけるグーグルの強みを基盤にしたジェミニは、私たちの生活に深く組み込まれることになるであろう新世代のAIを指し示している。
