昨夜、Googleが「AIスーパーオールインワンパッケージ」を発表したが、最大の革新はOpenAIに阻止された
TechFlow厳選深潮セレクト
昨夜、Googleが「AIスーパーオールインワンパッケージ」を発表したが、最大の革新はOpenAIに阻止された
OpenAIが「4o」の発表時期をグーグルのI/Oカンファレンス開幕前日にわざわざ選んだのは、グーグルを狙い撃つためだったかもしれない。
Web3業界の深掘り報道に専念し潮流を洞察執筆：鄭玥、芯芯
編集：鄭玄
予想通り、GoogleはOpenAIに狙いを定められた。
一連の煙幕の後、昨日OpenAIは、現実世界を視覚・聴覚で認識し、リアルタイムかつ遅延なしで会話できるAIアシスタント「GPT-4o」で世界を震撼させた。そしてその発表日を、Google I/Oカンファレンス開幕の前日にわざわざ選んだことから、メディアはすでにOpenAIがGoogleを狙っていると予測していた。
米国時間14日午前10時に行われたGoogle I/O基調講演では、Geminiを基盤とした一連の「AIオールインワンパッケージ」が発表された。これには、上下文200万トークンに対応したGemini 1.5 Proのアップグレード版、新モデルGemini 1.5 Flash、Soraに類似する新動画大規模モデルVeo、さらにAI検索やAI＋Gmailなど複数のAIアプリケーションが含まれる。
しかし注目を集めたのは、Google DeepMind責任者でありGoogle AIリーダーでもあるDemis Hassabisが語った、「真のAGIへの道を開く万能アシスタント」プロジェクト――「Project Astra」と、Gemini Advanced契約者向けに新たに提供される音声チャット機能「Live」である。後者は今年中にカメラ機能も追加され、ユーザーの現実環境に基づいてAIが対話を行うことが可能になる予定だ。
これら二つの製品はいずれも「GPT-4o」と酷似しているが、実際の性能を問わず、製品の進展状況を見る限りOpenAIが一歩リードしている。とはいえ、OpenAIが最終的な勝者になると決まったわけではない。現時点ではスマートフォンがこうしたスーパーエンテリジェントアシスタントにとって最も重要なハードウェアプラットフォームであり、Androidシステムを握るGoogleには天然の優位性がある。この観点から見れば、最近噂されたAppleとOpenAIの提携も、Googleに対する牽制による相互利益の産物と考えられる。
いずれにせよ、「現実世界の知覚（Input）」と「低遅延音声出力（Output）」を備えたスーパーエンテリジェントアシスタントは、次の段階におけるAI企業間の軍拡競争の鍵となった。今後、より多くの大規模モデル企業、クラウドコンピューティングプラットフォーム、さらには携帯電話メーカー、AIアプリ開発者たちがこの競争に巻き込まれていくだろう。
01. Project Astra――リアルタイム動画質問応答、「偽造なし」を誓う
I/Oカンファレンスにて、Googleは非常に印象的なAIアシスタントのデモ映像を公開した。今回は「いかなる方法による偽造や改ざんもしていない」と断言している。
Demis Hassabis氏は、Project Astraは自分が数十年来夢見てきたAIアシスタントの原形であり、AIアシスタントの未来であると述べた。
Project AstraはリアルタイムかつマルチモーダルなAIアシスタントであり、情報を受信し、見た内容を記憶し、情報を処理して文脈の詳細を理解することで周囲の世界とインタラクションする。現在のGoogle Assistantよりも自然な音声対話が可能で、遅延がなく、質問に答えたりほぼすべてのことを手伝ったりできる。
デモ映像では、ユーザーが「音が出ているものを教えて」と要求すると、アシスタントは「スピーカーが音を出しています」と即座に応答した。
インタラクションはリアルタイム音声で行われ、また「OK Google」「Gemini」などの起動ワードは不要。ユーザーがProject Astraに「画面内のディスプレイ上のコードは何の役割か？」と尋ねると、アシスタントはわずかな遅延もなく即座に説明した。
Project Astraが一瞬映った眼鏡を記憶｜画像出典：Google
Project Astraの視覚処理能力は、発表全体の中でも最大のハイライトだった。「眼鏡をどこに置いたか覚えていますか？」「あなたの眼鏡はテーブルの赤いリンゴの隣にあります。」Project Astraはカメラを通して一瞬しか映らなかった眼鏡を記憶し、正確にリンゴの隣にあると答えた。ここで少し「個人的な意図」が込められているかもしれない。この眼鏡自体にもProject Astraが搭載されている可能性がある。
デモからわかるように、Project Astraは受信した情報を迅速に処理でき、連続した動画フレームをエンコードし、動画と音声をイベントタイムラインとして統合することでこれを実現している。また、情報をキャッシュして後から参照できるようにしている。Googleによれば、これらの機能の一部は今年後半にGeminiアプリや他の製品に追加される予定だ。
Project Astraがこのバンドに「金色条紋」と命名｜画像出典：Google
Googleは、DeepMindチームがマルチモーダルモデルの最適な統合方法や、巨大汎用モデルとより小さく特化したモデルとのバランスの取り方についても研究を進めていると述べている。
昨日GPT-4oを発表したOpenAIの最大の突破もマルチモーダル分野だが、まるで過去が繰り返されているようだ。最大の違いは視覚処理にある。現在のGPT-4oは静止画しか処理できないが、Astraはすでに動画処理が可能になっている。
Project Astraの裏側にあるGeminiシリーズの大規模モデルもアップデートされた。先月開催されたGoogle Cloud Next 2024では、Gemini 1.5 Proが発表され、ネイティブ音声理解、システム指示、JSONモードなどを備え、100万トークンの長文処理能力を持ち、すでにグローバルな開発者に開放されている。
今回新たに発表されたGemini 1.5 Flashモデルは、コストという重大な課題を解決した。Gemini 1.5 FlashはGemini 1.5 ProとGemini 1.5 Nanoの中間に位置し、主に開発者向けである。会場ではGemini 1.5 ProとFlashの価格設定が詳しく紹介された。Gemini 1.5 Flashは100万トークンあたり35セントと設定されており、GPT-4oの100万トークンあたり5ドルと比べて大幅に安価だ。
Gemini 1.5 Flash｜画像出典：極客公園
Googleは今後の動きも予告し、今年後半にモデルのコンテキストウィンドウを2倍に拡張し、200万トークンに達すると発表した。これにより、2時間の動画、22時間の音声、6万行以上のコード、または140万語以上の文章を同時に処理できるようになる。
Gemini 1.5 Pro｜画像出典：極客公園
昨年12月、Googleが公開したプリレコーデッドデモは「偽造」疑惑を受け、編集によってGeminiの動画処理能力を過大評価させるような誤解を与えたが、今はこれらの能力は実際に存在するものになった。
02. 大規模モデルに基づくAIアプリケーションエコシステムの進展
今回のI/Oカンファレンスでは、GoogleのAIアプリケーションエコシステムもアップグレードされ、検索、写真、創作、ツール、業務アプリなど幅広い分野に及んでいる。
検索は、25年前にGoogleが生み出した原点的な製品である。1年前、Googleは「検索の未来はAIだ」と宣言した。今、AI検索が本当にやってきた。テーマは――「Googleがあなたのために検索する」。
Google CEOのサンダー・ピチャイ（Sundar Pichai）氏はI/Oカンファレンスで、AI生成の検索サマリー（今後「AI概要」と呼ばれる）を「今週」全米に展開すると発表した。その後、さらに多くの国・地域でも順次提供される予定だ。
従来と比べ、AI検索はより複雑な質問に対応できるようになった。Googleは例として、新しいヨガスタジオを探しているユーザーが「地元で人気があり、通勤しやすく、割引もある」スタジオを一度の検索で見つけることができると説明している。
また、ユーザーは既に生成されたAI概要を調整したり、簡略版を選択したり、詳細をもっと見るオプションを選べたりする。
これはすべて、GoogleがカスタマイズしたGeminiモデルによって実現されており、多段階推論、プランニング、マルチモーダル技術を検索システムと統合し、ネット上のコンテンツを要約して回答を提示する。結果ページのデザインやレイアウトすらAIが担当しているという。
ただし問題がある。もしAIがユーザーのために検索結果を抽出するなら、Googleの入札広告ビジネスはどうなるのか？
Google幹部によれば、従来のクエリで得られるウェブページリストと比べ、AI概要に含まれるリンクの方がクリック率が高いという。「これまで同様、広告は専用の位置に掲載され、有機的結果とスポンサード結果は明確なラベルで区別されます。」
質問だけでなく、GoogleのAI検索は計画立案も可能だ。食事から旅行計画まで、例えば「簡単に準備できる3日間のグループ食事プランを作成」と検索すれば、AIがカスタムプランを作成し、夕食をベジタリアンに変更することもでき、その後ドキュメントやGmailにエクスポートできる。
検索とはテキストボックスの中の文字だけではない。Googleのビジュアル検索も進化し、動画を使って質問できるようになった。例えば、中古のレコードプレーヤーを持っていて、針付きの金属部品がずれているが原因がわからない場合、直接動画で検索すれば、解決ステップ付きのAI概要と関連リンクが得られ、問題説明に必要な専門用語を探す手間と時間が省ける。
Google AI検索で直接食事計画を作成｜画像出典：Google
Googleフォトアプリも進化する。サンダー・ピチャイ氏はデモで、「9年前にこのアプリをリリースしました。現在、毎日60億枚以上の写真と動画がここにアップロードされています。」と述べた。
今後数ヶ月以内に、「フォトに聞く（Ask Photos）」機能が導入される。これはGeminiモデルに基づき、ユーザーが自然言語で写真や動画に登場する人物、ペット、場所などを検索できるようにするもので、写真の文脈やテーマを理解し、特定の思い出の情報を特定できるため、画面をスクロールする必要がない。
例えば、「私が訪れたすべての国立公園で最も美しい写真を見せてください」「去年どこでキャンプしたか？」「私のクーポンはいつまで有効？」「ルシアはいつ泳げるようになった？」「ルシアの泳ぎの上達具合を表示してください」「リナの誕生日パーティーのテーマは？」最後に、旅行のハイライトや個性的なタイトルを自動作成し、SNSで共有できる。
Googleはまた、「虐待や危害を防ぐ極めてまれなケースを除き、これらの個人データをGoogleフォト以外の生成AI製品（他のGeminiモデルや製品を含む）の学習に使用することはありません。」と強調している。
「フォトに聞く」機能で誕生日パーティーの詳細を確認｜画像出典：Google
創作ツールにおいて、GoogleはI/OでAI動画生成ツールVideoFXを発表し、AI画像生成ツールImageFXとAI音楽生成ツールMusicFXもアップデートした。
VideoFXは映画監督がプロンプトを書いてショットを構築できるようにし、ImageFXは画像編集コントロールを追加、MusicFXは新しいDJモードを搭載した。
特に新ツールVideoFXは、Google DeepMind最強の生成動画モデルVeoが駆動源となっている。この新ツールにはストーリーボードモードが備わり、シーンごとに反復編集ができ、完成動画に音楽を追加できる。
Google幹部によれば、Veoは「タイムラプス撮影」などの映画用語を理解でき、さまざまな映画的・視覚的スタイルで1080p解像度の動画を生成でき、再生時間は1分以上にも及ぶ。Veoはウェイティングリストによるプレビュー版提供となる。
特に注目すべきは、VideoFX、ImageFX、MusicFXが生成するすべてのコンテンツにデジタル透かし「SynthID」が付与されることで、AIコンテンツの悪用やフェイクニュース拡散を防ぐ目的がある。
Google AI動画生成ツールVideoFXの使用｜画像出典：Google
創作ツール以外にも、Googleの日常業務アプリの進化も注目に値する。Gmail、カレンダー、ドキュメント、スプレッドシート、スライド、ドライブなどGoogle Workspaceアプリ群に最新のAIモデルGemini 1.5 Proが導入され、サイドバーにバーチャルアシスタントとして配置される。
ユーザーがサイドバーのGeminiアイコンをクリックすると、Gmail内のGeminiは「このメールを要約」「次のアクションをリストアップ」「返信案の提案」などのオプションを提供する。子供の学校からのメールを要約し、必要な行動を把握したり、返信の下書きを作成したりできる。
GmailサイドパネルでGeminiがメールを要約｜画像出典：Google
また、昨日OpenAIが発表したGPT-4oのデモでは、教育シーンがあり、GPT-4oが家庭教師のように、ティーンエイジャーが幾何学の数学問題を段階的に解くのを指導していた。
GoogleもLearnLMのリリースを発表した。これはGeminiに基づくファインチューニング済みモデル群で、学習教育専用に設計されており、検索やYouTubeアプリでのAI教育シーンのデモも披露された。
例えば、YouTubeでは、動画視聴中に質問できたり、動画に対してフォローアップ質問ができる。Androidでは「サークルで検索（Circle to Search）」を使って、数学や物理の問題の特定の難所を解決しようとすることができる。
YouTube学習動画に対して質問｜画像出典：Google
このAI企業間の軍拡競争において、GoogleがOpenAIを追いかけられる大きな「旧来の強み」は、Androidシステムとその膨大なアプリエコシステムを掌握している点にある。
しかし、生成AIが本当にGoogleのエコシステム全体に浸透し、検索を直接掌握し、人々の過去を思い出させ、旅行計画を立て、真人間の家庭教師に取って代わるようになれば、その正確性は本当に信頼できるのだろうか？それはまだ未知数だ。
TechFlow公式コミュニティへようこそ
Telegram購読グループ：https://t.me/TechFlowDaily
Twitter公式アカウント：https://x.com/TechFlowPost
Twitter英語アカウント：https://x.com/BlockFlow_News
极客公园
