T最新テックトレンド

Google DeepMindが解き放つ「オープンモデル」の革新：エージェントの未来と開発の舞台裏

Google Cloud Tech
0:00--:--

AI（人工知能）の進化は目覚ましく、その中でも特にエージェント技術は、私たちがコンピュータと対話する方法を根本的に変えようとしています。単なる情報検索にとどまらず、自律的にタスクを実行し、現実世界と深く連携するAIエージェントの登場は、ビジネスと日常生活に計り知れない影響を与えるでしょう。

今回、Google Cloudのポッドキャスト「The Agent Factory」のエピソード13では、「Cracking Open an Open Model（オープンモデルを解き放つ）」と題し、その最前線に迫りました。Google CloudのAmit MarajとIvan Nardiniがホストを務め、Google DeepMindの研究者であるRavin Kumar氏をゲストに迎え、オープンモデルの構築とトレーニングの舞台裏、そして最新のAI技術がどのようにエージェント開発の可能性を広げているかについて、深い洞察が提供されました。

この記事では、動画で紹介された画期的な技術である「Gemini 2.5 Computer Useモデル」、「Google AI StudioのVibe Coding」、「DeepSeek-OCR」、「Veo 3.1」に焦点を当て、その重要性、具体的な機能、ビジネスへの影響、そして将来性を専門的かつ分かりやすく解説します。

セクション1: Gemini 2.5 Computer Use - コンピュータ操作を可能にする知能

エージェント技術の進化において、最も革新的なステップの一つが、AIが人間のようにコンピュータのユーザーインターフェース（UI）を理解し、操作できるようになることです。Google DeepMindが発表した「Gemini 2.5 Computer Useモデル」は、まさにこのブレイクスルーを実現し、AIエージェントに「目と手」を与えたと言えるでしょう。

概要と重要性

Gemini 2.5 Computer Useモデルは、Googleの最先端AIモデルであるGemini 2.5 Proを基盤として構築された、特殊な目的のモデルです。このモデルはAPIプレビューとして提供されており、開発者はGoogle AI StudioやVertex AIを通じてアクセスできます。

これまでのAIモデルは、主に構造化されたAPI（Application Programming Interface）を通じてシステムと対話することが一般的でした。しかし、多くのデジタルタスク、例えばWebサイトでの複雑なフォーム入力、ドロップダウンメニューの操作、特定情報の検索、さらにはログインプロセスなどは、人間が直接UIを介して行う必要があります。Gemini 2.5 Computer Useモデルは、このギャップを埋め、AIエージェントが人間と同じようにコンピュータ画面を見て、その内容を理解し、能動的にUIを操作することを可能にします。これにより、AIエージェントは単なる情報処理装置から、より自律的で多機能な「デジタルアシスタント」へと進化を遂げます。

具体的な機能と動作原理

このモデルの動作は、人間がコンピュータを操作するプロセスと驚くほど似ています。コア機能は「computer_use」というツールを通じてGemini APIで公開され、ループ内で繰り返し操作が実行されます。

  1. 入力:

    • ユーザーリクエスト: エージェントが実行すべきタスクの指示（例：「顧客管理システムに新しいクライアント情報を入力して」）。
    • 環境のスクリーンショット: 現在のコンピュータ画面の視覚情報。
    • 過去のインタラクション履歴: これまでにエージェントが実行したアクションとその結果。 これらの情報がモデルに提供されます。

  2. 処理と応答:

    • モデルは提供された入力を分析し、次に実行すべき最適なUIアクションを表現する「関数呼び出し」を生成します。これには、ボタンのクリック、テキストのタイピング、ページのスクロール、ドロップダウンメニューからの選択などが含まれます。
    • 場合によっては、モデルはエンドユーザーの確認が必要な高リスクアクション（例：オンラインでの購入確認）を要求することもあります。

  3. 反復と学習:

    • モデルが生成したアクションは、クライアントサイドのコードによって実際のUI上で実行されます。
    • アクションが実行されると、システムの新しいスクリーンショットと現在のURLがモデルに送り返され、このプロセスがループで再開されます。
    • この反復は、タスクが完全に完了するか、エラーが発生するか、またはセキュリティ上の懸念やユーザーの介入によって停止されるまで続きます。

Gemini 2.5 Computer Useモデルは、Webブラウザ用に最適化されていますが、将来的にはデスクトップOSレベルの制御にも大きな可能性を秘めています。この技術は、AIエージェントが「仮想のマウスとキーボード」を獲得したようなもので、これによりエージェントは、これまで手動でしか行えなかった無数のタスクを自律的にこなせるようになります。

パフォーマンスと安全性

Gemini 2.5 Computer Useモデルは、その性能においても目覚ましい成果を上げています。複数のWebおよびモバイル制御ベンチマークにおいて、他の主要な代替モデルを大きく上回る強力なパフォーマンスが実証されています。

  • Online MindWebベンチマーク: Cloud Gemini 1.0 ProやOpenAI Computer (gpt-4o)を大きく凌駕。
  • WebVoyagerベンチマーク: 同様に優れた性能を発揮。
  • AutoTabベンチマーク: 複雑なコンテキストの信頼性の高い解析で他のモデルを上回り、最も困難な評価で最大18%のパフォーマンス向上を記録。

これらの結果は、Gemini 2.5 Computer Useが低レイテンシーを維持しながら高い精度を実現していることを明確に示しています。

また、GoogleはAIエージェントの安全性と倫理的な開発にも細心の注意を払っています。AIエージェントがコンピュータを直接制御する能力を持つことは、悪意のある利用、予期せぬモデルの振る舞い、プロンプトインジェクション、ウェブ環境での詐欺など、新たなリスクを生み出す可能性があります。そのため、Googleは開発の最初期段階から、以下の多層的な安全対策をモデルに組み込んでいます。

  • 段階的安全性サービス: モデルが提案する各アクションを実行前に評価する、アウトオブモデルの推論時安全性サービス。
  • システム指示: 開発者は、ユーザー確認が必要な高リスクアクション（例：システムの整合性を損なう操作、CAPTCHAの回避、医療機器の制御など）について、エージェントが拒否または確認を要求するように設定できます。

これらの保護策は、リスクを軽減し、開発者がローンチ前にモデルを徹底的にテストすることを促すために設計されています。

ビジネスへの影響と早期導入事例

Gemini 2.5 Computer Useモデルの登場は、ビジネスプロセスを劇的に変革する可能性を秘めています。特に、反復的で時間のかかるUIベースのタスクの自動化において、その真価が発揮されます。

  • UIテストの自動化: ソフトウェア開発において、UIテストは通常、手動または複雑なスクリプトによって行われますが、このモデルはテストの作成と実行を大幅に効率化します。Googleの社内チームは、UIテストを含むユースケースで既にモデルを本番環境に展開しており、ソフトウェア開発が大幅に高速化されたと報告しています。
  • ワークフローの自動化: 個人アシスタント機能や、複数のステップと異なるアプリケーション間を移動する複雑なワークフローにおいて、AIエージェントが自律的に作業を完了できるようになります。
  • 顧客対応の強化: Poke.comは、WeMessage、WhatsApp、SMSなどのマルチパーティおよびエージェントワークフローにおいて、プロアクティブなAIアシスタントを運用しています。
  • 障害回復と自動修復: Googleの決済プラットフォームチームは、従来のスクリプトが失敗した場合に、モデルが現在の画面状態を評価し、ワークフローを完了するために必要なアクションを自律的に特定する機能としてComputer Useモデルを実装しました。これにより、完了に数日かかっていた実行の60%以上が正常に修復され、脆弱なエンドツーエンドUIテストの35%が対応されました。

これらの事例は、Gemini 2.5 Computer Useが競合するソリューションをはるかに凌駕し、しばしば50%も高速であるという評価を裏付けています。

セクション2: AI Studio Vibe Coding - 開発者の創造性を解き放つ

AIエージェント開発は急速に進化しており、その複雑さは時に開発者の創造性を阻害する要因となっていました。APIの連携、SDKの管理、膨大なコードの記述など、多くのエンジニアが「どうやってこれを構築し始めればいいのか」という課題に直面しています。Googleは、この課題を解決するためにAI Studioの基盤を大幅に改善し、「Vibe Coding」という革新的なエクスペリエンスを導入しました。

AI Studioの進化と単一プロンプトからのアプリ生成

AI StudioのVibe Codingは、AIアプリケーション開発のプロセスを劇的に簡素化することを目的としています。その核心は、開発者が「望むアプリのVibe（雰囲気や機能）」を自然言語で記述するだけで、AIが適切なモデルとAPIを自動的に選択・統合し、動作するアプリケーションを生成するという点にあります。

  • 煩雑さの排除: これまでの開発では、APIキーの管理、複数のモデル間の連携、各サービスのSDKの理解、そして大量の boilerplate コードの記述が必要でした。Vibe Codingは、これらの最も退屈で時間のかかる部分をAIに任せることで、開発者が純粋なアイデアと創造性に集中できる環境を提供します。
  • 高速なプロトタイプ作成: 白紙の状態から数分で作業アプリを構築できるようになるため、アイデアの検証サイクルが劇的に短縮されます。例えば、写真をファンタジーキャラクターに変える魔法のミラーアプリや、Google Searchを使ってソースをチェックする強力なライティングアプリなど、様々な種類のアプリが迅速に作成可能です。
  • 反復的な制御: Vibe Codingは、AIがすべてを自動で生成するだけでなく、開発者に反復的な制御を与えます。AIが提案する変更を評価し、必要に応じて修正を加えることができます。

Annotation Modeによる直感的な変更

Vibe Codingの特に画期的な機能の一つが「Annotation Mode」です。このモードでは、開発者はコードを直接編集したり、抽象的な指示を出したりする代わりに、アプリのUI要素を視覚的にハイライトし、Geminiに変更を直接指示できます。

  • 例:
    • 「このボタンを青くして」
    • 「これらのカードのスタイルを変更して」
    • 「左から画像をアニメーション化して」
  • 直感的な対話: このビジュアルダイアログは、まるで共同でデザイン作業を行っているかのように、開発者が自然な形でAIと対話し、アプリを改良していくことを可能にします。これにより、開発のプロセスがより直感的で、クリエイティブなフローが中断されにくくなります。

ビジネスへの影響と将来の展望

AI StudioのVibe Codingは、AIアプリケーション開発の民主化を促進し、以下のようなビジネス上のメリットをもたらします。

  • 開発サイクルの劇的な短縮: アイデアから動作するプロトタイプ、さらには本番環境に展開可能なアプリケーションへの移行が格段に速くなります。これにより、企業は市場の変化に迅速に対応し、新しい製品やサービスをより早く投入できるようになります。
  • 開発リソースの最適化: 複雑なAI技術に関する深い専門知識がなくても、開発者がAIを活用したアプリケーションを構築できるようになるため、開発チーム全体の生産性が向上します。
  • イノベーションの加速: より多くの人々がAIの可能性を探求し、新しいアイデアを試すことができるようになるため、AIエコシステム全体のイノベーションが加速します。
  • 継続的な開発: 無料枠で開発を開始でき、必要に応じて独自のAPIキーを追加できる柔軟性も提供されます。これにより、開発者はアイデアを途切れることなく追求し続けることができます。

AI StudioのVibe Codingは、「誰もがAIで構築できる」というGoogleのビジョンを実現するための一歩であり、アイデアと作業アプリの間の障壁を劇的に引き下げることを目指しています。

セクション3: DeepSeek-OCR - 長文コンテキスト処理のブレイクスルー

LLM（大規模言語モデル）の能力は驚異的ですが、特に長文の文書、特に高解像度の画像として提供されるPDFなどからの情報抽出においては、いくつかの課題を抱えていました。計算コストの高さやコンテキストウィンドウの制限、そして大量の情報を処理する際の「忘却」の問題です。Google DeepMindの「DeepSeek-OCR」は、これらの課題に対する革新的な解決策を提示しています。

LLMにおける視覚と言語の融合の課題

従来のLLMや初期の視覚言語モデル（VLMs）は、長大な文書を処理する際に以下の問題に直面していました。

  • 計算コスト: 高解像度の画像を処理することは、非常に計算コストが高く、シーケンス長に応じて二次的にスケーリングされるため、大規模な文書では非現実的でした。
  • コンテキストウィンドウの限界: LLMは、一度に処理できる情報の量（コンテキストウィンドウ）に制限があります。PDFの各ページを個別のトークンとして扱うと、すぐにこの制限に達し、モデルが文書全体のコンテキストを維持できなくなります。
  • 情報損失: 長い文書を部分的に処理すると、重要な情報が失われたり、文脈が途切れたりするリスクがありました。

DeepSeek-OCRの革新的なアプローチ

DeepSeek-OCRは、これらの問題を克服するために「視覚的情報圧縮パラダイム」という画期的なアプローチを採用しています。このモデルは、テキストだけでなく、文書の2Dレイアウト、グラフ、化学式、幾何学的図形といった視覚情報を理解し、それを効率的に圧縮することで、豊富な情報を実質的に少ない視覚トークンで表現します。

DeepSeek-OCRのアーキテクチャは、DeepEncoderとDeepSeek-2B-MoEデコーダの2つの主要なコンポーネントから構成されています。

  1. DeepEncoder（効率的な目）:

    • ハイブリッドアーキテクチャ: ウィンドウアテンション（ローカルな詳細処理に優れる）と畳み込みコンプレッサー（グローバルなアテンションを維持）を組み合わせることで、GPUメモリを使わずに高解像度画像を処理します。
    • アクティベーションメモリの最適化: アクティベーションメモリを低く保ちつつ、高価なグローバルアテンションステップを回避します。これにより、従来のDual-Toweringモデルや巨大なトークン数を扱うモデル、大量のメモリを使用するモデルが抱えていた問題を解決します。

  2. Specialized Decoding (MoE - Sparsely Mixture-of-Experts):

    • 専門家デコーダ: 圧縮された視覚言語情報をテキストに変換するために、DeepSeek-2B-MoEデコーダが使用されます。このデコーダは、異なるタイプのコンテンツ（例：印刷されたテキスト、テーブル、手書き文字）に特化した3つのエキスパート（Text Expert、Layout Expert、Script Expert）を内包しています。
    • 高精度な情報抽出: このMoEデコーダは、多様な文書タイプ全体で視覚パターンを識別し、高精度な情報抽出を可能にします。
    • 人間的記憶の模倣: DeepSeek-OCRは、人間の記憶が3つの詳細レベル（鮮明な記憶からぼやけた記憶まで）で機能することを模倣し、コンテキスト画像を段階的にダウンスケールして圧縮することで、コア情報を維持します。

ダイナミックな解像度モードとビジネス価値

DeepSeek-OCRは、単一のモデルで多様な文書タイプ（小さなレシートから大規模な新聞まで）を処理できる「ダイナミックな解像度モード」をサポートしています。Gundamモードのような動的タイリング方式は、高解像度レイアウト（新聞画像など）に特に有利であり、高解像度画像から必要な情報を効率的に抽出します。

この技術は、以下のような大規模なスケーラビリティとビジネス価値をもたらします。

  • 処理効率の向上: 単一のGPUで1日あたり200,000ページもの文書を処理できるという効率性は、ビジネスにおける文書処理のボトルネックを解消します。
  • コスト削減: 従来のLLMが長文処理で直面していた高コストの問題を解決し、より高速かつ低コストで情報抽出が可能になります。
  • 多様な業界への応用: 金融（契約書解析）、法律（判例検索）、医療（患者記録分析）など、文書処理が中核となるあらゆる業界において、DeepSeek-OCRはデータ分析の精度と効率を飛躍的に向上させる可能性を秘めています。

このDeepSeek-OCRは、LLMがより複雑な視覚情報を含む現実世界の文書を深く理解し、活用するための重要な一歩であり、今後のAIエージェントの能力を大きく引き上げる技術となるでしょう。

セクション4: Veo 3.1 - 高度な動画生成と編集の未来

生成AIの進化は、テキストや画像を生成する能力から、動画を生成する能力へと急速に拡大しています。Google DeepMindのAIビデオモデル「Veo 3.1」は、この分野における最新のブレイクスルーであり、単に動画を生成するだけでなく、クリエイターがそのコンテンツをより高度に制御し、編集できる未来を提示しています。

AIビデオモデルの進化と「制御」

Veo 3.1は、今年初めにリリースされたVeo 3.0のさらなる進化版です。その最大の革新は、生成される動画のリアルさの向上と、「制御」という側面への注力にあります。これまでの動画生成AIは、しばしば「ワンショット」で生成されるため、クリエイターが特定の要素を変更したり、ストーリーテリングを調整したりする自由度が限られていました。しかし、Veo 3.1は、この課題を克服し、クリエイターに以下のような強力な編集機能と制御を提供します。

  • リッチなオーディオ生成: 単なるサイレントムービーではなく、動画に合わせたリッチなオーディオも生成できるようになり、より没入感のあるコンテンツ作成が可能になります。
  • 新しい編集機能:
    • 挿入ツール: 動画の特定のシーンに、新しいキャラクターやオブジェクトを簡単に追加できます。例えば、雪景色に魔法使いを登場させたり、未来都市に飛ぶ車を追加したりといったことが、シンプルな指示で行えます。
    • 自動的な照明・影の調整: 挿入されたキャラクターやオブジェクトは、AIがシーンの既存の照明や影の条件に自動的に合わせて調整します。これにより、追加された要素がシーンに不自然なく溶け込み、視覚的な一貫性が保たれます。
    • 削除ツール: 不要なオブジェクトを動画から削除できます。驚くべきことに、AIは削除された要素の背後にある背景を「再描画」し、まるで最初からそこになかったかのように自然な映像を生成します。これにより、シーン全体の統一性が維持されます。
  • 反復的な制御: Veo 3.1は、生成された動画を「サイコロの目」のように一度きりの結果として受け入れるのではなく、クリエイターが何度も修正を加え、アイデアを洗練させていくための反復的な制御メカニズムを提供します。

ビジネスへの影響と将来の展望

Veo 3.1のような高度な動画生成・編集技術は、映画制作、広告、コンテンツマーケティングなど、多岐にわたるクリエイティブ産業に革命をもたらすでしょう。

  • 映画制作の民主化と効率化: 複雑なCGや特殊効果の制作にかかる時間とコストを大幅に削減し、小規模な制作チームやインディーズ映画制作者でも、高品質な視覚効果を伴う作品を制作できるようになります。AIが重い技術的作業を引き受けることで、クリエイターはストーリーテリングと芸術的表現に集中できます。
  • 広告とマーケティングのパーソナライゼーション: ターゲットオーディエンスに合わせたパーソナライズされた動画広告を、迅速かつ大量に生成できるようになります。これにより、マーケティングキャンペーンの効果が最大化されます。
  • コンテンツ制作の多様化: 個人のクリエイターや中小企業も、プロ品質の動画コンテンツを容易に制作できるようになり、YouTube、TikTok、Instagramなどのプラットフォームでのコンテンツ競争がさらに加速するでしょう。
  • イノベーションの促進: 既存の映像素材に新たな要素を加えたり、全く新しいシーンを生成したりする能力は、クリエイティブな表現の可能性を無限に広げます。

Veo 3.1は、AIが単にコンテンツを生成するだけでなく、その編集と制御においてクリエイターを強力に支援するツールへと進化していることを示しています。これは、人間とAIが共創する未来のクリエイティブワークフローの始まりに過ぎません。

結論: エージェントの未来と開かれた可能性

Google DeepMindが「The Agent Factory」で紹介した一連の最新技術は、AIエージェントが私たちのデジタル世界と物理世界とどのように対話し、統合されていくかについて、明確なビジョンを示しています。

  • Gemini 2.5 Computer Useモデルは、AIエージェントが人間のようにコンピュータのUIを理解し操作する能力を与え、より複雑なタスクの自律的実行を可能にします。
  • AI StudioのVibe Codingは、AIアプリ開発の複雑さを劇的に軽減し、開発者がアイデアと創造性に集中できる環境を提供することで、イノベーションの民主化を加速させます。
  • DeepSeek-OCRは、高解像度文書からの情報抽出の課題を克服し、LLMがより深く、より広範なコンテキストを理解する能力を拡張します。
  • Veo 3.1は、動画生成と編集におけるAIの制御と創造性を高め、クリエイティブ産業に新たなツールと可能性をもたらします。

これらの技術の共通点は、「AIがより有能になり、より視覚的になり、はるかに使いやすくなっている」という点です。AIはもはや、専門家だけがアクセスできる神秘的な技術ではありません。Google Cloudが提供するこれらのツールは、開発者、クリエイター、そしてビジネスリーダーが、それぞれの分野でAIの力を活用し、革新的なソリューションを構築するための道筋を示しています。

AIエージェントの未来は、単なる情報検索を超え、現実世界と自律的に行動し、学習し、適応するシステムへと向かっています。この新たな時代において、Googleが強調するように「クリーンなコードとスマートなエージェント」が、技術革新の主要な推進力となるでしょう。私たちは今、AIがもたらす無限の可能性の扉を開き、次のイノベーションの波を共に創り出す絶好の機会に立っています。

Google Cloudのコミュニティでは、これらの技術に関する詳細な資料、コードスニペット、アーキテクチャ図、ドキュメントが提供されており、開発者はすぐにこれらの強力なツールを自身のプロジェクトに組み込むことができます。未来のエージェントを構築する旅に、今日から参加しましょう。

← 一覧に戻る