Google AIの最新進化：Gemini 3.5 FlashからAIネイティブな未来を築く開発者体験の再定義

Google I/O 2024のキーノート後、多くの開発者と技術愛好家が心待ちにしていたセッションの一つ、「What's New in Google AI」が開催されました。Google DeepMindの開発者リレーションリードであるPaige Bailey氏と、AI StudioのプロダクトおよびデザインリードであるAmmaar Reshi氏が登壇し、Google AIがこの一年で遂げた驚異的な進化と、その先にある未来について語りました。本稿では、このセッションで発表された最新技術の数々を深く掘り下げ、その重要性、具体的な機能、ビジネスへの影響、そして将来性について詳細に解説します。

止まることのない進化：Google AIの驚異的な開発ペース

セッション冒頭でPaige Bailey氏が述べたように、Google AIは「容赦ないペース」で新技術をリリースし続けています。Ammaar Reshi氏も2024年の1.5シリーズでマルチモダリティの可能性を模索し始めたばかりだったことを考えると、現在の進化の速度はまさに「狂気的」と表現するにふさわしいものです。この急速な進化の最たる例が、今回発表されたGemini 3.5 Flashであり、フロンティアモデルからオープンモデルまで、多岐にわたる領域でそのポートフォリオを拡大しています。

Gemini 3モデルラインナップの戦略的拡大

GoogleのGemini 3モデルラインナップは、過去数ヶ月および今回のI/Oを通じて大幅に拡充されました。開発者が自身のニーズに合わせて最適なモデルを選択できるよう、多様な性能特性を持つモデルが提供されています。

Gemini 3.5 Pro: 現在もGoogleの「最高峰かつ最も洗練された」モデルとして位置づけられており、特に複雑な問題解決においてその真価を発揮します。高度な推論能力と膨大な知識ベースにより、難解なタスクや多岐にわたる情報統合が求められるシナリオで圧倒的なパフォーマンスを誇ります。
Gemini 3.5 Flash: 今回新たにリリースされたこのモデルは、パフォーマンス、速度、そしてコスト効率に特化しています。AI StudioのBuild機能でデフォルトモデルとして採用されるなど、その実用性が強調されています。Ammaar Reshi氏によれば、数週間後にリリースされるAI Studioモバイルアプリの構築にも3.5 Flashが多用されており、AndroidとiOSの両プラットフォームでその能力が発揮されています。これは、迅速なプロトタイピングや、リアルタイム性が求められるアプリケーション開発において、特に重要な選択肢となります。
Gemini 3.1 Flash-Lite: 低レイテンシとさらなるコスト削減が求められるユースケースに最適化されたモデルです。リソースが限られた環境や、大量のリクエストを捌く必要があるサービスにおいて、高い効率性を提供します。

これらのモデルは、Databricks、GitHub、Harvey、Warpといった業界の主要顧客が既に本番環境でGemini 3を導入していることからも、その堅牢性と実用性が裏付けられています。Geminiの最大の特徴は、テキスト、画像、音声、動画、コードといった多様なモダリティを理解できるだけでなく、複数のモダリティで出力を生成できる点にあります。Ammaar Reshi氏は、動画のアニメーションをアップロードするだけで、そのフレームを理解し、コードで再生成できることに言及しており、動画理解が全く新しいユースケースを切り開く可能性を示唆しています。これは、デザイナーがスクリーンショットからフロントエンドのコードを生成するといった、開発プロセスを劇的に加速させる応用にもつながります。

生成メディアのフロンティア：現実を超える創造性

Googleは、生成メディアモデルにおいても目覚ましい進歩を遂げています。動画、音声の出力、そして驚異的なText-to-SpeechモデルやGemini Liveモデルを通じて、クリエイティブな表現の限界を押し広げています。特に注目すべきは、モデルとリアルタイムで対話できるGemini Live APIです。

Nano BananaシリーズとGemini Omni Flash

今日の発表では、高忠実度のビジュアルアセットを生成するGemini 3.1 Flash Image（通称Nano Banana）が紹介されました。これはAI Studioで試せるNano Banana 2へと進化しており、さらに「Nano Banana for video」として、動画を起点にあらゆる入力からコンテンツを生成できる「Gemini Omni Flash」がリリースされました。動画編集という退屈で細かな作業を、このモデルが劇的に変える可能性を秘めています。動画に対するNano Bananaスタイルの編集能力は、特にコンテンツクリエイターにとって待望の機能であり、APIとしても提供される予定です。

会場に設置されたAIデモガーデンでは、Omniを使って自分自身を主役にしたコマーシャルを作成できる「Omnimercial」という体験が提供されており、生成メディアの可能性を身近に感じることができます。これらの生成メディアモデルに関する詳細なセッションも開催され、この分野へのGoogleの注力が伺えます。

開発者の夢を叶えるAI Studio：アイデアからアプリへの最速パス

Google AI Studioは、GoogleのAI技術を開発者が最大限に活用するための中心的なプラットフォームです。プロダクトのアイデア出しから、アプリの構築、迅速なプロトタイピングまで、あらゆる開発段階をサポートします。Paige Bailey氏が「プロンプトからアプリへの最速パス」と称するように、AI Studioは開発プロセスを根本から変革しようとしています。

Playground：最新モデルを探索し、コードを生成するサンドボックス

AI StudioのPlaygroundは、開発者がDeepMindの最新モデルを自由に実験できる環境です。パラメータを調整し、モデルの能力を探求するだけでなく、生成されたコードスニペットを直接アプリ開発に利用できます。

デモでは、Playgroundの強力な機能が具体的に示されました。

マルチモーダル動画理解: 約5分間の動画をGemini 3.1 Flash-Liteにアップロードし、「この動画に登場するすべての恐竜について、タイムスタンプと楽しい事実を含む表を作成してください」とプロンプトを入力。わずか約1.5セントのコストで、動画から約31,000トークンを消費し、恐竜の名前、タイムスタンプ、豆知識が記載された表が瞬時に生成されました。これは、動画コンテンツの分析や要約、情報抽出といったタスクにおいて、極めて効率的かつコスト効果の高いソリューションを提供します。
コード生成: Playgroundで実行した操作は、「Get Code」ボタンをクリックするだけで、Python、TypeScript、.NETなど、様々な言語のコードとして出力されます。これにより、開発者はモデルとの対話を通じて得られた結果を、そのまま自身のアプリケーションに組み込むことができます。Searchツールコールや思考構成、モデル選択など、詳細な設定もコードに反映されるため、再現性と拡張性が保証されます。

Gemini Live API：リアルタイム対話とマルチモーダル共有

Gemini Live APIは、モデルとのリアルタイム会話を可能にし、マルチモーダルコンテンツを共有できる画期的な機能です。デモでは、その応用範囲の広さが示されました。

画面共有によるコンテキスト理解: Paige Bailey氏は、以前生成した恐竜の表をChromeタブで表示し、Gemini Liveに画面を共有しました。「Gemini、画面に何が見えますか？」と問いかけると、GeminiはGoogle AI Studioの画面に表示されている恐竜の表を正確に認識し、その内容（例：Ornithomimusが足の速い恐竜であること）を説明しました。これは、ユーザーが視覚的な情報をモデルと共有し、それに基づいて対話を進めることができることを意味します。
動的な多言語対応: 会話のコンテキスト内で、モデルが動的に言語を切り替える能力も披露されました。Paige氏が観客に英語以外の言語話者がいるか尋ね、中国語とポルトガル語の例を挙げると、Geminiは直前の発言を中国語で、続いてポルトガル語で再現しました。観客からの確認により、その正確性も実証され、リアルタイムでのグローバルなコミュニケーション、特に顧客サポートや教育アプリケーションにおける可能性が示されました。
Google Searchとの連携によるグラウンディング: Google Searchとの連携を有効にすることで、Geminiは外部情報に基づいて応答を生成し、その情報源を提示できるようになります。デモでは、Mountain Viewの今日の天気についてポルトガル語で質問し、GeminiがGoogle Searchから得た情報を基に正確に応答しました。この「グラウンディング」機能は、モデルの応答の正確性と信頼性を高め、ハルシネーション（誤情報生成）のリスクを軽減する上で不可欠です。

Buildモード：アイデアを具現化するAIネイティブな開発体験

AI StudioのBuildモードは、従来のIDEでのコーディングを必要とせず、アイデアを直接アプリとして具現化できる「完全にバッテリー付属」の構築体験を提供します。テキストから音声、音楽生成、データベース連携など、多様な機能をプロンプトだけで実現できます。

Ammaar Reshi氏が特に興奮を込めて紹介したのは、AndroidアプリをAI Studioから直接構築できる新機能です。開発者はAndroidアプリのセットアップ、エミュレーターの準備といった煩雑な作業から解放され、アイデアを記述するだけでアプリを生成できます。

折りたたみ式ピアノアプリの生成: Ammaar氏は、折りたたみ式スマートフォン向けに「画面の上半分がチュートリアル、下半分がピアノ鍵盤となる折りたたみ式ピアノアプリ」というプロンプトを入力しました。AI Studioは、アプリのビルドと同時に複数のデザインテーマを自動生成し、ユーザーはインスピレーションを得たり、好みのデザインを選択してプロンプトに組み込んだりできます。生成されるアプリはKotlinで書かれたネイティブコードであり、Antigravityへのエクスポート機能も提供され、これまでの会話のコンテキストも引き継がれます。
実機へのインストール: デモでは、生成されたピアノアプリをAmmaar氏の折りたたみ式スマートフォンにUSB経由でインストールする様子が示されました。アプリは実際に動作し、鍵盤をタップすると音が鳴り、その様子がスクリーンにも表示されました。これは、AI Studioが単なるプロトタイピングツールではなく、実際に動作するアプリケーションを生成できることを明確に示しています。Ammaar氏は、これにより「スマートフォンやウェブ向けのアプリを作りたいが、どうすればよいか分からなかった新しい開発者が数多く現れるだろう」と期待を表明しました。将来的には、Play Storeへの直接配布機能も追加される予定です。
Workspaceアプリ連携: Androidアプリ開発に加えて、GmailやGoogleカレンダーなど、Workspace製品と連携するアプリを構築する機能も今日から展開されます。Ammaar氏は、自身のカレンダーを分析し、ミーティングを削除する「カレンダールーレット」アプリのデモを行いました。Firebase連携により、OAuthを使ってGoogleアカウントで簡単にログインでき、カレンダーイベントを操作できます。これにより、日常業務の自動化や効率化を実現する、まったく新しい種類のアプリケーションが生まれることが期待されます。

AI Studioは、開発者がブラウザを離れることなく、アイデアから高度なアプリケーションまで、非常に迅速に実現できる「魔法のような場所」へと進化しています。さらに、AI Studioのモバイルアプリも近日中にリリースされる予定であり、「歩きながらアイデアを説明し、家に帰る頃にはそれが受信トックスに届いている世界」というPaige Bailey氏のビジョンが現実のものとなる日は近いでしょう。

エージェントとオープンモデル：AIエコシステムの拡大

Google AIの進化は、フロンティアモデルや開発者ツールに留まりません。エージェント機能の強化と、オープンモデルへの継続的なコミットメントもまた、GoogleのAI戦略の重要な柱です。

Interactions APIとマネージドエージェントプラットフォーム

AI Studio内に提供されるInteractions APIを使用することで、開発者はAPIキーを作成し、エージェントを構築して新しいエージェント的実験を開始できます。キーノートでも触れられたマネージドエージェントプラットフォームは、自然言語でエージェントの振る舞いを記述するだけで、それがサービスに接続され、Cloud VM上で実行されるようになります。これはAntigravityエージェントによって支えられており、開発者は単一のAPIコールで強力なエージェントをデプロイできるのです。これにより、複雑なワークフローの自動化や、より高度な対話型アプリケーションの開発が加速されます。

Gemma 4：オープンモデルの進化とエッジAIの重要性

Googleは、オープンモデル（オープンソースモデル）に対する情熱を強く持っており、その象徴がGemmaファミリーです。Gemma 4は、オンデバイスでの実行能力を含め、目覚ましい進化を遂げています。AI StudioのPlaygroundでGemma 4を試すことができ、Gemini APIと同様に、Gemmaへの非ゼロの無料コールが提供されるため、開発者はこれを自身のアプリに容易に組み込むことができます。Gemmaは、動画、音声、画像、テキスト、コードといったマルチモーダルな理解能力を持ち、Geminiモデルやその他のモデルと比較検討しながら利用できます。

Gemmaは世界中で数多くのダウンロード数を誇り、140以上の異なる言語をサポートし、256,000トークンのコンテキストウィンドウを備えています。これはHugging Faceで今日から利用可能です。Googleは、Unslothコミュニティ、Ollama、Kaggleといったパートナーシップを通じて、Gemmaモデルの普及とエコシステムの発展を加速させています。

特に強調されたのは、エッジAIの重要性です。Google AI Edge galleryは、プロジェクトのコストを削減し、モデルをモバイルデバイスやラップトップ上で実行するための優れた方法を提供します。Ammaar Reshi氏は、8時間のフライト中にGemma 4を使ってコードを書き続けた経験を語り、そのオフラインでの利用価値と、モデルがローカルで動作する驚きを強調しました。Gemma 4はラップトップで実行可能であり、さらにGemma 2はモバイルデバイス（Pixel 10）にも搭載され、オンデバイスでのエージェント的ユースケースを強化しています。これは、プライバシー保護、低レイテンシ、そしてネットワーク接続に依存しないAI体験を実現する上で不可欠な進歩です。

AIインフラストラクチャの基盤：TPUソフトウェアスタックとフルスタックアプローチ

GoogleのAI戦略は、単に優れたモデルを提供するだけでなく、その基盤となるインフラストラクチャにも深くコミットしています。Googleがユニークである点は、そのオープンソースのTPUソフトウェアスタックにあります。推論からポストトレーニング、プリトレーニング、モデル構築に至るまで、AIワークフローのあらゆる段階をカバーするツールとライブラリが提供されています。

vLLM for TPU inference: JAXとPyTorchの両方に対応し、TPU上での高速な推論を実現します。
Tunix: 強化学習（RL）やエージェントワークフローにおけるポストトレーニングを効率化します。
MaxText, JAX and TorchTPU: TPUを非常に高速かつ高性能に動作させるための基盤を提供します。

特にJAXは、Googleが構築するあらゆるモデルの限界を押し広げ、DeepMindチームはJAXを排他的に利用してすべてのモデルとインフラストラクチャを構築しています。このTPUソフトウェアスタックは、開発者が自身のAIモデルを大規模にスケールアップするための強力な手段を提供します。

この発表全体から見えてくるのは、GoogleのフルスタックAIアプローチです。AIインフラストラクチャ、データ、モデル、Cloud上のAIプラットフォーム、そしてGemini SparkやAI Studioを介したエージェントやアプリケーションに至るまで、すべてのレイヤーで一貫した戦略が展開されています。同時に、Googleは「安全性と責任」を最優先事項としており、SynthIDのようなデジタルウォーターマーク技術の発表や、業界の他のモデルサービスプロバイダーとの協力を通じて、AIの安全な利用と責任ある開発を推進しています。

AIネイティブな未来へ：ロボティクスとワールドモデルの登場

セッションの最後に、Ammaar Reshi氏とPaige Bailey氏は、今後最も期待される分野として「ロボティクス」と「ワールドモデル」を挙げました。これらは、AIが物理世界と相互作用し、より高度な知能を発揮する未来を示唆しています。

Gemini Robotics 1.6：ロボットの知能を解放する

Googleは最近、Gemini Robotics 1.6を発表しました。Paige Bailey氏が「Gemini APIのおかげで、ロボットは事実上どこにでも配置できる」と述べたように、REST APIを呼び出せるあらゆるデバイスがGoogleのロボティクス技術を利用できます。

その応用例は既に存在します。Hugging FaceのReachy Miniや、スタンフォード大学のCSカリキュラムで利用されているオープンソースプロジェクト「Pupper」などが挙げられます。PupperはRaspberry Piで動く3Dプリント製のロボット犬ですが、Gemini Live APIとGemini Robotics ERを利用することで、この小さなロボット犬を操作し、「私についてきて」といった指示を出したり、「あのボールを取ってきて」といったタスクを実行させたりすることができます。驚くべきは、これらのロボットに「トレーニングは一切不要」であることです。ユーザーはPupperと会話するだけで、多岐にわたるユースケースで動的な相互作用を実現できるのです。これは、ロボット開発の障壁を劇的に下げ、より多くの人々が物理世界にAIを応用する可能性を開きます。

Genie 3 (World Model Family)：物理世界を理解し創造するAI

キーノートでも少し触れられた「Genie 3」は、Googleの「ワールドモデルファミリー」の一部であり、物理世界の理解をモデルに与えます。Ammaar Reshi氏は、Omniモデルの一部であるGenie 3が、動画のコヒーレンス（一貫性）を向上させる上で不可欠な要素であると説明しました。なぜなら、Genie 3は「物事が実際に現実世界でどのように機能する必要があるか」を理解しているからです。

Genie 3は、ユーザーが体験したい世界を記述するだけで、その世界を生成し、矢印キーを使ってナビゲートすることで短い動画を作成できます。デモでは、「動的な水の物理特性を備えた穏やかな滝の崖エリア」と「高速の紙飛行機」というプロンプトから生成された動画が披露されました。動画では、紙飛行機が水しぶきと相互作用する物理特性、川の水の流れ、光の反射といった要素が驚くほどリアルに表現されており、水が滝から落ちる際のしぶきまで再現されていました。Genie 3は、Google AI Ultraサブスクリプションを通じて今日から利用可能であり、仮想世界やゲーム、シミュレーションなど、多様な分野での応用が期待されます。

AIネイティブな創造性の時代へ

Paige Bailey氏がセッションの最後に強調したのは、「私たちはAIネイティブな人々のための最初の世代のツールを構築している」という点です。これらのツールは、人々が自身の想像力を形にするために「許可を求める必要がない」世界を目指しています。Ammaar Reshi氏も、「アイデアが機能すると仮定してプロンプトボックスに記述するだけで、モデルをどれだけ遠くまで押し進められるかに気づくだろう」と述べ、開発者に対し、大胆にアイデアを試すことを奨励しています。AI Studioがデータベース、認証、Workspace連携といった機能を統合することで、開発者はブラウザを離れることなく、非常に高度なアプリケーションを構築できるようになりました。

Google AIは、フロンティアモデルの性能向上だけでなく、それを活用するための開発者体験の再定義、オープンエコシステムの構築、そして安全性の確保まで、包括的なアプローチで未来を築いています。ロボティクスやワールドモデルといった最先端の研究もまた、AIが物理世界と知的に相互作用し、人間の創造性を無限に拡張する未来への道筋を示しています。

このAIネイティブな創造性の時代に乗り出すために、ぜひai.devまたはai.studio/buildにアクセスし、Googleの最新AIツールを体験してみてください。開発者一人ひとりのアイデアと創造性が、次の大きな革新を生み出す原動力となるでしょう。