Google、Geminiの目玉デモに誇張疑惑　リアルタイム対話ではなく静止画編集と判明

Google が鳴り物入りで発表した次世代 AI モデル「Gemini」ですが、その実力をアピールするために公開された最も印象的なデモ動画に、深刻な演出と事実誤認があったことが明らかになりました。

話題となったのは、公開から 1 日で 100 万回以上再生された「Hands-on with Gemini」という動画です。カメラに向かって描かれるアヒルのスケッチをリアルタイムで実況したり、ジャンケンの手を即座に見破ったり、紙コップの中のボールの動きを追跡したりと、まるで人間のような流暢なマルチモーダル応答を見せつけました。多くの人が、Google がついに OpenAI を超えるブレイクスルーを果たしたと感じた瞬間でした。

リアルタイム映像ではなく、静止画とテキストの組み合わせだった

しかし、Bloomberg の Parmy Olson 記者が疑問を投げかけ、TechCrunch が「デモは実質的なフェイクだった」と報じたことで内情が明るみに出ました。

動画では Gemini がカメラ映像をリアルタイムに理解し、音声で応答しているように描かれていました。しかし実際には、録画した動画から切り出した静止画フレームを Gemini に見せ、テキストのプロンプトを入力して得られたテキスト回答を音声合成で読み上げていただけでした。

さらに、モデルに与えられていたヒントも動画とは大きくかけ離れていました。例えば動画内のジャンケンのシーンでは、手ぶりを見せただけで Gemini が「ジャンケンをしているね」と言い当てます。しかし開発者向けドキュメントによれば、Gemini は連続した動作を認識できず、グー・チョキ・パーの 3 枚の手を並べた静止画を見せられた上で、「何をしていると思う？ ヒント：ゲームです」という手厚いテキスト指示を受けて初めて正解を出していました。

惑星の描かれたメモの並び順を当てるシーンでも同様です。動画では「この順序で合っている？」と短く尋ねていますが、実際のテキストプロンプトには「太陽からの距離を考慮して理由を説明して」と露骨な誘導が含まれていました。また、このテストで動いていたのが現在提供中の Gemini Pro なのか、来年登場予定の最上位版 Gemini Ultra なのかすら明示されていませんでした。

深まる疑念と Google の釈明

批判に対し Google 側は、回答自体は Gemini が出力した本物であり、レイテンシの削減と回答の要約を行ったにすぎないと反論しました。TechCrunch に対しても見出しの「フェイク」という表現を取り下げるよう求めたといいます。

Google DeepMind の研究担当バイスプレジデントである Oriol Vinyals 氏は SNS 上で、この動画は Gemini を使って作られたマルチモーダル体験が「将来どうなり得るか」を示し、開発者を刺激するためのものだったと釈明しました。

しかし、動画のタイトルに「Hands-on（実機体験）」と掲げ、あたかも実機そのままの挙動であるかのように演出した手法に対しては、業界内外から厳しい目が向けられています。

なぜ重要か

私たちは、今回の騒動は Google が OpenAI への焦りから犯してしまった手痛い失策だと考えています。静止画から手書きスケッチの意図を汲み取ったり、複数画像の文脈を理解したりする技術自体は、十分に評価されるべき進歩でした。それだけに、リアルタイム対話という架空のガワを被せて演出してしまった愚行が、本来の技術的成果まで霞ませてしまいました。

開発者や一般ユーザーにとっての現実的な教訓は、Gemini に過度な即時性を期待してはいけないという点です。現時点で試す価値は十分にありますが、動画のような流れるような音声対話ではなく、静止画を丁寧なテキストプロンプトとともに渡す泥臭いチューニングが前提になります。

業界全体で見れば、この一件は AI モデルの性能開示における透明性のハードルを大きく引き上げました。ライバルである OpenAI は GPT-4V の制約や遅延を隠さずに提供しています。一度失った企業の信頼を取り戻すのは容易ではありません。今後 Google が発表するどんなデモに対しても、市場はまず疑いの目を向けることになるはずです。