GoogleがGemini 2.0を発表：画像・音声の直接出力とエージェント機能に対応

Google は自律型エージェントの実現を見据えた次世代 AI モデル「Gemini 2.0」を発表しました。第 1 弾として、軽量・高速モデル「Gemini 2.0 Flash」の実験版（Experimental）の提供が始まっています。

2.0 Flash は、従来の大型モデル Gemini 1.5 Pro を主要ベンチマークで上回る性能を示しながら、2 倍の推論速度を実現しています。トレーニングと推論は、一般提供が開始された Google の第 6 世代 TPU「Trillium」が 100% 担っています。

画像と音声を直接出力、検索の並行呼び出しにも対応

Gemini 2.0 Flash は、テキストだけでなく画像や多言語音声をモデル自身が直接生成するネイティブ・マルチモーダル出力を備えています。1 回の API 呼び出しで、テキストと生成画像、テキスト読み上げ音声を混在させたレスポンスを受け取ることが可能です。生成された画像と音声には SynthID による不可視透かしが埋め込まれます。

外部ツールの扱いもネイティブ化されました。コード実行やサードパーティ製ツールの呼び出しに加え、Google 検索を並行して実行し、複数の情報源を一度に照合して回答の正確性を高めます。

開発者向けには「Multimodal Live API」も公開され、カメラ映像やマイク音声のストリーミング入力をリアルタイムに処理できるようになりました。会話の中断検知にも対応しています。デスクトップの Gemini アプリでは 2.0 Flash が選択可能となっており、Gemini Advanced 向けには Web 上を自律調査してレポートを作成する「Deep Research」機能の提供も始まりました。

ブラウザを操作する Mariner とコード修正を行う Jules

モデルの刷新と同時に、具体的な作業を代行するエージェントのプロトタイプも公開されました。

「Project Mariner」は、Chrome 上で動作する実験的拡張機能です。画面上のピクセル、テキスト、フォームを認識してブラウザを操作し、WebVoyager ベンチマークで 83.5% のスコアを記録しました。安全策として、操作対象はアクティブなタブに限定され、購入などの重要操作では人間の承認を求めます。

開発者向けエージェント「Jules」は GitHub に直接連携し、Python や JavaScript のバグ修正を非同期で実行して Pull Request まで作成します。さらにユニバーサルアシスタント「Project Astra」も強化され、10 分間のセッション内記憶や Google マップ連携に対応し、試作スマートグラスでの検証も始まっています。

なぜ重要か

Google が巨大モデルではなく、実用性の高い 2.0 Flash から投入したのは極めて合理的な判断だと考えられます。エージェントが実世界でタスクをこなすためには、わずかな精度向上よりも応答速度とツール連携のスムーズさが直結するためです。リアルタイムのストリーミング処理を低コストかつ迅速に扱える点は、開発者にとって大きな魅力となります。

Web 上で試す価値は十分にあります。一般ユーザーは Gemini のモデル切り替えですぐに速度向上を体感でき、開発者は AI Studio 経由で音声・映像のリアルタイム連携を試作できます。

ただし、課題も残されています。Project Mariner が記録した 83.5% の成功率は評価指標としては高いものの、日常業務で使うには約 16% の失敗が依然として付きまといます。画面遷移の誤りや誤入力をユーザーが監視・修正する手間を考えると、完全な作業委任まではまだ距離があるように見えます。