【ITニュース解説】Gemma 4 โมเดล open ของ Google 5 ขนาด จากมือถือถึงเวิร์กสเตชัน

Google DeepMindが開発した新しいオープンな大規模言語モデル（LLM）ファミリー「Gemma 4」が登場した。このモデルは、これまでのAIモデル開発競争で主流だった「最も大きなモデルを作ること」とは一線を画し、「モデルのサイズあたりの賢さ」、つまり限られた計算リソースでどれだけ高い性能を発揮できるかに焦点を当てている点が特徴だ。システムエンジニアを目指す皆さんにとって、この新しいアプローチは、AIモデルを実用的なシステムに組み込む上で非常に重要な意味を持つ。

Gemma 4ファミリーは、合計で5つの異なるサイズのモデルで構成されており、スマートフォンから高性能なワークステーションまで、幅広いデバイスで利用できるように設計されている。これらはすべて、Googleの最先端AIモデルであるGemini 3と同じ研究と技術に基づいて開発されたものだ。

最も小さい「E2B」モデルは、2.9GBのメモリで動作し、モバイル環境ではわずか1.1GBという非常に少ないメモリで動かせるため、スマートフォンやエッジデバイスといった、限られたリソースしかない環境での利用に適している。次に小さい「E4B」モデルは、4.5GB（モバイルでは2.5GB）のメモリを使用し、ラップトップやスマートフォン上でより複雑な推論タスクを実行できる能力を持つ。これらの小型モデルが、実際にスマートフォン上で高品質なAI処理を可能にする点は、Gemma 4ファミリーの大きな差別化要因となっている。

特に注目すべきは「12B Unified」と「26B A4B」の二つのモデルだ。「12B Unified」は、その名の通り120億パラメータを持つモデルで、通常のAIモデルが画像や音声を処理するために別途エンコーダ（情報を変換する部分）を必要とするのに対し、このモデルはエンコーダを省き、画像や音声の情報を直接処理できるユニークなアーキテクチャを持つ。これにより、テキストだけでなく画像や音声も一つのモデルで統合的に扱えるマルチモーダルな能力を備えながら、約6.7GBのメモリで動作し、一般的なワークステーションでも十分に活用できる。

そして、Gemma 4ファミリーの中でも最も革新的で、多くのシステムエンジニアの関心を集めているのが「26B A4B」モデルだ。このモデルは「Mixture-of-Experts (MoE)」という特殊な構造を持つ。MoEは、複数の小さなネットワークの集合体として機能し、入力された情報に応じて一部のネットワークだけを選択的に活性化させる。これにより、全体のパラメータ数は260億と非常に多いにもかかわらず、実際に処理に使うパラメータは1トークンあたり約40億に抑えられ、効率的に高い賢さを実現できる。公式の発表によれば、このモデルは通常の40億パラメータのモデルとほぼ同等の速度で動作しながら、260億パラメータモデルに匹敵する賢さを発揮するという。これは、クラウドサービス利用料が高騰する中で、自社でAIモデルを運用する企業や開発者にとって、リソースの節約と高性能を両立できる非常に価値のある選択肢となる。

Gemma 4ファミリーの全てのモデルは、テキストと画像の処理に対応し、E2B、E4B、12Bモデルはさらに音声とビデオの処理も可能だ。コンテキストウィンドウ（モデルが一度に処理できる情報の量）も、小型モデルで128Kトークン、大型モデルでは256Kトークンまで対応しており、非常に長い文書や会話の履歴を保持できる。対応言語は140以上と幅広い。

Googleが公開したベンチマーク結果を見ると、Gemma 4ファミリーの賢さが前世代のGemma 3 27Bと比較して大幅に向上していることがわかる。例えば、最高品質の「31B」モデルは、MMLU Proという総合的な知識を測るテストで85.2点（前モデルは67.6点）、数学のAIME 2026で89.2点（前モデルは20.8点）、コード生成のLiveCodeBench v6で80.0点（前モデルは29.1点）と、驚異的な伸びを見せている。特に26B A4Bは、AIMEで88.3点と、31Bの89.2点にほぼ匹敵する性能を、少ないメモリ使用量で達成している点が注目される。ただし、これらのベンチマークはGoogle自身が選択したテストセットと、モデルがより時間をかけて考える「思考モード」を利用した場合のスコアであるため、実際の運用コストも考慮する必要があることを忘れてはならない。

Gemma 4のエコシステムは非常に活発だ。最初のリリースからわずか数ヶ月で、Gemmaは累計10億回以上ダウンロードされ、コミュニティからは10万以上の派生モデルが生まれている。これは、オープンモデルが成長し、長く使われるために不可欠なコミュニティからの強力な支持があることを示している。また、Androidプラットフォームへの統合も進んでおり、AICore Developer Previewを通じて開発者がGemma 4をAndroidデバイス上でテストできるようになった。Android StudioにもGemma 4がローカルツールとして組み込まれており、モバイルアプリケーションへのAI機能の実装が容易になっている。さらに、一度に複数のトークンを予測する「Multi-Token Prediction」技術の導入により、モデルの推論速度が最大3倍に向上し、品質を損なうことなく効率的な動作が可能になった。

システムエンジニアがGemma 4を自社のプロジェクトで活用する際の指針も明確になった。一般的な16GBのRAMを搭載したPCでは、E4Bや12B Unifiedの量子化版が利用可能だ。もし24GB以上のRAMがあるならば、26B A4Bが最もコストパフォーマンスに優れた選択肢となるだろう。最高品質を求める場合は31Bも選択肢に入るが、これはリソース消費が大きく、実行速度も遅くなる点を考慮する必要がある。

Gemma 4が採用しているApache 2.0ライセンスは、収入やユーザー数に関する制限がないため、スタートアップ企業などが製品にGemma 4を組み込む際に、ライセンス上の懸念なしに利用できる大きなメリットがある。Nokka氏の推奨としては、まず26B A4Bを実際のタスクで試してみて、もしリソースが足りない場合や、そこまでの性能が不要な場合にE4BやE2Bへとスケールダウンしていくのが効率的だとしている。なぜなら、Gemma 4ファミリー内でのモデルサイズ間の性能差、特に数学やコードのような分野では、数字以上に大きいからである。例えば、AIMEにおいてE4Bは42.5点であるのに対し、26B A4Bは88.3点と、その差は歴然としている。

今日のAIモデル競争は、単に「誰が一番賢いモデルを持っているか」というだけでなく、「利用できるリソースに対してどれだけ効率的で費用対効果が高いか」という側面へとシフトしている。Gemma 4は、Googleがこの新しい競争軸に投入した強力な一手であり、他の大手IT企業が今後どのように応じるのか、今後の動向が注目される。