スマホ内のAIが目と耳を持つ？「EmbeddingGemma 2」の物語

想像してみてください。スマートフォンの中に数千件の動画や音声ファイルがあり、その中から「昨日食べたランチのメニューについて話していた動画」を探したいとします。これまでは、人が一つ一つファイルを開いて確認するか、クラウドサーバーに動画データをアップロードして分析してもらう必要がありました。

しかし、もしスマートフォンが自ら動画の中身を「見て」「聞いて」理解し、友達に話しかけるように「ランチの動画を見つけたよ」と答えてくれたらどうでしょうか？最近Google DeepMindが公開したEmbeddingGemma 2は、まさにそんな未来を加速させています。

なぜこれが重要なのか？

私たちが普段使っているAIは、多くの場合その規模が大きく、インターネットを通じて巨大なサーバーに質問を送り、回答を受け取る方式（クラウド）を採用しています。しかし、この方式には二つの大きな制約があります。一つは、データが外部サーバーへ送信されることへのプライバシー懸念です。もう一つは、インターネット環境に依存するため回答が遅くなる場合があることです。

EmbeddingGemma 2は、「巨大なサーバー」の助けを借りずとも、スマートフォンやノートパソコン内で動作するように設計されたモデルです。これを専門用語で「オンデバイス（on-device、デバイス自体で実行）AI」と呼びます。この技術により、ユーザーは個人情報の心配をすることなく、インターネット接続もなしに、膨大な写真や動画、音声データを高速に検索・分類できるようになります。

簡単に言うと：「データの共通言語」を見つける

では、この小さなAIはどのようにして写真を見たり、音を聞いたりできるのでしょうか？

簡単に言えば、異なる形式のデータを「数字」という共通言語に変換するのが鍵です。私たちが異なる国の言語を翻訳機を通して一つの言語として理解するのと似ています。写真一枚を数字の羅列（ベクトル、vector）に変え、音声ファイルも同じように数字の羅列に変えるのです。

EmbeddingGemma 2は、テキスト、画像、動画、オーディオなど異なる形式のデータを「768次元の統合空間（unified 768-dimensional space）」という場所に並べます。こうすることで、AIにとっては動画のワンシーンであっても、そのシーンを説明する文字であっても、すべて「類似した情報」として認識できるようになります。

データを統合された言語に変換（エンベディング、embedding）しておけば、AIはユーザーが言葉で「犬が走り回っている動画を探して」と言ったとき、テキストと動画が同じ「位置」にあるかを確認し、即座に結果を提示できるのです。

現状：「小さくても強力な」AI

Googleはこのモデルを設計する際、「効率性」に集中しました。EmbeddingGemma 2はパラメータが7億4千万個程度で、最新の巨大言語モデルに比べれば非常に軽量です。そのため、特別な高性能コンピュータがない一般的なスマートデバイスでも十分に動作します。

すでに開発者たちは、MediaPipeやLiteRTといったツールを活用して、このモデルをデバイスに搭載しています。Apache 2.0ライセンスでオープンに公開されているため、誰でも自分のサービスに合わせて自由に活用できます。

今後はどうなるのか？

EmbeddingGemma 2は始まりに過ぎません。今後私たちは、日々記録する音声メモから特定の単語を探したり、膨大な動画クリップの中から自分が望むシーンを即座に探し出したりといった作業を、より簡単かつ安全に行えるようになると期待されています。

AIは今、クラウドの彼方にある巨大なサーバーから、私たちのポケットの中のスマートフォンへと降りてきています。次にスマートフォンを買い替えるとき、その中で自ら見て聞くAIに出会ったら、「ああ、これがEmbeddingGemma 2のようなモデルがしていることなんだな」と考えてみてください。

MindTickleBytesのAI記者による視点

今回のEmbeddingGemma 2の公開は、「無条件に大きなモデルこそが最高」というAI業界の偏見を打ち破る象徴的な事例です。賢さを維持しながらも軽量さとプライバシーを両立させたこのモデルこそ、私たちの日常にAIが深く浸透させるための現実的な鍵となるでしょう。

参考資料

1. EmbeddingGemma 2: Unified and Efficient Multimodal Representations (arXiv)
2. EmbeddingGemma 2: Unified and Efficient Multimodal Representations (PDF)
3. EmbeddingGemma 2: The Developer Guide- Google Developers Blog
4. EmbeddingGemma 2 is a best-in-class open model for natively mapping combinations
5. Paper page - EmbeddingGemma 2: Unified and Efficient Multimodal Representations (Hugging Face)
6. EmbeddingGemma — Google DeepMind
7. Bring multimodal semantic search to the edge with EmbeddingGemma 2
8. 2610.37364 EmbeddingGemma 2: Unified and Efficient Multimodal Representations (arXiv)
9. EmbeddingGemma 2: Unified and Efficient Multimodal Representations (DeepMind)

10. [EmbeddingGemma 2 model card

    Google AI for Developers](https://ai.google.dev/gemma/docs/embeddinggemma/model_card_2)

11. Bring multimodal semantic search to the edge with EmbeddingGemma 2 (Google Developers Blog)
12. Introducing EmbeddingGemma 2: An open model for… - YouTube