Googleの Gemma 4: あなたのスマートフォンの新しい頭脳

強力でプライベートなAIを私たちのポケットに直接組み込む競争は、新たな激しさに達しました。業界全体での推進により、スマートフォンから IoT devices まで、あらゆるものに高度でオフライン対応のインテリジェンスが求められており、プライバシーの確保、レイテンシーの最小化、クラウドに依存しない機能性の保証が図られています。オンデバイスAIの優位性を巡るこの熱烈な競争は、今や大きな衝撃を受けました。

Googleは、高性能オフライン使用のために設計された真のオープンソースシリーズである Gemma 4 の発表なしのリリースにより、この戦いを劇的にエスカレートさせました。 E2B や E4B のような特殊なエッジバージョンを特徴とし、わずか23億のパラメーターで、Gemma 4 は iPhones、Android flagships、そして Raspberry Pis を含む消費者向けハードウェア上で完全に動作するように設計されています。この動きは、最近ローカルAIの限界を押し広げた Qwen 3.5 のような確立された競合他社に挑戦し、小規模モデルの状況を直接的に混乱させます。

決定的に重要なこととして、Googleは Gemma 4 を Apache 2.0 license の下でリリースしました。これは、真のオープンソース開発へのコミットメントを強調する極めて重要な選択です。このライセンスは、開発者と商業団体に Gemma 4 を統合、変更、配布する比類のない自由を与え、企業導入への一般的な障壁を取り除き、多様なアプリケーション全体で広範なイノベーションを促進します。

Gemma 4 の核となる革新は、その独自の Per-embedding layers (PLE) アーキテクチャにあり、単純なパラメーター数を超えた重要な技術的転換を示しています。単一の embedding がすべての層にわたってすべての意味を伝える必要がある従来のトランスフォーマーとは異なり、PLE は各層が必要なときに正確に新しい情報を導入することを可能にします。このアプローチは、エッジモデルの新しい主要な指標である intelligence density を定義します。例えば、 E2B モデルは、推論中に23億のアクティブパラメーターしか使用しないにもかかわらず、50億パラメーターモデルの推論深度を達成します。これにより、大幅に高い intelligence density が実現され、1.5ギガバイト未満のRAMで複雑なロジックが可能になり、リソースが限られたデバイスでも高度なAIが実現可能になります。

従来のトランスフォーマーアーキテクチャでは、単一の embedding layer が、ネットワークを通るトークンの旅の非常に初期段階でその意味を定義します。この初期の埋め込みは、その後のすべての処理層にわたって、すべての文脈情報と意味的なニュアンスを厳密に伝える必要があります。モデルが多くの段階を経て進行するにつれて、この静的な表現は、進化する文脈に適応するのにしばしば苦労し、その推論の深さと柔軟性を制限する可能性があります。

Googleの Gemma 4 は、その画期的な Per-embedding layers (PLE) によってこのパラダイムを打ち破ります。従来のシステムとは異なり、Gemma 4 はモデル内の *各* 個々の層に異なる埋め込みのセットを割り当てます。この革新的な設計により、モデルは最も重要な瞬間と場所で正確に情報を動的に導入、更新、洗練することができ、複雑なデータを処理する能力を大幅に向上させます。

このアーキテクチャの独創性は、「Effective Parameters」というコンセプトに直接つながります。これは、GemmaのE2BおよびE4Bモデルの名称にある「E」が示す主要な差別化要因です。例えば、E4Bモデルは推論時に約23億のパラメーターしかアクティブにしませんが、はるかに大規模な50億パラメーターモデルに特徴的な推論の深さと洗練された理解力で動作します。この効率性により、Gemma 4は前例のないインテリジェンス密度を達成し、エッジ展開に不可欠なコンパクトなフットプリントから高いパフォーマンスを提供します。

このようなインテリジェンス密度は、オンデバイスAI展開において計り知れない現実世界でのメリットをもたらします。Gemma 4モデルは、複雑な論理演算を実行し、複雑な推論タスクを驚くべき効率で処理でき、消費するメモリは著しく少なくなります。具体的には、E4Bモデルは1.5ギガバイト未満のRAMしか必要とせず、クラウドに依存することなく、iPhone、Androidフラッグシップフォン、Raspberry Piボードのようなリソースが限られたエッジデバイス上で、強力でプライベートなAI体験を直接可能にします。

小規模なモデルは、無限ループ、論理的矛盾、そして明白な事実誤認といった、フラストレーションのたまる落とし穴に頻繁に陥ります。GoogleのGemma 4は、このような一般的な失敗を防ぐために設計された革新的なThinking Modeで、これらの問題に正面から取り組みます。モデルの統合アーキテクチャにネイティブに組み込まれたこの機能は、リソースが限られたエッジデバイスで複雑なクエリを処理する際に、コンパクトなAIによく見られる不安定さに直接対処します。

Thinking Modeは、内部の推論チェーンを活性化することで動作します。最終的な出力を生成する前に、モデルは自身のロジックを積極的に検証し、本質的に問題を段階的に「考える」ことで解決します。この自己修正メカニズムは、その埋め込み層全体で情報を処理し、Gemma 4の応答の信頼性を大幅に向上させ、オンデバイスAI運用にとって極めて重要な改善となります。

ユーザーは、この強化された内部熟考からすぐに恩恵を受けます。Thinking Modeは劇的に改善します： - 多くの小規模言語モデルに固有のハルシネーションを減らす、事実の正確性。 - 複雑な多段階タスクにおける一貫性を保ち、フラストレーションのたまる行き詰まりや無関係な出力を防ぎます。 - 全体的な信頼性により、Gemma 4はあなたのポケットの中でより信頼でき、頼りになるアシスタントになります。

開発者は、この強力な機能を簡単に制御できます。Thinking Modeをアクティブにするには、システムプロンプト内に埋め込まれたシンプルなコントロールトークンのみが必要であり、重要なアプリケーションのためにモデルの自己検証を活用する正確な方法を提供します。この設計選択は、Gemma 4が開発者の利便性と堅牢なパフォーマンスに焦点を当てていることを強調しており、公式のGoogleブログでさらに詳しく説明されています：Gemma 4: Our most capable open models to date - Google Blog

GoogleのGemma 4は、エッジAIに対する期待を根本的に再定義するベンチマーク結果を携えて登場しました。コンパクトなE4Bモデルは、AIME 2026数学ベンチマークで驚異的な42.5%を達成しました。このスコアは、はるかに大規模な前世代モデルの2倍以上のパフォーマンスを示しており、オンデバイスの計算推論における大きな飛躍を意味します。このような効率性は、「Effective Parameters」アーキテクチャに由来します。E4Bモデルは、控えめなアクティブパラメーター数にもかかわらず、通常50億パラメーターモデルに関連付けられる推論の深さで動作し、1.5 GB未満のRAMしか消費しません。このインテリジェンス密度は、Qwen 3.5のような競合他社を凌駕しています。

生の学術的実力にとどまらず、Gemma 4は優れたエージェント的潜在能力を発揮しました。T2ベンチマークでは、ツール使用の精度が大幅に向上し、複雑な多段階ワークフローに対応する能力を示しました。ネイティブな関数呼び出しによって強化された「Agent Skills」機能は、モデルが外部システムと動的に対話することを可能にします。例えば、Wikipediaからライブデータを照会したり、エンドツーエンドのウィジェットを構築したりするなどです。このツール使用の深い統合は、モデルの初期段階から組み込まれており、広範なプロンプトエンジニアリングの必要性を大幅に削減し、高度なアクションをオフラインで利用可能にしています。

これらの驚くべき数値は、制約のあるハードウェア上での高度な数学、洗練されたコーディング、複雑な問題解決の状況を大きく変えます。これまでの小型モデルは、論理と一貫性に苦戦することがよくありましたが、Gemma 4の「Thinking Mode」と革新的な埋め込み層アーキテクチャは、無限ループや論理エラーといった一般的な落とし穴を積極的に防ぎます。小型モデルとしては堅牢な128Kのコンテキストウィンドウと140以上の言語サポートにより、Gemma 4は単に速いだけでなく、飛躍的に高性能です。この一連の機能により、Gemma 4はあなたのスマートフォンにとって変革をもたらす頭脳となり、これまでは不可能だったタスクをオフラインで、前例のない信頼性と知能密度で処理する準備ができており、真に強力なAIをあなたのポケットにもたらします。

実世界のコーディング課題を開始し、Gemma 4をローカルの試練にかけました。このテストでは、HTML、CSS、JavaScriptを含む完全なカフェのウェブサイトを、完全にオフラインで生成しました。この厳密な評価は、競合する小型モデルの以前のベンチマークを反映し、LM Studioを使用してM2 MacBook Proで実行されました。

GoogleのE2Bモデルは、23億のアクティブパラメータを持ち、約1.5分でタスクを処理しました。しかし、その出力は期待外れでした。モデルは内部タスクリストをHTMLファイルとCSSファイルの両方に追加し、ページレンダリング前に手動でのクリーンアップが必要でした。

さらに重要なことに、JavaScriptファイルを生成すると主張していたにもかかわらず、最終出力には何も現れませんでした。この根本的な欠落により、主要なインタラクティブ要素が不可能になり、実用的なウェブ開発におけるコード生成の重大な限界を浮き彫りにしました。

より高性能なE4Bモデルに切り替えると、結果は劇的に改善しました。約3.5分と時間はかかりましたが、このバージョンは「著しく優れた」結果をもたらしました。決定的に重要なのは、E4Bが動作するカート機能の実装に成功したことです。これは、以前のQwenのイテレーションを含む、このテストシリーズにおける小型モデルとしては初めてのことでした。

デザインは「非常に平凡」なままでしたが、機能するJavaScriptの存在はE4Bの能力における質的な飛躍を示しました。これは単に静的なマークアップを生成するだけではなく、大きな一歩であり、実用的なアプリケーションにおける知能密度の向上を証明しました。

Gemma 4のパフォーマンスとQwen 3.5の以前の試みを直接比較すると、明確なトレードオフが明らかになります。Qwen 3.5は、0.8億パラメータという小型モデルを使用し、以前は「かなりまともな」静的ウェブサイト生成を提供しており、初期のコード品質とクリーンさにおいてGemmaのE2Bを上回っていました。

しかし、Qwen 3.5はGemma E4Bの動作するカートのような動的なインタラクティブ性を実現することはありませんでした。Gemma E4Bはより多くの推論時間を必要とし、依然として基本的な美学しか生み出しませんでしたが、ショッピングカートのような複雑な機能に対して機能するJavaScriptを生成するその能力は、オフラインの小型モデルのコーディング能力に新たな基準を打ち立てます。

最終的に、これらのテストは、小規模モデルが依然として本格的で複雑なコーディングプロジェクトには適していない一方で、Gemma 4のE4Bバリアントが目覚ましい進歩を示していることを確認しました。これは、パラメータ数の増加とアーキテクチャの革新のバランスを取り、ローカルでオフラインのAIコード生成で達成可能なことの限界を押し広げています。

iPhone 14 ProでのGemma 4のパフォーマンスは、本当に印象的でした。GoogleのAI edge Galleryアプリ内で実行されたE2B modelは、驚くべき速度で応答を返し、直接比較でQwen 3.5を大幅に上回りました。モバイルチップ上でもこの高速な推論は、Googleの基盤となるLiteRT-LMフレームワークの最適化能力を示唆しており、デバイスリソースをいかに効率的に利用しているかを実証しています。

古典的な「洗車」論理パズルでモデルをテストしたところ、その推論についてより深い洞察が得られました。Gemma 4は「運転する」と正しく助言しましたが、その前に非常に長く慎重な説明を付け加えました。この冗長な出力は、モデルの「思考モード」が積極的に熟考し、微妙な状況では簡潔さよりも徹底性を優先していることを示唆しています。正解ではあるものの、この慎重さは独特の推論スタイルを明らかにしており、小規模モデルをしばしば悩ませる無限ループや論理エラーを避けるために過剰に補償している可能性があります。

しかし、このパワーをカスタムiOSアプリケーションにもたらすことは、より広範な開発者コミュニティにとって即座の課題を提示します。Gemma 4用の公式MLX bindingsは現在利用できず、開発者がモデルをSwiftのMLXフレームワークと直接統合してネイティブのMetal GPUを活用することを制限しています。この制限は、今のところ、Gemma 4の印象的なマルチモーダル機能がGoogleの特定のアプリ以外では容易にアクセスできないことを意味し、特注のiOSソリューションへの広範な採用を妨げています。

将来の統合は、より広範なフレームワークサポートとコミュニティの取り組みにかかっています。GoogleのLiteRT-LMフレームワークは、内部使用には強力ですが、現在、一般的な開発者向けの直接的なiOS bindingsが不足しています。これは、Gemma 4で構築したいと熱望する独立開発者にとってボトルネックとなります。幸いにも、SwiftLMのようなコミュニティプロジェクトがすでに登場しており、必要な橋渡しを行い、ネイティブサポートを提供しようとしています。これらの取り組みは、Gemma 4の可能性を最大限に引き出し、すべてのモバイル開発者が高度なプライベートAIをアプリケーションに直接組み込めるようにするために不可欠です。モデルのアーキテクチャと機能、効果的なパラメータと推論の深さに関する詳細な技術情報については、Gemma 4 model card | Google AI for Developersを参照してください。

Gemma 4はネイティブマルチモーダリティを誇り、これはビジョンやオーディオが単なる後付け機能であるモデルとは決定的に異なります。このアーキテクチャは、ビジョン、テキスト、さらにはオーディオ入力を同じ統合されたシステム内で処理します。これにより、異なるデータタイプ間でより一貫性のある統合された理解が生まれ、真にインテリジェントなオンデバイスAIにとって不可欠です。

この機能をテストするため、GoogleのAI edge Galleryアプリを介してiPhone 14 Proでライブ実行されているE2B modelは、ビジョンチャレンジに直面しました。犬の画像が提示されると、モデルは動物を正しく識別し、一般的な物体認識の強力な理解を示しました。この基本的な能力は、数え切れないほどの現実世界のアプリケーションにとって非常に価値があります。

しかし、モデルのパフォーマンスは、詳細に関しては完璧ではありませんでした。犬を認識したものの、犬種を誤認し、CorgiをBorder Collieと呼びました。これは、Gemma 4の視覚的理解が23億パラメータにしては印象的であるものの、より細かい区別は小規模モデルにおける改善のフロンティアであることを示しています。

次に、要求の厳しいLatin OCR（光学文字認識）テストが、モデルのマルチモーダルな限界を押し広げました。E2B modelは、言語をラテン語と正しく識別しただけでなく、テキストの大部分をわずかな文法上の不正確さで転写しました。これは、128Kのコンテキストウィンドウと140以上の言語のサポートによって可能になった、その堅牢な言語サポートと文脈認識を強調しています。

画像から、挑戦的で一般的ではない言語をこのように成功裏に転写することは、エッジモデルにとって重要な偉業です。これは、テキストを含む複雑な視覚情報を処理するGemma 4の高度な能力を強調しています。

全体として、23億パラメータのエッジモデルとしては、Gemma 4のネイティブビジョンとOCRのパフォーマンスは、非常に印象的です。その統合されたアーキテクチャと「実効パラメータ」の効率的な使用により、幅広い現実世界のオンデバイスタスクで非常に有用なレベルのマルチモーダル理解が可能になります。このレベルのインテリジェンスがローカルで利用可能になることで、モバイルAIの未来は著しく明るくなります。

Gemma 4の140以上の言語をサポートするという野心的な約束は、グローバルなアクセシビリティにとって重要なツールとして位置づけられ、英語中心のAIからパラダイムを根本的に転換させます。この広範な言語範囲は、完全にオンデバイスで処理され、言語と接続性の固有の障壁を取り除くことで、世界中のユーザーに力を与えます。これは、真に包括的な人工知能に向けた重要な一歩です。

この大胆な主張を厳密に検証するため、私たちはE4B modelに対し、一般的ではなく文法的に複雑な言語であるラテン語でのライブ会話で挑戦しました。モデルは私たちのプロンプトを明確に理解し、文脈に沿った応答を生成しました。これはエッジデバイスにとってそれ自体が偉業です。しかし、その出力は時折奇妙な文法構造を示し、意味的な意図は理解しているものの、ラテン語の構文のより細かいニュアンスにはまだ改善が必要であることを示唆しています。

これらの奇妙な構造にもかかわらず、この成果は、完全にオフラインで動作する小型のローカルモデルにとって、まさに記念碑的なものです。日常のAIインタラクションではめったに遭遇せず、決して高リソース言語ではないラテン語で、クラウドアシスタンスに一切頼ることなく対話し応答するその能力は、Gemma 4の驚くべきintelligence densityを強調しています。このパフォーマンスは、その斬新なパーエンベディング層アーキテクチャの効率性を検証し、最小限のリソース制約内で複雑な言語処理を可能にします。

このオンデバイス多言語機能は、ローカライズされたプライバシーファーストのアプリケーションの未来に計り知れない影響を与えます。開発者は、あまり知られていない方言から主要なグローバル言語まで、無数の言語的文脈に合わせて深くパーソナライズされたエクスペリエンスを作成する力を得ます。決定的に重要なのは、これにより、機密性の高い会話コンテンツを含むユーザーデータが、外部サーバーやサードパーティの翻訳APIから解放され、デバイス上に安全に保持されることです。真にプライベートなオフライン言語アシスタンス、リアルタイムのローカル翻訳、またはインターネット接続なしでどこでもアクセスできる教育ツールを想像してみてください。この機能は高度なAIを民主化し、何十億もの人々にとってアクセス可能で安全なものにします。

Gemma 4は、単なるテキスト生成を超え、オンデバイスAIにおける真のagentic workflowsの時代を切り開きます。このモデルは単なる洗練されたチャットボットではなく、多段階のタスクを通じて積極的に計画、実行、適応するように設計されており、ユーザーがローカルインテリジェンスと対話する方法を根本的に変えます。これは、主に一貫性のあるテキスト応答の生成に焦点を当てていた従来のlarge language modelsからの大きな飛躍を意味します。

この機能の中心にあるのは、Gemma 4に統合されたAgent Skillsとnative function callingです。これらの機能は外部プラグインではなく、モデルのアーキテクチャに最初から直接組み込まれており、その推論プロセスに本質的なものとなっています。この深い統合により、モデルは、Web検索やローカルデバイス機能などの外部ツールやAPIと、広範な手動介入なしに、いつ、どのように正確に連携するかを理解できます。

この本質的な設計により、複雑なAIアプリケーションの構築に通常伴うオーバーヘッドが大幅に削減されます。開発者は、モデルがタスクを調整する固有の能力に頼ることができ、複雑な指示や連鎖的なプロンプトの必要性を最小限に抑えます。モデル自体が最適な行動シーケンスを決定し、情報を処理し、ユーザーの目標を達成するために動的に意思決定を行います。

実用的なアプリケーションは、このパラダイムシフトを浮き彫りにします。Gemma 4は、Wikipediaからライブで最新のデータを照会し、その情報を使用してインタラクティブなウィジェットを構築するなど、複雑な多段階操作を実行できます。このモデルは、T2 benchでそのagenticな可能性を実証し、ツール使用の精度が大幅に向上したことを示しました。これは、動的な情報と複雑なロジックを処理する能力の証です。

この機能は、新しいクラスのインタラクティブなオンデバイスアプリケーションを解き放ち、スマートフォンをインテリジェントなコンパニオンに変えます。質問に答えるだけでなく、積極的に調査を行い、情報を集約し、さらにはリクエストに基づいてシンプルなインターフェースを構築する、携帯電話上のAIアシスタントを想像してみてください。Gemma 4のintelligent densityによって強化されたこのレベルの自律性は、モバイルAI体験を変革します。より深い技術的洞察については、Announcing Gemma 4 in the AICore Developer Preview - Android Developers Blogをご覧ください。

Gemma 4は、当社の厳格なテストから、急速に進化するエッジAIの分野において手ごわい競争相手として浮上しました。E4BモデルのAIME 2026数学ベンチマークで驚異的な42.5%のスコアを記録し、ネイティブなLatin OCRの成功を含む140以上の言語を強力にサポートしていることからもわかるように、複雑な推論と多言語能力において卓越した能力を発揮します。しかし、ローカルWeb開発のようなクリエイティブなタスクでは明確な弱点が明らかになりました。E2Bモデルは基本的なHTML/CSS/JavaScriptの生成に苦戦し、コードファイルに余分なタスクリストを付加することさえありました。一方、E4Bバージョンは改善されたものの、技術的には機能するカートであるにもかかわらず、依然として平凡なデザインでした。

Googleの革新的なPer-embedding layersアーキテクチャは、intelligence densityにおけるパラダイムシフトをもたらします。この画期的な設計により、E2BなどのGemma 4モデルは、推論時にわずか23億のアクティブパラメータと1.5GB未満のRAMしか消費しないにもかかわらず、通常50億パラメータモデルに関連付けられる推論深度を達成できます。この比類のない効率性はGemma 4の最も重要な利点であり、iPhone 14 ProやRaspberry Piのような制約のあるエッジデバイスで、計算能力を損なうことなく、またはクラウド接続を必要とせずに、高度で高性能なAIを完全にオフラインで実行することを可能にします。

以前の王者であるQwen 3.5とGemma 4を比較すると、明確な勝利の道筋が見えてきます。Qwen 3.5が基本的なコーディングで能力を示したのに対し、Gemma 4のE4Bモデルは、以前のモデルが失敗した動作するショッピングカートのような機能の実装においてそれを上回りました。モバイルデバイスでは、Gemma 4はGoogleのAI Edge Galleryアプリを使用したiPhone 14 Proで優れた推論速度を示し、Qwen 3.5よりも著しく速く応答しました。これは、最適化されたLiteRT-LMフレームワークによるものと考えられます。さらに、Gemma 4のネイティブなマルチモダリティと「Thinking Mode」は、内部の推論チェーンを通じて無限ループや論理エラーといった一般的な小規模モデルの落とし穴を積極的に軽減することで、その信頼性を高めています。

この真にオープンソースで高性能なエッジモデルは、オンデバイスAIへの期待を再定義し、前例のない能力とプライバシーの未来を約束します。Gemma 4の堅牢なエージェントスキルと、多段階ワークフローのためのネイティブな関数呼び出しは、次世代モバイルアプリケーションの開発を間違いなく加速させ、深くパーソナライズされたAIアシスタントを可能にし、高度でプライベートなインテリジェンスでIoTデバイスを変革するでしょう。140言語にわたるリアルタイムのオフライン言語翻訳、洗練されたオンデバイスデータ分析、または複雑なエージェントワークフローがポケットから直接実行されることを想像してみてください。Gemma 4は単なる新しいモデルではありません。それは、すべての人にとって遍在し、強力で、プライベートな人工知能への基礎的な一歩です。

GoogleのGemma 4とは何ですか？

Gemma 4は、Googleの最新のオープンソースAIモデルファミリーであり、スマートフォンやラップトップなどのデバイスでオフラインで効率的に動作するように設計された、特殊な「エッジ」バージョン（E2BやE4Bなど）を特徴としています。

Gemma 4のアーキテクチャをユニークにしているのは何ですか？

Gemma 4は、新しい「Per-Layer Embeddings」（PLE）アーキテクチャを使用しており、これにより、より少ないアクティブパラメータで大規模モデルの推論深度を持つことができます。これは、より高い「インテリジェンス密度」と低いメモリ使用量をもたらします。

Gemma 4は本当にオープンソースですか？

はい、Gemma 4はApache 2.0 licenseの下でリリースされており、これは商用および研究目的での自由な利用を許可する寛容なライセンスです。これにより、真にオープンソースのモデルとなっています。

Gemma 4は画像と音声を理解できますか？

はい、Gemma 4はネイティブにマルチモーダルです。すべてのモデルがテキストと画像を処理でき、より小型のE2BおよびE4Bモデルは、ネイティブの音声入力も処理するように特別に設計されています。