Google「Gemini 4 Argon」を公開 ― Geminiアプリ、AI Studio、API、Antigravityで提供、社内では10万人のエンジニアが事前に検証
Google DeepMindのLogan Kilpatrick氏がホストを務める「Release Notes」に、Gemini 4 Argonのプロダクトとモデル開発の担当者4名が出演しました。公開日は番組内で「今日」と語られ、Geminiアプリ、AI Studio、クラウド上のGemini API、Antigravityで提供されます。番組では、ベンチマークの数値や価格は語られておらず、開発プロセスと使い心地が中心でした。投資家・ビジネスパーソンの視点で整理します。
なお、元の字幕は自動書き起こしで、発言者の表記がなく、固有名詞に誤認識が含まれる可能性があります。話者の特定は文脈からの推定です。
1. 公開に至るまで
1-1. 公開前の検証
出演者によると、ベンチマークの結果を公表したのは、約2週間前で、その後に次のような検証を進めました(以下、番組内の説明)。
サイバー防御:セキュリティ企業のWizと、「Scan For Good」というプログラムで協力し、重要なシステムの脆弱性の特定と修正を開始(字幕では別のプログラム名も出ていますが、不明瞭です)
企業・顧客:一部の企業に提供を始め、フィードバックを集めている
研究者:量子、ロボティクス、科学などの分野で検証
安全性:米国政府にモデルを提出してテストを受けたほか、自社のガードレールと監視体制を強化した
1-2. 社内の検証規模
出演者は、社内で10万人のエンジニアが使って検証したと述べました(別の関係者の発言の引用)。過去のどのモデルよりも多い、という趣旨です。社内でも3〜4週間にわたり検証したといいます。クラウド部門の営業チームも、主要な利用者層の一つだと紹介されました。
2. 「モデルがモデルを作る」開発サイクル
2-1. 速い更新サイクル
Sergey氏とみられる出演者は、Gemini 4の前にも、Flash 3.6、3.7、3.8と更新を重ね、「RSI(再帰的な自己改善)のトレッドミルに乗り始めた」と述べました。研究者とモデルが協力して次のモデルを作る形です。
3〜4週間のサイクルで、数週間ごとに候補が出る
3週間ごとに有望なものを昇格させる
この放送の時点で、社内では、すでに「数世代先」のモデルを使っている
2-2. 開発プロセスへのエージェントの導入
Argonの開発では、次のような作業にAIエージェントが加わったと説明されました。
大規模学習(ヒーローラン)の監視
設定ミスの指摘
報酬のスケールの確認とバグの発見・修正
データの重複の検出
また、ポストトレーニングの担当者は、以前は、「チップが欲しい」という要望が来ていたが、今は、「Argonのクエリ処理能力(QPS)が欲しい」と言われると述べました。データ生成や研究にモデルを使うため、モデルが次のバージョンを作る形に近づいているという説明です。
2-3. 実現した要因
Sergey氏は、2つの要因を挙げました。
自社のモデルで次の世代を作るため、更新サイクルを意図的に速くしたこと
Gemini 3から4への世代的な飛躍。「ブレークスルーは予定できない」と述べ、新しい技術が多く入っている
3. Argonの特徴
3-1. 文章品質:「AIスロップ」の排除
Josh氏とみられる出演者は、文章の質を重点に置いたと説明しました。
「AIスロップ」(定型的な言い回し、箇条書きの多用など)を減らし、簡潔で正確な文章にする
プロの書き手がモデルの出力に赤を入れ、それを基準データ(ゴールデン)にして改善した
他のモデルとは異なる、独自の文体を目指した
実際の使い方として、歩きながら口述した内容をArgonに渡し、「弱い点を3つ挙げて」「見落とした視点を3つ」と校正を頼む例や、手首の不調のため、話した内容を文章にまとめさせ、それを編集する例が紹介されました。
3-2. 長い出力(100万トークン)
Googleは、100万トークンの入力に続き、1回の出力で最大100万トークンに対応する点を挙げました。
対象:未解決問題や難しい数学など、長い推論が要る課題。コーディングのように途中で実行して確認する作業には、あまり向かない
説明:最大の推論レベル(番組では「high」)では、モデルが100万トークンまで出力できる。評価では、無視できない割合の試行が上限に達した。同氏は、競合モデルでは難しいと述べた(Google側の主張)
「単一ステップ」の意味:複数ステップの合計ではなく、1回の出力で100万トークンという意味
比喩:Sergey氏は、人間が毎秒数トークンで考えると仮定した場合、100万トークンは約1か月分の思考に相当すると述べた(出演者の概算)
出力上限が64Kだと、モデルは、能力があっても途中で止まらざるを得ません。上限を広げることで、高い推論レベルの力を引き出す、という説明です。
3-3. 振る舞い:粘り強さと透明性
Tulsee氏とみられる出演者は、次の調整を説明しました。
粘り強さ:長い作業をやり遂げる傾向を強めた。ただし、曖昧な点では確認を取るバランスも意識している。確認しすぎると、使いにくいため
透明性:何をしているかをモデル自身が適度に伝える。詳しすぎず、何も言わないのでもない状態を目指す
評価方法:Googleの社員の意見を、Argonで集計し、ライブ実験で、社員の暗黙のシグナル(停止ボタンを押す頻度など)を測定した
思考の過程(thought trace)の表示も、実験の対象でした。新しいモデルでは、詳しい思考の表示が好まれ、信頼が高まるにつれて見られなくなる傾向があるといいます。API向けには、より簡潔な「思考の要約」を新たに提供するとも述べられました。
4. 社内での使われ方
番組で紹介された例は次のとおりです。
Chromiumチームが作業に活用。Gemmaの最適化や、性能改善にも使われた
Antigravityのチームが、外部のFortranコードをRustへ移行する用途に使用
ハードウェアの不具合:大規模学習中に、機械が不正な状態になる原因不明の問題が長く続いていた。エンジニアが、Argonに投げたところ、実際のハードウェアの問題を指摘し、ハードウェアチームとの確認でベンダー側の破損メモリ(字幕では「HPM」。HBMとみられる)が見つかった。これにより、同ベンダーの機械を特定し、運用から外せるようになった。エラー訂正(ECC)では検知できなかったため、原因を特定できずにいたという
親がArgonに、子どもに読み方を教えるアプリを作らせた例。幼児教育の理論を調べ、それを組み込んだアプリを作り、公開まで進めた
学習データの誤りを、反例を示して自ら訂正した例(数学の定理の証明など)
Minecraft風のゲームを2回の指示で作る例。1回目で見た目、2回目で奥行きとUIを追加した
5. 出力をどう検証するか
ホストは、Argonで作った調査結果を人から送られる場面が増え、疑いが強まっているとして、助言を求めました。出演者の回答は次のとおりです。
Argonは、主張を誇張せず、迎合的でもない。捏造もしない。ただし、誤解はあり得る
AIの出力でも人の主張でも、懐疑は必要。AIに検証させるのも有効で、同じモデルでも別のモデルでもよい(出演者は、AIは自分の出力に執着しないと述べた)
社内では複数のモデルで、異なる意見を得ている
コードレビューなど、ボトルネックが変わりつつある。出力を受け取ったときは、プロンプトを共有してもらい、一緒に改善する
出力を鵜呑みにせず、自分で読み、疑問を持ち、もう一度反復する。「思考を外注しない」ことが重要
