Gemini Embedding 2：真の統一マルチモーダルAIの夜明け

誰も語りたがらなかった問題

長年、AIの世界はある気まずい事実を静かに受け入れてきました。埋め込みモデルは、実世界においては根本的に破綻していたのです。テキスト用のモデル、画像用の別のモデル、そして音声用のさらに別のモデルがあり、それらを「対話」させたいなら、比喩的なガムテープでパイプラインをつなぎ合わせるしかありませんでした。ベクトルはそれぞれ異なる空間に存在し、異なる目的で学習されており、それらを比較することは、摂氏温度をものさしで測るようなものでした。

Googleはこの古い脚本を完全に破り捨てました。Gemini Embedding 2——Gemini APIとVertex AI経由でパブリックプレビューとしてリリースされた——は、Googleが初めて開発したネイティブなマルチモーダル埋め込みモデルです。後からモダリティをつなぎ合わせるのではなく、テキスト、画像、動画、音声、文書をすべて第一級の存在として理解するよう、Gemini基盤の上に最初から設計され、すべてを単一の統一されたベクトル空間にマッピングします。

埋め込みモデルとは正確には何か？（なぜ気にするべきなのか？）

Gemini Embedding 2の特別な点に踏み込む前に、まず基礎を確認しておきましょう。埋め込みモデルは、文章、写真、ポッドキャストの一節といった生のコンテンツを取り込み、ベクトルと呼ばれる長い数字の並びに変換します。この数字は、高次元の地図上の座標のように機能します。

これを、書籍がデューイ十進分類法ではなく意味によって並べられている魔法の図書館だと考えてみてください。スティーブ・ジョブズの伝記は部屋を飛び越えて、Macintoshの技術マニュアルの隣に着地します。夕日を描いた詩は、太平洋沿岸の写真集の方へ漂っていきます。それが埋め込みの働き方です——形式ではなく意味的な本質によって情報を整理するのです。

この見えない技術が支えているもの：

• 検索エンジン —— キーワードだけでなく意図に基づいて結果を見つける
• レコメンデーションシステム —— Netflixがあなたがそのマイナーなドキュメンタリーを好きになると知っている
• エンタープライズRAG —— 回答する前に実際に社内のPDFを読むAIアシスタント

Gemini Embedding 2が本物の飛躍である理由

1. ネイティブなマルチモーダル——パッチワークではない

ここではネイティブという言葉が大きな意味を持っており、注目に値します。これまでの「マルチモーダル」な埋め込みソリューションは、しばしばCLIPスタイルのハイブリッドでした——テキストモデルとビジョンモデルを個別に学習し、後から投影層で位置合わせするというものです。その接合部の痕跡は隠せませんでした。

Gemini Embedding 2の構築方法は異なります。Gemini アーキテクチャの最高クラスのマルチモーダル理解能力を活用し、以下のモダリティにわたって埋め込みを生成します：

音声への対応は特に目を引きます。「音声を処理する」とされる多くのシステムは、実際にはまず音声をテキストに書き起こしてから埋め込みを行うだけです。Gemini Embedding 2は音声を音として理解します——文字起こしでは失われるニュアンス、トーン、文脈を捉えます。

2. インターリーブされたマルチモーダル入力

ここからが本当に興奮するところです。ヴィンテージカーの画像と「エンジンの種類は何ですか？」というテキストの両方を含むリクエストを送信できます——そしてモデルはそれらを別々に処理するのではなく、単一の統一された概念として扱います。意味は、あなたが見たものとあなたが言ったことの交差点に存在します。

これにより、これまで不可能だったクロスモーダル検索が可能になります：

• テキストクエリを使って動画の特定の場面を見つける
• 画像を使って一致するPDF文書を検索する
• 音声クリップを使って関連する画像を表示する

3. マトリョーシカ表現学習（MRL）

ロシアの入れ子人形にちなんで名付けられたMRLは、埋め込みの次元を動的に縮小することで情報を「入れ子」にする技術です。デフォルトの出力は3,072次元ですが、開発者は1,536次元や768次元に縮小することもでき、わずかな品質の低下と引き換えに、ストレージと検索速度で大きな節約を実現できます。

4. 主張を裏付けるパフォーマンス

Gemini Embedding 2は、マルチモーダル対応を約束するだけでなく、測定可能なベンチマーク改善をもたらします。テキスト、画像、動画のタスクで主要モデルを上回り、新たな基準を打ち立てる強力な音声機能も導入しています。企業にとっては、早期アクセスパートナーが従来の複数パイプライン方式と比較して、最大70%のレイテンシ削減を報告しています。

実際の応用：実際に何を構築できるのか？

実用的な影響は広範囲にわたります。開発者たちは既に以下のことを探求しています：

• 画像マッチングと顔検索 —— カスタムCNNを学習させることなく、Gemini Embedding 2を純粋なセマンティック特徴抽出器として使用し、人物識別システムを構築
• マルチモーダルRAGパイプライン —— エンタープライズAIアシスタントが、単一の検索ステップで混合形式の知識ベース（PDF、動画、画像）を推論できるようにする
• クロスモーダルなセマンティック検索 —— テキストの説明で動画アーカイブを検索したり、画像をクエリとして文書を見つけたりする
• 感情分析とデータクラスタリング —— 形式を横断してトピックやトーンによって多様なメディアをグループ化する

最良の点は？カスタムの学習パイプラインは不要です。手間のかかるアノテーション作業も不要です。必要なのはAPIとあなたのデータ、そしてコサイン類似度だけです。

始め方

Gemini Embedding 2は現在、以下を通じてパブリックプレビューとして利用可能です：

• Gemini APIとGoogle AI Studio
• エンタープライズワークロード向けのVertex AI
• LangChain、LlamaIndex、Haystack、Weaviate、QDrant、ChromaDB、およびVector Searchとの統合

APIの一例をご紹介します：

from google import genai
from google.genai import types

client = genai.Client()

with open("example.png", "rb") as f:
    image_bytes = f.read()

result = client.models.embed_content(
    model="gemini-embedding-2-preview",
    contents=[
        "Describe the mood of this image",
        types.Part.from_bytes(data=image_bytes, mime_type="image/png"),
    ],
)

print(result.embeddings)

より大きな視点

埋め込みの歴史は、1950年代の言語学者ジョン・ルパート・ファースに始まり、2013年のGoogleによるWord2Vec革命を経て、今日OpenAI、Cohere、Googleがそろって次の標準を定めようと競争を繰り広げる時代にまで続いています。

しかしGemini Embedding 2は、テキストの精度がわずかに向上したというだけではなく、問いそのものを再定義しているという意味で、まさに真の転換点だと感じられます。かつての問いは「このテキストをどう埋め込むか？」でした。新しい問いは「この世界をどう埋め込むか？」です。企業や生活の中に実際に存在する多様で混沌としたマルチモーダルデータに意味をもたらすことで、Gemini Embedding 2は、AIシステムが人間と同じ方法で世界を理解する基盤を提供します——テキスト、画像、音を別々のストリームとしてではなく、ひとつの相互に結びついた、意味のある全体として。