Webベースの開発者ツール「Google AI Studio」およびGeminiを利用するためのAPI（アプリケーションプログラミングインタフェース）「Gemini API」において、「Gemini 2.0 Flash」の試験運用版が利用可能だ。

　Gemini 2.0の大きな特徴は、マルチモーダル機能が大幅に強化されたことだ。マルチモーダル機能によってテキストだけでなく、画像や音声といった多様なデータ形式を理解および出力できる。テキスト出力のみができる従来のAIモデルよりも大きく進化したと言える。

　加えて、Gemini 2.0は新しいAPI（アプリケーションプログラミングインタフェース）「Multimodal Live API」を提供する。これにより、テキスト以外にも音声や動画を用いてAIモデルとやりとりできる。ユーザーがタスクを伝えると、どのツールを使うべきか、どのタイミングで使用すべきかを自動で判断してくれる機能も備える。

　Googleの関係者によると、Gemini 2.0 Flashはさまざまなベンチマークで従来モデル「Gemini 1.5 Flash」「Gemini 1.5 Pro」より高い評価を獲得しており、処理速度はおよそ2倍に達しているという。もしGemini 2.0がGemini 1.5と同様のロードマップをたどる場合、将来的により高性能なバージョンである「Gemini 2.0 Pro」が登場する可能性がある。

　2025年1月時点で、GoogleはGemini 2.0 Flashの価格を公表していない。ストラウス氏は、これまでのGemini 1.5の提供形態を踏まえ、Gemini 2.0 Flashは将来的に無料で利用可能になると予測する。

「Gemini 2.0 Flash」の“進化”とは

　「注目すべきは、Flashモデルに重点が置かれている点だ」。こう話すのは、Web開発ツールベンダーPantheon Systemsで最高技術責任者（CTO）を務めるデービッド・ストロース氏だ。これまでAIモデルの開発では、性能や能力の限界を追求する最先端モデルに焦点が当てられてきた。しかし、そうしたAIモデルは非効率で実用性に乏しいケースも少なくなく、企業における大規模運用向けではなかったという。

　一方、Flashバージョンは高速かつ軽量で扱いやすいのが特徴だ。この特性から、Gemini 2.0 Flashを試すことに意欲的なユーザーは一定数存在するという。

　例えばGemini 2.0 Flashでは、「音声のコマンドに対し、テキストや画像、動画を組み合わせて出力するマルチモーダルアシスタントの開発」が可能だ。加えて、これらの出力は調整可能（Steerable）であり、開発者はAIモデルと自然言語で対話することを通して、必要に応じて生成内容を改良できる。Googleは2024年12月の記者発表会で、Gemini 2.0 Flashがテキストと画像を用いて料理のレシピを生成するデモンストレーションを披露している。

　調査会社Constellation Researchでアナリストを務めるアンディー・スライ氏は、「マルチモーダルLLMは、市場ではまだ比較的少ない」と指摘する。近年の生成AI市場では、タスクに応じて最適なLLMを使い分けるルーティング（切り替え）機能を提供するツールが一般的だ。例えば、音声処理には音声専用のモデル、画像処理には画像専用のAIモデルを使い分けることができる。一方で、安全性や透明性、出力の一貫性といった観点から、単一のAIモデルを使用したいと考える企業は少なくない。こうした企業にとって、Gemini 2.0は非常に強力な選択肢となる。

　次回は、自律的にタスクを実行できる「AIエージェント」の視点からGemini 2.0を考察する。