写真も録音も、端末の中で探す。Google「EmbeddingGemma 2」が描く検索の次
「あの会議で見せた図」「旅行中に撮った赤い看板」「録音の中で話した店の名前」。探したいものは分かっているのに、ファイル名は思い出せない。私たちの手元には写真、動画、音声、文章が増え続けているが、それらを横断して探す仕組みはまだ十分に身近ではない。
Google DeepMindが10月6日に公開した「EmbeddingGemma 2」は、この検索の土台を端末上で動かすためのオープンなモデルだ。文章やコード、画像、動画、音声を共通の数値表現に変える。たとえば短い文章を入力して、意味の近い写真や動画の場面を見つける用途を想定している。
「答えを書くAI」より手前にある仕事
EmbeddingGemma 2が直接つくるのは、回答文や画像ではない。情報の意味を表す「埋め込みベクトル」だ。検索語と保存済みのデータをそれぞれ数値に変え、近さを比べることで候補を絞る。生成AIが答える前に、参照すべき資料を探すRAGにも使える。
今回の特徴は、異なる形式を一つのモデルで扱う点にある。総パラメータ数は7億4000万。文章だけなら2億7000万の構成で使え、画像と音声の処理部を必要に応じて追加できる。Googleは、量子化した場合のPixel 11 Pro上のアクティブRAM使用量を、文章のみ約191MB、全形式で約567MBとしている。これは同社が示した特定の条件での値で、どの端末でも同じ速度や容量になるという意味ではない。
端末内で探せることの価値と条件
検索のために写真や録音を毎回クラウドへ送らずに済むなら、個人のメディアライブラリや社内資料を扱うアプリには利点がある。通信が不安定な場所でも検索でき、応答までの往復時間を減らせる可能性もある。ただし「モデルを端末で動かせる」ことと「アプリがデータを外部に送らない」ことは別だ。実際のプライバシーは、索引の保存場所、同期、ログ、権限設定まで含めて決まる。
保存容量にも選択肢がある。モデルの出力は通常768次元だが、512、256、128次元へ短縮できる。Googleのモデルカードでは、256次元までは多くの評価で品質の落ち込みが小さい一方、128次元では複数形式をまたぐ検索の精度低下が大きい。端末の容量を優先するか、検索品質を優先するかは、使うデータで測る必要がある。
日本語の現場で試すなら
Googleは100以上の言語への対応を掲げる。しかし、言語間で性能が等しいとは説明していない。日本語の議事録と画像、方言を含む録音、縦書き資料などを検索するなら、実際の資料で「見つけたいものが上位に出るか」を確認したい。発表されたベンチマークは開発の出発点であり、日本語の個別業務での成功を保証するものではない。
端末内AIの価値は、巨大なモデルを小さくすることだけではない。散らばった情報を、その持ち主の手元で結び直せるかにある。検索の精度、端末の負荷、データの流れを一緒に設計できれば、プライバシーを守りながら「自分の記録に聞く」体験はより現実的になる。
出典：Googleの発表（2026年10月6日）、EmbeddingGemma 2モデルカード。内容は2026年10月8日時点の公開情報に基づく。