Last Updated on 2025-06-15 08:29 by admin
Google DeepMindは2025年5月、実験的研究モデル「Gemini Diffusion」を発表した。このモデルは従来の自己回帰型言語モデルとは異なり、画像生成で使用される拡散モデル技術をテキスト生成に応用している。
Gemini Diffusionは1,000〜2,000トークン/秒の生成速度を実現し、従来のGemini 2.5 Flashの平均272.4トークン/秒を大幅に上回る。技術的には、ランダムノイズから段階的にテキストを精製する方式を採用し、並列処理によってテキストブロック全体を高速生成する。
Google DeepMindの研究科学者Brendan O’Donoghuによると、双方向注意機構により非因果推論が可能で、生成過程での自己修正機能も備える。性能面では、HumanEvalで89.6%、MBPPで76.0%、AIME 2025で23.3%を記録し、Gemini 2.0 Flash-Liteと同等の結果を示した。コーディングと数学分野で特に優位性を発揮する一方、推論・科学知識・多言語対応では従来モデルが上回る。
VentureBeatの実測では、ビデオチャットインターフェース構築を2秒以内で完了し、600〜1,300トークン/秒の速度を確認した。現在は実験デモ版として提供され、ウェイトリスト登録が必要である。
From: 
Beyond GPT architecture: Why Google’s Diffusion approach could reshape LLM deployment
【編集部解説】
Google DeepMindが発表したGemini Diffusionは、AI業界における技術的パラダイムシフトの象徴的な出来事です。これまでGPTシリーズやGeminiを含む主要な言語モデルは、すべて自己回帰型アーキテクチャを採用してきました。単語を一つずつ順番に生成する従来の手法に対し、Gemini Diffusionは画像生成で実績のある拡散モデルをテキスト生成に応用した点で革新的といえるでしょう。
この技術革新の核心は「並列処理」にあります。従来モデルが文章を左から右へ順次構築するのに対し、拡散モデルはテキスト全体を同時に処理できるため、劇的な速度向上を実現しています。1,000〜2,000トークン/秒という生成速度は、従来のGemini 2.5 Flashの約4〜7倍に相当し、リアルタイム対話やライブコーディング支援といった新たな用途を可能にします。
特に注目すべきは「双方向注意機構」による非因果推論能力です。従来の自己回帰モデルでは、各単語は前の単語のみを参照して生成されますが、拡散モデルでは文章全体を俯瞰して生成できるため、論理的整合性や構造的一貫性が向上します。これにより、コード生成や数学的推論において特に優れた性能を発揮しています。
一方で、現段階では明確な制約も存在します。科学的推論（GPQA Diamond: 40.4% vs 56.5%）や多言語対応（Global MMLU Lite: 69.1% vs 79.0%）では従来モデルに劣っており、汎用性の面で課題を抱えています。また、サーバー運用コストの増加や初回トークン生成時間の遅延といった運用面での課題も指摘されています。
この技術が実用化されれば、開発者向けIDEの自動補完機能、リアルタイム翻訳システム、対話型AIアシスタントなどの分野で大幅な体験向上が期待されます[1]。特に「Instant Edit」機能は、既存テキストのリアルタイム編集を可能にし、文書作成ワークフローを根本的に変革する可能性があります。
長期的視点では、拡散言語モデルは自己回帰モデルを完全に置き換えるのではなく、用途に応じた使い分けが進むと予想されます。高速性と構造的整合性が重要なタスクでは拡散モデルが、複雑な推論や多様な知識が必要なタスクでは従来モデルが選択される棲み分けが形成されるでしょう。
現在はまだ実験段階ですが、Mercury（Inception Labs）やLLaDA（GSAI）など他社も拡散言語モデルの開発を進めており、この分野の競争激化は技術の急速な成熟を促進すると考えられます。AI業界全体にとって、新たな技術的選択肢の登場は健全な競争環境の構築に寄与するはずです。
【用語解説】
拡散モデル（Diffusion Model）
ランダムノイズから段階的にノイズを除去して画像やテキストを生成するAI技術。従来は画像生成で使用されていたが、近年テキスト生成への応用が進んでいる。
自己回帰型モデル（Autoregressive Model）
テキストを一つずつ順番に予測して生成する従来の言語モデル方式。GPTシリーズやGeminiなどが採用している。
双方向注意機構（Bidirectional Attention）
文章の前後両方向の情報を同時に参照できる技術。拡散モデルでは非因果推論を可能にし、論理的整合性を向上させる。
トークン
AIモデルが処理するテキストの最小単位。単語や文字の一部に相当し、生成速度の指標として「トークン/秒」で表現される。
HumanEval
プログラミング能力を測定するベンチマーク。関数の説明文から正しいコードを生成できるかを評価する。
Instant Edit機能
既存のテキストやコードをリアルタイムで編集できる機能。拡散モデルの特性を活かした新しい編集方式。
【参考リンク】
Google DeepMind（外部）
Alphabet傘下のAI研究機関。AlphaGoやGeminiシリーズを開発している。
Gemini Diffusion公式ページ（外部）
Google DeepMindが開発した実験的テキスト拡散モデルの公式情報ページ。
Inception Labs（外部）
スタンフォード大学教授陣が設立したスタートアップ。拡散言語モデルMercuryを開発。
【参考動画】
【参考記事】
Gemini Diffusion: Google DeepMind’s experimental research model（外部）
Google公式ブログによるGemini Diffusion発表記事。開発背景と基本的な技術概要を説明。
Gemini Diffusion: Google DeepMind’s experimental research model
Google公式ブログによるGemini Diffusion発表記事。開発背景と基本的な技術概要を説明している7。
Google DeepMind announces Gemini Diffusion, a diffusion model that generates text at explosive speeds
GIGAZINEによるGemini Diffusion発表の速報記事。1,479トークン/秒の生成速度と技術的特徴を報じている11。
【編集部後記】
拡散モデルによるテキスト生成は、まさにAI業界の新たな転換点を示しています。従来の自己回帰型モデルが一つずつ単語を予測していたのに対し、文章全体を並列処理で生成する革新的なアプローチです。
皆さんは普段、AIツールをどのように活用されていますか？コード生成やライティング支援など、様々な場面でAIの恩恵を受けていることと思います。今回のGemini Diffusionのような高速生成技術が実用化されれば、リアルタイムでの対話やコーディング体験が劇的に変わるかもしれません。
私たちinnovaTopia編集部も、読者の皆さんと同じように、この技術革新がもたらす可能性にワクワクしています。皆さんはこの新技術に、どのような期待や不安をお持ちでしょうか？ぜひSNSで、ご意見をお聞かせください。
AI(人工知能)ニュースをinnovaTopiaでもっと読む
