Googleは、エンコーダーを排除し視覚・音声情報を直接処理する軽量マルチモーダルモデル「Gemma 4 12B」を発表した。この独自アーキテクチャにより、16GBのメモリ環境で動作するオンデバイスAIの実用性が飛躍的に高まる。開発者には新たなエージェント構築の選択肢が提示される見込みである。
Googleの技術ブログによれば、2026年6月3日に発表されたGemma 4 12Bは、従来のマルチモーダルモデルが抱えていたエンコーダー起因の課題を解決するため、専用のエンコーダーを完全に排除した。視覚や音声といったマルチモーダルデータを言語モデルのバックボーンへ直接供給する「ユニファイド・アーキテクチャ」を採用することで、処理の遅延とメモリ消費を大幅に削減することに成功したとGoogleは説明している。これにより、マルチモーダル推論の効率が飛躍的に向上した。
Gemma 4 12Bは、16GBのVRAMまたは統合メモリを搭載したデバイスでローカルに実行できるよう最適化されている。Tech Timesの報道によると、Googleは完全にローカルな音声および視覚インタラクションのためのmacOSデスクトップアプリケーションもリリースした。ローカル推論速度を最大化するため、専用のMulti-Token Prediction（MTP）モデルも提供されており、これにより推論遅延が低減される。同モデルは、複雑なマルチステップ推論やエージェントワークフローにも対応する推論能力を持つとされている。
GoogleがGemma 4 12BをApache 2.0ライセンスでオープンウェイトとして提供する背景には、開発者エコシステムを自陣営に囲い込み、エッジAIへの転換を加速させる戦略がある。Hugging Faceの公開情報によれば、モデルウェイトはHugging FaceやKaggleで入手でき、開発者ガイドも公開されている。これにより、クラウド推論に依存せず、プライバシーと低遅延を両立するローカルファーストAIの普及を促し、オンデバイスでの文書分析や画像理解といったアプリケーションを可能にするとGoogleは説明している。
情報システム部門やインフラ運用担当者にとって、Gemma 4 12BはオンデバイスAIの導入障壁を大きく下げる。クラウドAPIの継続的なコストや予測不可能な課金を回避し、AI関連の総所有コスト（TCO）を削減できる点は重要である。また、機密情報を外部クラウドにアップロードせず、ローカルで高度なAI推論が完結するため、データレジデンシーやセキュリティ、プライバシー規制への対応が容易になる。これにより、医療や法律といった規制産業でのオフラインファーストなアプリケーション展開が現実的となり、運用負荷の軽減にも寄与すると見られる。
エンコーダーを排除したアーキテクチャの簡素化は効率化をもたらす一方で、複雑な視覚・音声認識の精度にどの程度影響を与えるかは未解決の論点である。Googleはモデルとともに公式のスキルリポジトリもリリースしており、単なる研究デモではなく、実用的なエージェント開発を推進する意図が示されている。しかし、競合するQwen 2.5 9Bなどとのベンチマーク比較では、一部タスクでQwenが優れるケースも報告されており、特定のドメインにおける微調整の容易さや性能については、今後コミュニティによる広範な検証が待たれるところである。
