💡 ※広告について：当サイトではアフィリエイト広告を利用しています。

※記事の最後にyoutube動画「発掘実況」で実際に解析を試した画像を貼っていますのでご覧ください。

ついにGoogle DeepMindのGemma 4 E2B Q4を導入しました。

率直な感想を最初に言ってしまうと、

20億パラメーターという非常に軽量なモデルなのに、ちゃんとAIとして成立している。

これにはかなり驚かされました。

正直なところ、小さなモデルにはあまり期待していませんでした。

というのも、過去に動かした他社製の古い世代の軽量モデルは、「これをどう使えばいいんだろう？」と思ってしまうような性能だったからです。

もちろん、当時は日本語性能が十分ではないという致命的な条件もありました。

しかしGemma 4は違いました。

小さなモデルなのに驚くほどそれっぽく動く。

もちろん出力内容の精査は必要です。

それでも「20億パラメーターでここまでできるのか」という驚きがありました。

---

ローカルAI勢にとって最大の魅力は「軽さ」

現在の高性能な大規模モデルをローカルで快適に動かそうとすると、RTX5090のようなVRAM 32GBクラスのGPUが必要になることがあります。

価格にすると60万円以上。

試験的な取り組みとしては、なかなか手を出しにくい世界です。

一方でGemma 4 E2B Q4は違います。

エントリークラスのGPUでも軽快に動作し、最悪の場合はCPUのみでも動作します。

この敷居の低さは、ローカルLLMに興味を持っている人にとって非常に重要です。

私自身、いきなり60万円のGPUを購入することはできません。

しかし、ヤフオクで中古GPUを数千円から1万円台で落札することはできます。

さらに既存のPC環境を活かせるのであれば、そのハードルは一気に下がります。

数世代前のゲーミングPC。

動画編集や画像編集に使っているクリエイティブ向けPC。

そういった環境には、何らかのGPUが搭載されていることが多いはずです。

これらの導入ハードルが非常に低いこと。

そして多くの人がローカルAIを体験できること。

これこそが20億パラメーターというモデルの最大の意義なのではないかと思います。

---

Gemma 4を組み込んだ支援AIシステムを作ってみた

今回、ジャンク鉱山LabではGemma 4を中心にした支援AIシステムを構築しました。

一言で言うなら、

「記憶と視覚を持ち、人間と会話できるロボットの頭脳」

のようなシステムです。

---

1. 耳の能力（音声認識）

ユーザーが話した言葉を音声認識AIがテキストへ変換します。

Whisper系の音声認識エンジンを利用しており、日本語も高精度で認識できます。

マイクから入力された音声は即座に文字起こしされ、AIの入力として利用されます。

---

2. 記憶の能力（長期記憶データベース）

一般的なチャットAIと異なり、このシステムは過去の会話や画像を覚え続けることができます。

テキスト記憶

過去の会話内容をデータベースへ保存し、現在の会話内容と関連する記憶を自動で呼び出します。

画像記憶

「あの時撮影した写真を見せて」

といった指示に対して、画像内容を分析して適切な写真を探し出すはず（まだ検証途中だけれど…）

---

3. 目の能力（画像理解）

画像を単なるデータとしてではなく、

• 猫の写真
• 公園の風景
• 宝石の拡大写真
• 金属部品の刻印

といった「意味」として理解します。

そのためキーワード検索だけではなく、内容の近さによる検索も可能になるはず（これも検証途中）

---

4. 脳の能力（LLM）

AIの意思決定を担当するのがGemma 4です。

AIは、

• ユーザーの言葉
• 過去の記憶
• 現在見ている画像

これらをすべて統合して判断します。

単純に返答するだけではありません。

必要であれば、

• 過去の記憶を引用する
• 写真を撮影する
• 情報を保存する

といったアクションを選択します。

このシステムのよいところは将来LLMのモデルをかんたんに入れ替えることができること

将来大きなパラメータモデルの実装がかんたんにできる仕様です。

---

5. 声の能力（音声合成）

AIが考えた返答は再び音声へ変換されます。

つまり、

人間が話す
↓
AIが理解する
↓
AIが考える
↓
AIが話す

という一連の流れが成立しています。

---

システム全体の流れ

1. ユーザーがマイクで話す
2. 音声認識AIが文字へ変換
3. 関連する記憶や画像を検索
4. Gemma 4が判断
5. 音声として返答

非常にシンプルですが、人間との対話としてはかなり自然です。

---

オフライン動作を重視した設計

今回のシステムは可能な限りローカル環境で完結するよう設計しています。

• 音声認識
• 記憶検索
• 画像理解
• LLM推論
• 音声合成

これらをローカルPC上で動作させています。

プライバシー面でも安心ですし、インターネット接続が不安定な環境でも利用できます。

---

本来のGemma 4は音声も直接理解できる

実はGemma 4はマルチモーダルモデルです。

理論上は私の声を直接聞かせて理解させることも可能です。

しかし今回は、

音声 → テキスト変換 → Gemma入力

という方式を採用しました。

将来的には長時間の会話を記憶させたいと考えているため、現状ではこちらの方が扱いやすいと判断しました。

---

実際にGemma 4を使ってみる

今回、ジャンク鉱山Labでは実際に支援AIを導入しました。

まずは自己紹介をお願いしてみます。

---

「こんにちは。自己紹介をお願いします。」

---

「こんにちは。私はGoogle DeepMindによって開発された大規模言語モデルのGemma-4です。

テキストと画像を理解し、テキストを生成することができます。

何かお手伝いできることがあれば、お気軽にお尋ねください。」

---

今回はローカル環境で動作する20億パラメーター版を利用しています。

そして次は画像解析。

ジャンクアクセサリーや鉱物サンプルを顕微鏡で撮影し、Gemma 4に見せてみました。

---

金属プレートを撮影

AIの返答：

これは金属製の部品、おそらく何らかの機械や構造物の一部のように見えます。

表面には経年による錆や汚れが見られ、文字「SILVER」のようなものが刻まれているようです。

---

SILVERは認識できましたが925は読み間違えてしまいました。しかしこれは顕微鏡の画像解像度の問題（激安顕微鏡）のほうが大きいです…

緑色の宝石を撮影

AIの返答：

これは鮮やかな緑色の宝石です。

おそらくトルマリンやアメジストのような鉱物のように見えます。

光の当たり方で色が変化し、非常に美しい輝きを持っています。

見た目の特徴を正しく認識してくれたと思います。
但し、重要なことはこれはトルマリンやアメジストではないということです。

---

さらに顕微鏡で拡大してみると、

光の当たり方によって鮮やかな緑色から青みがかった色まで、非常に美しいグラデーションが見られます。

結晶の内部構造や光の反射が繊細に捉えられており、宝石特有の神秘的な雰囲気が感じられます。

Gemma4の表現がとても豊かだなと感じました。

---

そして、

「刻印部分を撮影して記録しておいて」

という指示に対して、

刻印部分を撮影し記録します。

同時に指輪の石も撮影しておきます。

という形で撮影アクションまで実行しました。

音声入力で撮影指示ができるのは、両手がふさがっている時など非常に便利ですね。

---

鑑別ではない。でも「可能性」を提示してくれる

もちろん、Gemma 4は宝石鑑別機関ではありません。

これが何なのかを断定することはできません。

しかし、

• 見たままの特徴
• 色
• 光の反射
• 質感
• 刻印情報

こういった情報を整理し、

「こういう可能性が考えられます」

という補助情報を提示してくれます。

ジャンク品やアクセサリーを扱う作業では、この補助情報が意外と役に立ちます。

---

まとめ

20億パラメーター。

数字だけを見ると「小さなAI」に思えます。

しかし実際に触ってみると、その印象はかなり変わりました。

もちろん巨大モデルほどの知識量や推論能力はありません。

それでも、

• 動く
• 会話できる
• 画像を理解できる
• 記憶できる
• アクションを起こせる

ここまでできるのであれば十分に実用的です。

そして何より、

「多くの人が自宅のPCで試せる」

ということが大きい。

まだまだ試行や検証が必要ですが

ローカルAIは、もはや一部のハイエンドPCユーザーだけの遊びではなくなりつつあります。

Gemma 4 E2B Q4は、その入り口として非常に面白いモデルでした。

ジャンク山の発掘品はときどきYahoo!オークションに出品されています…

🛠️ ジャンク鉱山Labの出品一覧を見る

YouToubeでジャンクアクセサリー山のリアルな発掘実況を見よう！１時間超の超大作なのでまったりと視聴できます…

▶ YouTubeでリアルな発掘実況を見る