重い人工知能は終わるのか――シリの新機能とディフュージョンジェマが示す、速さ・軽さ・文脈の競争

人工知能が賢くなるほど、私たちは「待たされること」に敏感になります。質問に答えられても、返事が遅ければ会話の流れは切れます。文脈を理解できても、肝心の資料に触れられなければ仕事にはなりません。いま起きている変化は、単にモデルの規模が増えることではなく、速さ・軽さ・文脈の三つをどう両立するかに移っています。

その流れを、グーグルのディフュージョンジェマと、アップルの新しいシリがはっきり示しました。ディフュージョンジェマは、26Bの総パラメータを持ちながら、推論時には3.8Bだけを活性化し、文章生成を最大4倍速くする実験モデルです。(Google, 2026) 一方でシリは、マック上ではより賢くなったものの、同時に「何が得意で、何が苦手か」が以前より見えやすくなりました。(The Verge, 2026)

この二つを並べると、見えてくる答えは意外とシンプルです。これからの人工知能は、何でも一気に飲み込む巨大な頭脳である必要はありません。むしろ、必要な場面で、必要なだけ、すばやく文脈に触れるほうが日常には合います。日本ではその傾向がさらに強くなります。ノートパソコンのバッテリー、在宅勤務の通信、賃貸住宅の静かな環境、そして「個人情報をむやみに外へ出したくない」という感覚。どれも、軽い人工知能の価値を押し上げる条件です。

シリがマックで難しく見える理由は、失敗ではなく前提の違いです

最新のシリを見てまず感じるのは、「思ったより万能ではない」という印象です。ただし、それは単純な弱さを意味しません。ザ・ヴァージの実機レビューでは、シリは前より良くなっている一方で、マックの上では制約がより目立つと指摘されていました。キーボードとマウスのほうが速い場面が多く、アプリ内の操作までは踏み込めない。要するに、音声アシスタントとしての得意分野が、スマートフォンよりもはっきり比較されるのです。(The Verge, 2026)

ここで重要なのは、「マックでは役に立たない」と結論づけることではありません。むしろ逆で、マックは人間側の入力手段が強すぎるため、人工知能に求める役割が変わります。スマートフォンでは、ちょっとした検索やメッセージの要約、音声での雑務処理が光ります。けれどもマックでは、ファイル、フォルダ、メール、メッセージといった日々の仕事の足跡にどれだけ近づけるかが本質になります。

アップルが第3世代のアップルインテリジェンスとして打ち出したのも、まさにその方向です。メール、画像、ファイル、メッセージなどをまたいで「個人の文脈」を理解し、オンデバイス処理とプライベート・クラウド・コンピュートを組み合わせる。つまり、データを持ち出して大きな答えを返すのではなく、デバイスの中にある文脈を使って、その場に合う返事を返そうとしているわけです。(ITmedia NEWS)

ここで見逃せないのは、シリの価値が「会話の自然さ」だけでは測れなくなっていることです。たとえば、会議後に関連ファイルを探す、送るべきメールの文面を整える、過去のやり取りを手がかりに次の予定を引く。こうした作業は、声で全部やり切る必要はありません。むしろ、人工知能がファイルや履歴の中に自然に溶け込んだとき、マック上の作業は少しだけ軽くなります。

ただし、そこには明確な限界もあります。シリは「アプリを起動する」ことはできても、「アプリの中で細かな操作を積み上げる」ことまではまだ苦手です。(The Verge, 2026) この線引きは、人工知能の現在地をよく表しています。万能な自動化ではなく、仕事の入口と出口を整える存在。そのほうが、実際の業務ではずっと使いやすいのです。

ディフュージョンジェマは、速さを「雑な近道」にしません

ディフュージョンジェマの面白さは、単に速いことではありません。グーグルはこのモデルを、テキスト拡散という別系統の生成手法で作っています。従来の逐次的なトークン生成とは違い、まとまったブロックを並列に扱うことで、推論の待ち時間を短くする。しかも、26Bのモデルでありながら、推論時に使うのは3.8B相当だけです。(Google, 2026)

この設計が意味するのは、「巨大化するしかない」という前提からの脱出です。速さが欲しいなら、モデルをひたすら大きくするしかない。そう考えられがちでした。しかしディフュージョンジェマは、活性化する部分を絞ることで、体感速度を上げるという別の道を示しています。これは軽量人工知能の議論を、単なる小型化から一段進めるものです。

しかもグーグルは、ディフュージョンジェマを「本番投入の完成品」ではなく、スピード重視の実験モデルとして位置づけています。高品質な出力を求めるなら、標準のジェマ 4のほうが適していると明言しているのです。(Google, 2026) ここがとても大事です。速いモデルが出たからといって、すぐに「これで全部置き換わる」と考えるのは早計です。むしろ、品質を最優先する作業と、反復速度を最優先する作業は別物だと、開発側がはっきり認めた形です。

日本の実務で考えると、この分離はかなり実践的です。たとえば、長文の最終校正や公開前の確認は、より慎重なモデルに任せたほうがいい。一方で、見出しの叩き台、メールの短い言い換え、議事録の要約の初稿、ローカルでの文案修正の反復は、速いモデルのほうが向いています。人工知能に求めるのは、常に最上位の知能ではなく、工程ごとの適材適所なのだとわかります。

ここで、先日の人工知能提供停止と継続設計を整理した記事を思い出すとわかりやすいです。モデルが止まることを前提にするなら、そもそも各工程を分けておくほうが安全です。重い最終判断は信頼できる系統へ、軽い反復作業は速い系統へ。こうしておくと、ひとつのモデルが止まっても全体が止まりにくくなります。

速さと軽さが日本で刺さるのは、住宅と働き方の条件が違うからです

日本でこの話が現実味を持つのは、単に新しいもの好きだからではありません。日本の住宅と働き方は、もともと「重い人工知能」に向いていない条件を多く抱えています。まず、ノートパソコンやタブレットで仕事をする人が多い以上、処理の重さはそのままバッテリーと発熱に跳ね返ります。さらに、賃貸住宅や集合住宅では、ファン音や長時間のクラウド通信も気になります。

ここでオンデバイス人工知能の価値が生きてきます。データが端末の外へ出る量を抑えつつ、手元で処理を完結できれば、プライバシーと体感速度を両立しやすいからです。アップルインテリジェンスがオンデバイス処理とプライベート・クラウド・コンピュートを組み合わせているのも、その延長線上にあります。(ITmedia NEWS)

日本では、個人のメッセージ、社内の共有資料、家族写真、予定表のような「小さいけれど大事な情報」が一台の端末に集まりやすいです。だからこそ、人工知能がその文脈を読めるかどうかが効きます。逆に言えば、巨大な要約機能よりも、目の前の資料にきちんと触れて、手元の判断を助ける能力のほうが価値を持ちやすいのです。

この視点は、信頼基盤としての人工知能を扱った記事ともつながります。速くなるほど、間違いのコストは高くなります。だからこそ、何でも丸投げするのではなく、確認が必要な部分は人間が見て、反復処理だけを人工知能に任せる設計が必要になります。速さは、確認を省くためではなく、確認に回す時間を作るためにあるべきです。

「個人の文脈」を持つ人工知能は、見せびらかす機能ではありません

アップルインテリジェンスの第3世代が強調するのは、派手なデモではなく個人の文脈です。どの相手にどういう文体で返すか、どのファイルを参照すべきか、どの予定が前後につながるか。こうした判断は、単体の質問応答ではなく、日々の履歴や関係性の積み重ねから生まれます。(ITmedia NEWS)

この方向性は、日本の利用者にとってとてもわかりやすいはずです。たとえば、仕事のメールで敬語の濃さを調整したい、会議の前に関連資料だけを抜き出したい、子どもの学校行事と仕事の予定を見比べたい。これらは派手ではありませんが、毎日何度も起きます。だからこそ、人工知能が「会話の相手」ではなく「日々の段取りの相棒」になったとき、価値が急に増します。

ここで大切なのは、人工知能が人間の代わりをすることではない、という点です。むしろ、文脈を読み取って次に見るべきものを先に並べることのほうが重要です。シリがマックでやるべきことも、そこにあります。声で全部を片づけるのではなく、作業の順番を整え、必要なファイルやメッセージを近づける。そうすると、キーボードとマウスでの最終確認は人間がやりやすくなります。

この見方をすると、ザ・ヴァージの「マックではキーボードとマウスのほうが速い」という指摘も、単なる批判ではなくなります。(The Verge, 2026) つまり、人工知能は入力方式を置き換えるのではなく、入力の前後を整える層として入るのが自然だということです。そう考えると、シリの弱さは欠点ではなく、役割の輪郭が見えてきた証拠とも言えます。

何が日本の現場で効くのか

日本の現場で特に効きそうなのは、次の三つです。

• まず、文書やメールの初稿をすばやく整えること。
• 次に、端末内のファイルや履歴から候補を拾い上げること。
• 最後に、クラウドへ出さずに済む範囲を増やすこと。

この三つは派手さがありませんが、毎日の摩擦を確実に減らします。小規模チームほど、会話のたびに文脈を説明し直す余力がありません。だから、個人の文脈に近い人工知能のほうが重宝されます。大企業の大掛かりな導入よりも、少人数の実務で「少しずつ時間が戻る」ことの価値が大きいのです。

さらに、日本では端末の更新サイクルも長めです。だからこそ、軽いモデルやオンデバイス処理の改善は、新しい端末だけの話では終わりません。古い端末でも少しでも軽く動く、通信が不安定でも最低限は回る、という性質は、導入のハードルを下げます。重い人工知能は、ベンチマークでは派手でも、導入の最後の一歩でつまずきがちです。軽い人工知能は、その最後の一歩を跨ぎやすいのです。

軽い人工知能が向く仕事、向かない仕事

軽い人工知能が向いているのは、反復が多く、失敗のコストが比較的小さい作業です。たとえば、メールの言い回しを整える、資料の見出しを直す、会議のメモを短くする、端末内のファイル候補を並べる、といった用途です。こうした作業は「毎回少しだけ面倒」であり、ひとつの作業自体は短くても、積み重なると時間をかなり奪います。

逆に、向かない作業もあります。法務の最終判断、公開前の品質保証、事故につながるような意思決定、複数部門を巻き込む結論づけのように、失敗のコストが高い仕事です。ここは軽さよりも、説明責任と再現性が先に来ます。軽い人工知能は、こうした重い判断を置き換えるのではなく、手前の準備や下ごしらえで力を発揮するほうが自然です。

この切り分けは、日本の現場にかなり合っています。なぜなら、日本の仕事は「最後の一押しを人が見る」文化がまだ強く、しかもその最終確認の前にある細かな作業量が多いからです。軽い人工知能は、確認のための時間を作る道具として使うと、もっとも費用対効果が高くなります。

では、この先何が起きるのか。この変化は私たちに何をもたらすのか。技術の恩恵を受けながらも、主体的な判断を失わないことが重要である。今後の動向から目が離せない。