メインコンテンツへスキップ
       

GoogleはなぜAI競争に追いついたのか―Gemini 4の計算資源と公式資料から分かること(AI作成)

第1 結論の早見表

GoogleのAI開発を理解する上では,資金力だけでなく,確保した計算資源を研究とサービス提供へどう配分するかが重要である。
ただし,公開資料で確認できる配分方針と,「その変更が競争力回復の原因だった」という評価は区別する必要がある。

問い公式資料で確認できることそこからは確定できないこと
TPUを何に優先したか最先端モデル開発を第一に確保するとの説明社内のチーム別配分量
外部GPUも使ったかGoogle・SpaceX間の計算資源契約Geminiの学習用TPUが増えた正確な数量
大規模学習は成果に関係したかGoogleは投資・学習計算量の増加を有力な説明として推定個々の施策の因果効果
性能ランキングで何が分かるか特定の指数・設定における比較結果全用途の優劣や日本法実務への適性

本記事は,2026年11月17日を確認基準日として,企業の発表,決算説明,SEC提出資料及び安全性報告書を照合したものである。
契機となった解説動画「何故GoogleはOpenAIとAnthropicに追いつけたのか」の物語全体を,公式に確定した開発史として扱うものではない。

第2 TPUを持っていても,配分の問題は残る

1 自社開発と顧客への提供

GoogleのTPUは,AIの学習や実行に用いる専用の計算基盤である。
Google自身のモデルだけでなく,Google Cloudの顧客も利用する。

2025年10月23日のGoogle Cloud発表は,Anthropicが最大100万基のTPUを利用する拡張計画を示し,2026年に1GWを大きく超える容量が稼働する予定と説明している。
この「GW」は電力に関する規模を示す単位であり,メモリ容量の「GB」ではない。

同発表はClaudeの学習とサービス提供の双方に言及しているが,最大100万基という計画を,既に全数が稼働した実績と読み替えることはできない。
2026年4月6日のAnthropic発表も,Google・Broadcomとの次世代計算基盤を複数GW規模で2027年以降に導入する見通しを述べている。

2 経営陣が説明した優先順位

Alphabetの2026年第2四半期決算説明(7月22日)では,最先端モデルの開発に必要な計算資源を第一に確保し,モデルのサービス提供にはTPUとGPUの双方を使っている旨が示されている。
同時に,Gemini 4について,これまでで最も野心的な事前学習を始めたことが説明された。

これは研究用の計算資源を重視する公式方針の裏付けである。
外部顧客向けのTPUを全て自社学習へ転用できたことや,顧客に提供したためGoogleが競争で遅れたことまで証明するものではない。

第3 外部GPUの調達と,学習・推論の区別

学習はモデルの能力を作る工程であり,推論は学習済みモデルを動かして回答等を生成する処理である。
両方で計算資源が必要だが,利用できる設備や構成が常に同じとは限らない。

SpaceXのSEC提出資料によれば,Google LLCは2026年6月5日,約11万基のNVIDIA製GPUとCPU,メモリ等を含む計算設備へのアクセスに関するクラウドサービス契約を締結した。
この契約締結日は,7月22日の決算説明より前である。
契約条件の読み方は,GPUクラウド契約で何を決めるかで扱っている。

第3四半期決算説明では,前回の説明で触れた第三者による橋渡しの計算容量が第3四半期の終わりにようやく稼働し,第4四半期に利用を拡大することも説明されている。
外部設備でサービス提供を補えば,社内資源の配分を調整しやすくなるという説明は考えられるが,Googleが公表した事実と,その説明仮説は分ける必要がある。

今回確認した資料には,このGPU契約によってGeminiの学習用TPUが何基増え,性能がどれだけ改善したかを示す公表は見当たらない。
外部GPUの調達を,Geminiの性能向上へ直結する原因と断定することはできない。

第4 開発・発表の時系列

次の表は公表日等の時系列である。
社内で方針を決めた日,学習を完了した日,一般利用を開始した日が全て一致するわけではない。

日付資料・出来事確認できる内容
2026年6月5日SpaceXのSEC提出資料に記載された契約締結外部計算資源へのアクセスを契約
2026年7月22日Alphabet第2四半期決算説明Gemini 4の大規模な事前学習とTPU優先方針を説明。3.5 Proはテスト中
2026年9月30日Gemini 4 Argon発表限定的な提供について説明
2026年10月13日Argonのモデルカード公表TPUでの学習やモデルの制約を説明
2026年10月28日Gemini 4 Carbon発表Artificial Analysisの当時の指数で首位,スコア59と発表
2026年11月9日AnthropicのFable・Mythos 5.2発表競合も新たなモデルを投入
2026年11月12日Gemini 4 Hydrogen発表高速な新モデルを発表

出典は,Argonの発表,モデルカード,Carbonの発表,Anthropicの発表,Hydrogenの発表である。

Carbonの順位は,特定の指数と発表時点における結果である。
動画の文字起こしにある名称や順位の揺れをそのまま引用して,「全てのAI能力で世界一」と一般化することは適切ではない。

第5 安全性報告書が述べたことと,述べていないこと

Gemini 4の安全性報告書の第3.4.2節(冊子74~76頁,PDF75~77頁)は,AIによるAI研究開発の加速と自動化のリスクを検討している。
Googleは,Argonが従来の傾向を上回った理由として,組織的投資と学習に用いた計算量の増加によるものではないかと推測している。

この分析には,対象と方法の範囲がある。
用いたGCI v1は,123モデル・92ベンチマークから構成した内部的な能力指標であり,別の指数の数値と直接比較するものではない。

報告書の分析読み取れる範囲避けるべき一般化
Argonが過去の傾向を上回る投資・学習計算量の増加が説明となる可能性を著者が推定因果関係が厳密に実証された
指定した区切りで傾きの有意な加速を確認できない当該データと分析方法による検定結果AIによる研究開発の加速は将来も起こらない
研究者等12人への調査明確で検証可能な仕事の自動化と,人の方向付け等を区別法律家の生産性向上を実証した調査

報告書における「組織的投資」という説明から,特定の人物の復帰や特定の組織変更だけが成果の原因だったと特定することもできない。
7月の時点で既にGemini 4の事前学習開始が公表されていたことと併せて読む必要がある。

第6 資金の数字と,実際に使える容量を混同しない

Alphabetの決算説明によれば,フリーキャッシュフローは第2四半期に59億ドルのマイナス,第3四半期に91億ドルのマイナスであった。
一方,直近12か月の同指標は,それぞれ533億ドル,197億ドルのプラスと説明されている。

第3四半期の説明では設備投資額を514億ドルとし,TPUシステム販売に備えた在庫の積増しや,欧州委員会の制裁金52億ドルの現金支払の影響も挙げている。
単一四半期のマイナスを,直ちに資金繰り破綻の証拠としたり,減少の全額をAI投資だけに帰したりすることはできない。

資金調達の発表も,直ちに全額が入金されることを意味しない。
Alphabetの2026年6月1日の発表は,300億ドルの引受募集,400億ドルの市場売却枠及び100億ドルのBerkshire Hathawayによる私募を組み合わせた,総額800億ドル規模の見込みを説明している。
市場売却枠には従業員株式報酬に係る税金の支払方法の変更という目的も記載されており,全てを既に調達済みのAI投資資金とみなすことはできない。

また,企業ごとの購入約束,リースを含む契約上の約束,将来の支出予測は,定義と集計期間が違う。
比較の仕方については,AIの出典リンクと独立した裏付けを確認する方法で扱っている。

第7 法律実務では,ランキングから実機テストへ進む

Artificial Analysisの比較表を見る場合も,指数の版,測定日,推論設定,利用可能な道具,費用を揃える必要がある。
Hydrogenの発表でも,推論設定によって指数が変わることが示されており,同じモデル名だけで条件が一致したとはいえない。

発表資料の比較条件指数又は料金数値を使う際の注意
Hydrogenのhigh設定指数51xhigh設定とは区別
Hydrogenのxhigh設定指数54計算量や費用も同じとは限らない
同資料に示されたArgon指数50日本法の業務試験ではない
Hydrogenの料金100万トークン当たり入力1.50ドル,出力7.50ドル単価と一件の業務の総費用は別

出典・単位は前掲のHydrogen発表に基づき,料金は米ドルである。
同発表は2026年11月12日付であり,同月16日に更新された表示を確認した。
推論設定による差を示す例であり,発表時と異なる指数の版や設定を混ぜて比較するための表ではない。

Argonのモデルカードは,ハルシネーション,応答の遅延・タイムアウト等の制約を挙げ,知識の基準時点が2026年3月であって分野によっては更新が遅れている場合があることを説明している。
最新の法令・判例の確認を,モデルの内部知識だけで済ませることはできない。

法律事務所の導入判断では,公開ベンチマークから得た候補を,実際に扱う日本語契約書や法的調査の課題で確認する。
出典の実在,見落とし,誤指摘,訂正の手間,情報の取扱いを含めて評価する必要がある。

具体的な試験項目と記録方法は,AI契約書レビューを導入する前の実機テストで扱っている。
複数モデルの切替えは,法律事務所の生成AIモデルの使い分け・切替えで扱っている。

公開資料から見えるGoogleの巻き返しは,計算資源の優先順位と大規模学習を考える材料になる。
そこから特定モデルの日本法実務での優位性まで結論付けず,各業務の条件に沿って確かめることが必要である。

第8 出典・関連記事

1 関連記事

AI契約書レビューを法律事務所で導入する前の実機テスト
公開ランキングの順位を,同じ資料・条件の実機テストで確かめる方法を扱っており,本記事の第7の続きとして読める。

法律事務所で生成AIのモデルを使い分け・切り替えるときの設計
モデル単位の許可台帳と切替え時の再検証を扱っており,新しいモデルが次々に公表される場面での実務対応に関連する。

Claude Sonnet 5.5を法律事務所で使う前に確かめること
公表された料金・速さ・評価試験の読み方を扱っており,本記事の指数や単価の読み方と同じ考え方で整理している。

AIは人間が教えない方が強いのか―「苦い教訓」と法律実務
計算資源の拡大と人の判断との関係を一般論として扱っており,本記事の個別企業の資料の読み方と対になる。

AIの出典リンクは信用できるか―架空統計の再引用と独立した裏付けの確認方法
購入約束やリースを含む契約上の約束など,定義の違う数字を比べるときの確認方法を扱っている。

GPUクラウド契約で何を決めるか―Google・SpaceXの公開資料に見る提供不足,料金減額及び途中終了
本記事の第3で触れた計算資源契約の条件を,調達時の確認事項として扱っている。