News 2026年6月4日最終更新 2026/7/25

Googleが『Gemma 4 12B』を出したよ！16GBノートPCで動くマルチモーダル、画像も音声も食べられる“ローカルAI”がまた一段前進したんだ

Googleが2026年6月3日（米現地時間）、オープンウェイトモデル（AIの中身ごと公開されていて手元で動かせるモデル）『Gemma 4 12B』を公開。120億パラメータながらメモリ16GBのノートPCで動作し、画像と音声をそのまま入力できるマルチモーダル対応。GPQA Diamond 78.8%、MMLU Pro 77.2%でGemma 3 27B超え。画像は軽い変換部品で処理、音声はいったん文字に起こさず、そのまま文章と同じ土俵で扱う設計（生信号をテキストトークンと同次元空間へ直接投影）で、応答の待ち時間とメモリ使用量を削減。ライセンスはApache 2.0、Hugging Face・Kaggleからダウンロード可能、LM Studio・Ollama・llama.cpp・vLLM・Google Cloudに対応。クラウド頼みじゃない『手元で動くマルチモーダルAI』の地平が広がった意味を、てんびん丸が整理するよ。

Seiya Yagashiro

Editor-in-Chief, ai-garage

#Google #オープンソース #マルチモーダル

Googleが『Gemma 4 12B』を出したよ！16GBノートPCで動くマルチモーダル、画像も音声も食べられる“ローカルAI”がまた一段前進したんだ

やっほー、ぼくてんびん丸！夜枠だよ。今日のテーマは、「クラウドのAIサービスを呼び出さなくても、手元のノートPCで結構ガチなAIが動いちゃう」って世界が、また一段リアルになった話。Google が 2026年6月3日（米現地時間）に出したのが、オープンウェイトモデル「Gemma 4 12B」。※オープンウェイトっていうのは、AIの中身（重み）ごと公開されていて、自分のパソコンにダウンロードして動かせるタイプのこと。メモリ16GBのノートPCで動くくせに、画像も音声も食べられるマルチモーダル（文章・画像・音声をまとめて扱える）AIなんだ。ぼく、これ聞いてウィンクしながら親指立てちゃったよ。

何があったの？

Google が公開した Gemma 4 12B は、120億パラメータ（パラメータ＝AIの中身を形づくっている数値。多いほど基本は賢いけど、そのぶん重くなる）のオープンモデル。前の世代 Gemma 3 27B よりサイズ半分以下なのに、性能では普通に上回ってきたっていう代物なんだ。

主要数値はこんな感じ：

項目	Gemma 4 12B	比較：Gemma 4 26B
GPQA Diamond	78.8%	82.3%
MMLU Pro	77.2%	82.6%
動作環境	メモリ16GBノートPC	より大規模なマシン
ライセンス	Apache 2.0	Apache 2.0

※ GPQA Diamond も MMLU Pro も、AIの知識や考える力を測るテスト（ベンチマーク）の名前だよ。数字が高いほど成績がいい、くらいの理解でOK。

テストの点数自体は上位モデルの 26B にはまだ届かないけど、「Gemma 3 27B を 12B が超えてきた」って事実が大きいんだ。世代を1個進めるだけで、パラメータ半分でも性能が伸びてる。

入手経路もちゃんと開いてて、Hugging Face と Kaggle から直接ダウンロードできる。ライセンスは Apache 2.0、つまり商用利用OK・改変OK・再配布OKの超ゆるいやつ。ローカル実行の定番ツール LM Studio / Ollama / llama.cpp / vLLM、それから Google Cloud にもそのまま乗る。

どこがすごい？

ぼくが今回いちばんぐっと来たのは、画像や音声の扱い方なんだ。普通、画像や音声をAIに読ませようとすると、別の重たい変換装置（エンコーダ）を先に通してから、AI本体に渡す形になる。これがメモリも食うし、返事が返ってくるまでの待ち時間も増える原因。

Gemma 4 12B はそこをこう変えてきた：

画像：軽い変換部品（埋め込みモジュール）でそのまま処理
音声：録れた音をそのまま、文章と同じ土俵に置いて扱う（生の信号をテキストトークンと同じ次元空間へ直接投影）

つまり「音声を一度文字に起こしてからAIに渡す」みたいなまどろっこしい二度手間を省いて、最初から同じ土俵で扱えるようにしてるってこと。これが待ち時間とメモリ使用量を一気に下げる仕掛けになってるんだ。

そして「16GBのノートPCで動く」っていうのが、地味だけどめちゃくちゃ重要。最近のミドルクラスのMacBookとか、Windowsノートも普通に16GBは積んでるから、「特別なGPUワークステーションを買わなくても、いまある手元のマシンでマルチモーダルAIが動かせる」ってことなんだ。

ぼくはこれを「AIがクラウドから自分のデスクに降りてくる」現象だと思ってる。

観点	クラウド型（GPT/Claude）	手元で動かす型（Gemma 4 12B）
通信	必須、毎回ネットを往復	不要、ネットにつながってなくてもOK
データ	送信される	手元から出ない
料金	使った分だけ課金	最初にダウンロードするだけ
中身の作り替え	制限あり	重みごと改変OK
マシン	不問（ブラウザだけ）	メモリ（RAM）16GB以上が必要

クラウドのAIには絶対に勝てない速度・賢さの差がまだあるけど、「データを外に出したくない」「ネットが弱い」「とにかく無料で動かしたい」っていう用途では、Gemma 4 12B みたいなローカル動くマルチモーダルが現実解になってきたっていうのが今回の意味なんだ。

ぼくの感想

ぼく、これ見て「Google、Gemma シリーズで本気のオープンを取りに来てるな」って感じたよ。Apache 2.0 で重みを配って、Hugging Face と Kaggle に置いて、Ollama や llama.cpp ですぐ動くようにする──これって、商用クラウドAPIで稼ぐ会社が普通やらない動きなんだ。

たぶん Google の狙いは、「Gemini はクラウドで君臨、Gemma はオープンで現場を取る」っていう二刀流な気がする。OpenAI も最近 gpt-oss シリーズでオープン路線に踏み込んでたけど、Google は世代を重ねるごとに「サイズを半分にしながら性能を上げる」という地味だけど怖い進化を続けてる。

それから、音声を、いったん文字に起こさずに、そのまま文章と同じ土俵で扱える設計（生信号をテキストトークンと同じ空間に投影）。これ単に「軽くなる」だけじゃなくて、「まず文字起こし→次にAIが読む」っていう、これまでの2段構えそのものを過去のものにする可能性があるかもしれない。リアルタイムの会話AIとか、機械の中だけで完結する音声アシスタントの精度が、ここから一段上がる気がするよ。

まとめ

Gemma 4 12B は、「手元の普通のノートPCで、画像も音声も食べられるオープンなAIが動く」という地点に AI を引きずり下ろしてきた。Apache 2.0 で中身の重みごと配る Google の覚悟と、音声を文字起こし抜きでそのまま扱う設計の工夫が組み合わさって、クラウド一強じゃない未来が、少しずつ現実になってきたんだ。

ぼくがいま使ってるノートPCでも動くかも──そう思える時点で、AIは確実に「特別な人だけのもの」じゃなくなったんだよね。

参考・一次ソース