過去 10 年間の大部分において、人工知能はクラウドに集中してきました。集中化されたデータセンターでトレーニングおよび実行される大規模なモデルは、チャットボット、エンタープライズ ツール、コンシューマー アプリケーションを強化してきましたが、このアプローチにはトレードオフが伴います。クラウドへの依存により遅延が発生し、インフラストラクチャのコストが増加し、ユーザー データをネットワーク間で移動する必要があります。 AI がオペレーティング システムや日常的なソフトウェアに組み込まれるにつれて、それらの制約がより顕著になってきます。
Googleは現在、AIの導入方法の転換を示唆している。クラウドベースの Gemini モデルと並行して、同社は以下を含むエッジ AI スタックを拡張してきました。 Googleエッジ ツーリングと新しいコンパクトモデル 関数ジェマ。これらの取り組みを総合すると、ローカル実行をニッチな最適化ではなく AI インフラストラクチャの中核層として扱う戦略を示しています。
FunctionGemma は、モバイル デバイス上で直接実行され、クラウド推論に依存せずに自然言語コマンドを解釈してアクションを実行するように設計されており、携帯電話がユーザーの意図に即座に応答できるようにします。このモデルは、接続が制限されている場合でも AI を使用できるようにし、すべての対話が集中システムを通過する必要性を減らすという Google の広範な取り組みに適合します。ベンチャービートとして 報告されました、このモデルは、言語を実行可能なデバイス コマンドに変換することによって「モバイルを制御する」ことを目的としており、会話型インターフェイスではなくオンデバイス制御層としての役割を強調しています。
FunctionGemma はエッジで実行するために構築されています
FunctionGemma は Google の Gemma 3 270M モデルの特殊なバリアントですが、そのトレーニングと目的は一般的な言語モデルとは大きく異なります。として MarkTechPost によって詳細に説明されましたFunctionGemma は 最適化された これは、自然言語をソフトウェア システムが直接実行できる構造化された出力に変換することを意味します。このモデルは、自由形式のテキストを生成するのではなく、定義されたアクションにマップされる命令を出力します。
この焦点は、AI インタラクションの多くが会話型ではなく操作型であるという認識の高まりを反映しています。ユーザーは、デバイスに組み込まれた AI が単に説明するだけでなく、何かを実行することを期待しています。汎用モデルは意図を理解できますが、多くの場合、正確なアクションを確実にトリガーするのが困難です。 Google の内部テストでは、このギャップが浮き彫りになっています。ベースラインの小規模モデルはモバイル アクション タスクで一貫性のないパフォーマンスを示しましたが、対象を絞った微調整後、FunctionGemma の精度は大幅に向上し、特化によって信頼性が向上することが実証されました。
FunctionGemma はローカルで実行されるため、これらのアクションは即座に実行されます。ネットワークの往復はなく、ユーザー データを外部サーバーに送信する必要もありません。ベンチャービート メモ これにより、オフライン シナリオでもリアルタイムのデバイス制御が可能になり、このモデルがモバイル環境や組み込み環境に最適になることがわかりました。機密データはリモートで処理されるのではなくデバイス上に残るため、このローカル実行はプライバシーへの期待の高まりとも一致しています。
FunctionGemma の小さな設置面積は、その役割の中心です。 MarkTechPost として 書きます、モデルは、実際のコマンドを処理するために十分なコンテキストの理解を維持しながら、制約のあるハードウェアで動作するように設計されました。 Google は、FunctionGemma をスタンドアロンのアシスタントとして位置づけるのではなく、アプリケーションに組み込むことができるコンポーネントとして扱い、アクション指向の AI を水面下で密かに可能にしています。
ハイブリッド AI アーキテクチャの台頭
FunctionGemma は、開発者が携帯電話、ブラウザ、組み込みデバイス間でモデルをローカルに展開して実行できるように設計された Google Edge ツールを含む、Google の広範なエッジ AI 推進に適合します。これらの取り組みは、ローカル システムとクラウド システムの間で責任を分担するハイブリッド AI アーキテクチャへの移行を反映しています。
このモデルでは、軽量のエッジ モデルは、速度と信頼性が最も重要な日常的な高頻度のタスクを処理しますが、大規模なクラウド モデルは、複雑な推論、分析、生成のために予約されています。この部門により、必要に応じて高度な機能へのアクセスを犠牲にすることなく、クラウド コンピューティングの使用量が削減され、応答性が向上します。
このアプローチでは、AI 導入の経済性も変化します。クラウド推論のコストは使用量に応じて増加し、人工知能機能が製品間で急増するにつれて高価になります。デバイス上で対象モデルを実行すると、継続的なインフラストラクチャの需要が軽減され、パフォーマンスがより予測可能になります。 AI がオペレーティング システムやコア アプリケーションの一部になるにつれて、その予測可能性がますます重要になります。
ガバナンスへの影響もあります。データをローカルで処理すると、一元的に送信または保存する必要がある情報の量が制限され、AI データの実践に対する監視が強化されるにつれて露出が減少します。エッジ実行により、大規模なデータ集約に伴うリスクを最小限に抑えながら AI 機能を機能させることができます。
#GoogleAIをデバイスにプッシュ