Gemini 3.5 Proとは？200万トークンとGoogleの世界モデル戦略

2026年7月11日 ・ 久保一成

#AI#Google#Gemini#コンテキストウィンドウ#世界モデル#エッセイ

序章　GoogleのAIは動画から眼鏡の場所を記憶できるか

机の上に、赤いリンゴと眼鏡がおいてあります。ロンドンのオフィス。スマホのカメラを下げたまま部屋を歩き回った後で、ある男がAIに尋ねます。「私の眼鏡を、どこかで見たかい？」「はい、あなたのメガネは、机の上の赤いリンゴの横にありました」

これは2年以上前、2024年5月のGoogleの実演動画です。

AIは頼まれる前から見ていて、覚えていた。

でも、奇妙なことに、このAIには記憶がありません。そもそも、生成AIはどのモデルであっても記憶はありません。あなたが昨日AIと交わした会話を、モデルの本体は覚えていません。

でも、明らかに覚えているように感じる。それは、会話のたびに、外部に保存された記録を過去のやり取りをいちいち読み直してから回答しているためです。

リンゴの横の眼鏡も、同じです。AIが覚えていたのではありません。尋ねられた瞬間に、外部にあるメモリーから、直前の映像情報を、片っ端から引っ張り出して読み直してから答えたのです。

そしてその読み直しに使われる入力をコンテキストウィンドウと言います。コンテキストウィンドウは、記憶を持たないAIに与えられた、擬似的な記憶です。

ただAIが一度に読み直せる量には、上限があります。

2026年7月、Googleの次世代モデル、Gemini 3.5 Proがまもなく公開されます。特徴の一つが、このコンテキストウィンドウの増量です。200万トークン。現在のChatGPTやClaudeの最上位モデルのおよそ2倍です。

日本語の文庫本およそ20冊分。2時間の動画が丸ごと1本。6万行を超えるプログラム。それらを、会話の前に丸ごと読み込める広さです。

この数字の進歩は何を意味するのでしょうか？

記事執筆時点で、開発元のGoogleは時価総額世界3位。日本円で約700兆円。日本の1位から40位までの時価総額を足した額より、さらに大きい。

でも、ここ数ヶ月、GeminiにClaudeやOpenAIほど派手な話題があったでしょうか。市場は、この静かな会社の何に、なぜこれほどの価値を付けているのか？

もう一つ。Geminiが一貫して強く打ち出してきたのは、テキストだけでなく、画像も、音声も、動画も入力として読む能力です。完全なマルチモーダル入力を当初から貫いてきた系譜を持つ生成AI。なぜGoogleは、動画を読むAIにこだわり続けるのか。

一つずつ紐解いていきましょう。

第一章　AIの記憶と人間の記憶はどう違うのか

AIも人間も、記憶の構造は二層に分けられます。人間の一層目は、今まさに取り組んでいる作業を保持するための記憶です。例えば、「この10枚の資料を両面で3部ずつカラーコピーして、左上をホチキスで留めて、山田さんの机の上に置いておいて」。

人間はこれらの指示を、そのタスクが完了するまで覚えておきます。あのごく短期間だけある、頭の中のメモのことです。これは作業用の超短期記憶であり、ワーキングメモリーと呼ばれます。

二層目が、長期記憶です。読んだ本、過去の経験、人の顔と名前。要約されて頭の奥に保存され、寝ても維持される、いわゆる記憶です。

細部の多くは忘れられます。残るのは、概念や印象や感情です。人間は、体験の全部を保存するのではなく、圧縮して長期記憶に変えています。

一方でAIはどうでしょうか。AIの一層目にあたるのが、いままさにやりとりしている会話の全てです。

ユーザーからの質問。この会話内でのすべてのやり取り。読み込ませた資料。AIが次の回答を出すために毎回入力される情報の全てが一層目に当たります。人間のワーキングメモリーに当たる、作業中だけ保持される記憶がこのコンテキストウィンドウです。

AIの二層目にあたるのが、AIモデルとして学習した知識です。これはモデルが作られる過程で、事前学習によって身につけた知識のこと。インターネット上の文章や、追加の合成データから吸収したもので、モデルの内部に焼き付いています。これが、人間の長期記憶に相当します。

ただ、人間と決定的に違う点があります。

AIの長期記憶は、会話によって一切変化しません。外部のユーザーと何度会話しようと、どんな資料や画像を送られようと、モデルの本体は何も変わりません。

会話のたびに、AIとは別のところで、外部メモリーにその履歴が蓄えられていくだけ。AIは回答を作るたびに、必要な情報をコンテキストウィンドウへ載せ直しています。

そして回答が終わると、保持していたコンテキストウィンドウは直ちに消えます。だから記憶にはならない。

次の質問では、また必要な情報を最初から全てコンテキストウィンドウに入れ直して、全て読み直してから回答する。

人間からすると同情してしまうような仕組みですよね。AI大変すぎるだろって。（笑）

人間は、小さなワーキングメモリーと、変化し続ける長期記憶で動く。AIは、巨大なコンテキストウィンドウと、変化しないモデルの知識で動く。似ているようで、根本が違います。

そしてAIのコンテキストウィンドウは、人間のワーキングメモリーよりも随分と大きい。人間が一度に保持できるのは、せいぜい数個の事柄。AIは、文庫本20冊分を保持したまま作業できます。ざっと見積もっても10万倍以上。

このコンテキストウィンドウには、ユーザーからの質問だけが入るわけではありません。AI企業があらかじめ用意した指示も事前に入っています。ユーザーが添付するファイルも入ります。WEB検索の結果も入ります。過去の会話から作られた外部メモリーの要約も入ります。同じセッションで積み重ねた質問と回答の全ても質問ごとに入ります。

全部が、一つのコンテキストウィンドウを消費します。

枠が小さければ、資料を削る必要があります。会話履歴を圧縮する必要があります。でもそうしてしまうと、情報の一部をAIは知り得ません。

いくつかの業種では、これは意外に制約になっていました。数十万行のコードベース。数年分の顧客対応。長期プロジェクトの議事録とチャット。特定領域の事前研究の膨大な論文。それらは、AIに読ませたい情報なのに、枠に入りきらなかった。

Gemini 3.5 Proの200万トークンは、この制約を一段押し広げます。そして、コンテキストウィンドウのサイズは、できる仕事の「量」だけではなく、できる「領域」を決めることもある。

第二章　Geminiの長大コンテキストは「全体」を読めるか

映画を半分だけ観ても、その映画の価値を半分体験したことにはなりません。一幕の謎のアイコンタクトは、三幕で回収されて初めて意味になります。回収されるまで、伏線は伏線ですらない。

映画一本の意味は、各シーンの足し算ではありません。シーン同士の関係がつながったとき、初めて全体の意味が立ち上がる。情報の中には、部分の足し合わせでは現れないものがあります。

「全体は部分の総和以上」心理学では、ゲシュタルトと呼ばれる現象です。

自転車のタイヤの価値、サドルの価値、ブレーキの価値、ペダルの価値。それら一つ一つの価値の総和よりも、「自転車」という完成品になった途端、その価値は跳ね上がりますよね。ペダルだけがない自転車っぽいものと、完成した自転車の価値の差は、「ペダル分」だけではないでしょう。

AIに読ませる情報でも、同じことが起きます。コンテキストウィンドウの拡大には、二種類の価値があります。

一つは、線形の進歩です。60分のインタビュー記録が日本語でおよそ2万トークンだとします。一度に読める本数が50本から100本に増える。これは業務が便利になるという進歩です。

もう一つは、領域の突破です。全体を入れないと意味が壊れる対象で、AIが利用できるようになる。ここでは仕事の種類そのものが変わります。

動画は、標準の解像度では1時間でおよそ100万トークンとされます。100万トークンの窓には、2時間の映画の前半しか入りません。前半だけでは、後半で回収される意味が見えない。

映画のレビューをAIに依頼することは、200万コンテキストウィンドウがあって初めて成り立ちます。映画の前半だけ入れても、映画の後半だけ入れても、その映画はレビューできません。映画半分の価値は、映画全体の価値の半分ではないからです。映画は1本の全体になって初めて価値を獲得します。

部分がいくつか入るだけの状態と、全体が丸ごと入る状態では全く違う現象になり得る。

ビジネスの現場で考えましょう。買収先の帳簿に以下のように書かれています。買収先が、取引先Xに商品を売る。Xは、別の取引先Yに売る。Yは、買収先に売り戻す。商品は一周して元の倉庫へ戻り、帳簿の上では売上だけが増えていく。実体のない売上で会社を大きく見せる、循環取引と呼ばれる粉飾の手口です。

この粉飾は、伝票を一枚ずつ調べても見つかりません。どの取引にも契約書の記録まで揃っている。一枚一枚は、完全に正常です。二枚を並べても、まだ正常。商品を売った記録と、買った記録があるだけです。大量の伝票が「同じ視界」に入って初めて、循環取引の全容が見える。部分は正常だけれど、全体で見ると異常。重要そうな伝票だけ抜き出して読む方式では、この取引の不正は捕まえられないのです。

要約でも、同じ問題が残ります。要約は文書の中身を短くします。でも、文書と文書の関係を完全には保存しません。文章のレトリックや表現のための工夫も損なわれている。

監査。法務。医学の系統的レビュー。セキュリティ診断。

これらの仕事は、部分ごとの分析ではなく、全体としての保証に近い。一つ一つがOKならOKですとはなりません。全体の整合性としてOKでなければならない。

部分の総和と、全体の価値は等しくありません。部分ごとの整合性の判断結果は、全体の整合性とも等しくない。

「全体は、部分の総和以上」物事は分けて理解しようとすると、捉えられない領域があるのです。

第三章　200万トークンでも精度が落ちる長文処理の課題

実はGoogleは、過去にも一度、200万トークンのコンテキストウィンドウを実現しています。2024年2月、Gemini 1.5 Proは100万トークンで登場し、同年の6月には、200万トークン版が開発者向けに開放されています。

当時の他社の主力モデルは、せいぜい20万トークン級でした。Googleはその10倍から20倍の窓を、一度作っていたのです。

ところが、その後のGemini 2.5 Pro、そしてGemini 3 Proでは、コンテキストウィンドウは100万トークン級に戻ります。200万は、いったん前線から下がりました。

おそらく単純な理由からです。広いコンテキストウィンドウと、読めるコンテキストウィンドウは違った。

初期の長文ベンチマークでは、100万トークンの資料のどこかに短い一文を隠し、それを探させる形式がよく使われました。これは重要な能力です。ただ、これは読解力そのものを測れている訳ではありません。

どこに何が書いてあるかを探し当てる。これが探し物です。全体を通読し、離れた場所同士の関係をつかみ、比喩や構造を理解し論理の展開を掴む。本来の読解はこういうものです。

2025年7月、Chromaという会社が、最先端モデルを対象に、入力の長さと性能の関係を調べました。課題の中身をそろえたまま、入力だけを長くしていく。すると、ほぼ全てのモデルで、長くなるほど成績が落ちました。カタログ上の上限より、はるか手前で性能が崩れる。この現象は、コンテキスト・ロット、文脈の腐敗と呼ばれ、現在の最新AIでも同様の問題を抱えています。

人間の直感では、文章が2倍になれば、読む大変さも2倍くらいに感じます。でも、AIにとって長い文脈が伸びることは、実は結構な大変さ。粗い説明ですが、AIの計算量は、文章量の2乗に比例します。文章量が2倍になると、計算量は4倍になる。すべてのトークンが、他のほぼ全てのトークンとの関係の中で数学として計算されるからです。

10万トークンなら100億規模。20万トークンなら400億規模。100万トークンなら1兆規模。200万トークンなら4兆規模。

コンテキストウィンドウを広げることは、入力欄を大きくするだけでは意味がなく、実際に読めるようにすることでなければなりません。

2年前の200万は、探し物の長文理解は強かった。ただ、長文を読解できるコンテキストウィンドウのサイズではなかった。

Googleは今度こそ、Gemini 3.5 Proで本物の200万コンテキストウィンドウを出してくるでしょう。

では、Googleはこの窓で、何を読もうとしているのか。

第四章　GoogleのAI戦略を支える地味な技術群

この8ヶ月、GoogleのAI発表は、部品だけを見ると地味です。

Workspace。Gemini。動画生成。Android XR。Google Maps。Waymo。Gemini Robotics。TPU。

Claude Fable 5やOpenAIのGPT Image-2の発表ほど分かりやすい衝撃はありません。派手なデモはなく、既存のサービスに順当にAIを埋め込んでいっている。ほぼ全てが予測の範囲内の進歩であり、だからこそ地味に感じます。

でも、やはり「全体は部分の総和以上」。部分の進化を辿っても、Google全体の進化の価値は測れない。

一つ目の部品が、索引です。組織の記憶は、Gmailに、チャットに、Driveに、Meetの録画にあります。これらの記録は溜まっているだけでは読めません。どこに何があるかを意味で束ね、必要な分を取り出す仕組みが必要です。

Workspace Intelligenceは、その取り出し口です。メール、チャット、ファイル、予定を、意味で束ねて索引化する。必要な記録を取り出し、Geminiの200万コンテキストウィンドウの知能に運びます。

それぞれの企業で、誰が、いつ、何を前提に判断したのか。ある顧客対応は、どの議論から生まれたのか。

答えは一通のメールではなく、会話の関係にあります。200万の窓は、その関係を丸ごと読みにいけるサイズです。

二つ目の部品が、カメラです。

Googleは、カメラを現実世界との接点にしようとしています。Android XR。Geminiを組み込んだスマートグラス。Gentle MonsterやWarby Parkerといった眼鏡ブランドと組み、普通の眼鏡に近い形で出す計画です。

スマホはカメラを向けた時のみ見ますが、グラスはみなさんがすでに見ているものを見ています。

この差が結構大きい。AIが読む対象が、日常生活の視界全体へ移るからです。

動画が1時間でおよそ100万トークンなら、200万トークンは直近2時間の視界です。そしてそれらの情報は、物理世界の極めて貴重なデータになりうる。

初めのリンゴの例は、この部品の実演でした。2024年の話です。Googleはその時にはすでにグランドピクチャーを描いていた。部分ではなく、全体を作り始めていたのです。

三つ目の部品が、動画のアーカイブです。

テキストは、人間が世界を要約したものです。世界で起きたことのうち、人間が言葉にする価値があると判断したものだけが、文章になります。つまりテキストは、世界そのものと比べると、極端に圧縮され恣意的になっている情報です。

動画は違います。動画は、世界で起きたことに近い信号を、そのまま残します。もちろん完全な現実ではありませんが、テキストよりはるかに多くの情報を含んでいます。

AIの入力がテキストから動画へ広がるということは、人間の要約を経由せずに、世界の記録を直接読む方向へ進むということです。

Geminiが当初から動画入力を打ち出し続けている理由は、動画の価値を理解しているからだと思います。そして、毎分膨大な映像が流れ込むYouTubeを運営している。世界最大級の、動画のアーカイブはGoogleが押さえています。

四つ目の部品が、計算資源です。

200万トークンを読むには、巨大な計算が要ります。それを世界中のユーザーに、日常的に、商売として提供するなら、計算の原価を握る必要があります。

Googleは、自社設計のチップであるTPUを、長年にわたって自社データセンターで動かしてきました。それがGeminiに垂直統合されます。つまりNVIDIAからGPUを調達する必要がない。AIモデルを作るだけでなく、それを地球規模で安く動かすための部品を持っている。

加えて、検索、YouTube、広告、クラウドで鍛えられたインフラも潤沢なキャッシュもあります。

索引。カメラ。動画のアーカイブ。計算資源。キャッシュ。

これらの全てが、200万のコンテキストウィンドウの正当性を主張します。Googleは、組織の記録と個人の視界を、Geminiに読み直させようとしている。

そして、Googleの全体には、まだ先がある。Googleは未来を読もうとしている。

第五章　Geminiの世界モデルと物理世界の理解

Google DeepMindはGeminiを、世界の一部を理解し、シミュレートし、計画し、新しい経験を想像できる world modelへ拡張していると説明しています。

要は、AIが物理世界を学ぶための、仮想現実空間を作ろうとしている。いわゆる「世界モデル」です。Geminiはとうとう物理的な世界を学び始めるということ。

世界モデルは、流れ続ける世界の中で、次に何が起こるか、自分の行動が世界へどう影響するかを予測するモデルです。車がこのまま進めば、歩行者はどう動くか。その続きを予測し生成する。

世界モデルの確立は、インターネット上のテキストから学んだAIから、現実世界も学んだAIへの、非線形な進化に繋がりうる。Googleは過去の資本の全てを投下して、未来のAIを作りに行っている。

Googleはこれらの部分を、すでに並べ持っています。

一つ目が、世界を作る部品と、その中で行動を学ぶ部品です。Genie 3は、テキストからリアルタイムに操作できる世界を生成する世界モデルです。SIMA 2は、未知の3D世界の中で、環境を理解し、指示を解釈し、目的に向けて行動できます。

二つ目が、学んだ行動を物理世界へ戻す部品です。Gemini Robotics 1.5は、視覚と言語を現実空間のロボットの動作へ変換するモデルです。

三つ目が、現実世界での検証です。Waymo World ModelはGenie 3を基盤にした自動運転シミュレーションの世界モデルで、希少な運転状況をシミュレートしています。

Googleの技術はすでに、組織の記録、個人の視界、そして物理世界の記録を200万トークン分Geminiで読めます。そして、それらは未来を読むための装置へ進化を続けている。

世界モデル化したGeminiを中心に、視界、動画、ロボット、地図、自動運転、Workspaceをつなぐ巨大な実行基盤が作られようとしています。

Googleの時価総額は、GPT-3.5〜GPT-4の時代には大幅に毀損していました。検索の時代が終わると思われたからです。それが、気づけばGoogle史上最大の時価総額になっている。検索広告の成熟を理解してなお、市場はGoogleにプレミアム価格を認めている。「全体は部分の総和以上」Googleは最強の「全体」をつくれる会社になり得る。これらの部分を全て持っている企業は、世界中にGoogleしか存在しません。

終章　Googleが目指す「記憶を持つAI」の未来

AIには、記憶がありません。

でも実は、人間も正確な意味で過去を記憶しているわけではありません。人間の記憶は、過去の体験の散らばった要素をかき集めて、一連の物語として創作し直した生成映像です。同じ体験をしたメンバーで思い出話を語っても細部が食い違いますよね。これは当たり前で、過去の出来事それ自体を記憶しているわけではないからです。

でもだからこそ、嫌だった経験も、体験も人間には乗り越える力がある。過去はすでにどこにも存在しておらず、現在の自分自身の解釈でしかないからです。

AIは良くも悪くもそれができない。記憶を持たないために、巨大なコンテキストウィンドウに入れられた全てを読み直しています。

でも次の時代のAIは、その巨大なコンテキストウィンドウを用いて、「現実」の世界を予想し始めるかもしれない。

単語を予測するAIから、世界の続きを予測するAIへ進化する途上にある。

Googleにとって、Geminiは一つの部分。本当の価値は、Google全体の中にあるようです。