Google CloudのAI責任者が、モデル機能の向上に向けた主要な課題を提示

Google Cloudのプロダクト担当バイスプレジデントであるマイケル・ガーステンハーバー氏は、同社の包括的なエンタープライズAI導入プラットフォーム「Vertex」を主な担当領域としています。この役職を通じて、彼は企業がAIモデルを実際にどのように導入しているか、また自律型AIの可能性を引き出す上で依然として残る主要な課題について、幅広い視点を得ています。

マイケルとの対談では、特に独創的な洞察が語られました。彼は、AIモデルの進化を、3つの異なる「フロンティア」への同時的な挑戦として捉えています。それは「生来の知能」、「応答遅延」、そして重要な第3の要素である「コスト効率」です。この第3のフロンティアは、純粋な能力というよりも手頃な価格に重点が置かれており、モデルが予測不可能な大規模な環境で運用できるほど安価に導入できるかどうかを決定づけるものです。これは、最先端モデルの開発を新たな方向へと導こうとするすべての人にとって、貴重な枠組みとなるでしょう。

本インタビューは、内容を明確にするために要約・編集されています。

まず、AI分野でのご経歴と、Googleでの現在の役割についてお聞かせいただけますか？

AI分野でのキャリアは約2年になります。Anthropicで1年半勤務した後、約6ヶ月前にGoogleに入社しました。現在はVertex開発者プラットフォームの責任者を務めています。主なユーザーは、カスタムアプリケーションを構築するエンジニアたちです。彼らは、エージェント型ワークフローへのアクセス、堅牢なエージェント型プラットフォーム、そして世界最先端のモデルが持つ推論能力を求めています。 私のチームはその基盤となるプラットフォームを提供し、エンドユーザー向けアプリケーションは、Shopifyやトムソン・ロイターといった顧客企業が、それぞれの業界内で開発しています。

Googleへの移籍を決めた動機は何ですか？

Googleの独自の強みは、ユーザーインターフェースからインフラストラクチャ層に至るまでの垂直統合にあります。私たちは自社でデータセンターを設計し、電力調達を管理し、カスタムシリコン（TPU）を開発し、独自の基盤モデルを学習させ、推論およびエージェント型オーケストレーション層を制御しています。 メモリやコード生成といった機能のためのAPIを提供しています。さらに、コンプライアンスやガバナンスのためのエージェントエンジンに加え、Geminiのようなコンシューマー向けおよびエンタープライズ向けのインターフェースも構築しました。このエンドツーエンドの制御は大きな強みであり、私がGoogleに入社した主な理由でもあります。

TechCrunch Founder Summitで最大300ドル（30%）割引

TechCrunch Founder Summit 2026に1, 000名以上の創業者や投資家と共に参加し、成長、実行、スケーリングに捧げられた1日を過ごしましょう。業界を牽引する創業者や投資家から知見を得ることができます。同様の成長段階にある仲間とネットワークを築き、すぐに実践できる具体的な戦略を持ち帰ってください。

本オファーは3月13日まで。

TechCrunch Founder Summitで最大$300（30%）割引

TechCrunch Founder Summit 2026に1, 000名以上の創業者や投資家と共に参加し、成長、実行、スケーリングに捧げられた1日を過ごしましょう。業界を牽引する創業者や投資家からインサイトを得てください。同様の成長段階にある仲間とネットワーキングを行い、すぐに実践できる戦略を持ち帰ってください。

キャンペーンは3月13日まで。

興味深いことに、3大AI研究所は違いがあるにもかかわらず、中核となる能力においては拮抗しているように見えます。これは単に知能の向上を競うレースなのでしょうか、それとも状況はもっと複雑なのでしょうか？

私には3つの明確な性能の境界線が見えます。第一に、Gemini Proのようなモデルは、純粋な知能の向上に最適化されています。複雑なコード生成のようなタスクが良い例です。そのコードの保守やデプロイを行うことになるため、時間がかかっても可能な限り高品質な出力を求めることになります。

2つ目の境界線はレイテンシーだ。ライブのカスタマーサポートの場面では、AIにはポリシーを適用する知能（例：返品処理や座席アップグレード）と、ユーザーが離脱する前に回答を届けるスピードの両方が求められる。ここでは、厳格な時間制限内で動作できる、最も賢いモデルが必要となる。

3つ目の境界線は、大規模運用時のコストです。RedditやMetaのような、膨大な量のコンテンツをモデレートすることを目指す企業は、予測不可能な需要に直面しています。コストがどのようにスケールするかを知らずに、無制限の企業リスクを負うことはできません。彼らには、予算内で入手可能な最も知能の高いモデルが必要であり、かつ潜在的に無限のタスクを処理できるほどコスト効率がよいものでなければなりません。

なぜエージェント型AIシステムが広く普及していないのか、という疑問は常に存在します。モデルの能力や印象的なデモは存在しているにもかかわらず、1年前に多くの人が予想していたような変革的な変化は完全には実現していません。主なボトルネックは何でしょうか？

基盤となる技術が登場してからまだ2年ほどしか経っておらず、重要なインフラが依然として欠如しています。エージェントの行動を監査したり、エージェントへのデータアクセスを承認したりするための確立されたパターンが不足しています。実運用に耐えうるこれらのパターンを実装するには、多大な労力が必要です。実運用への導入は、常に技術的な能力の進展に遅れをとります。2年という期間は、AIの持つ知性の全容が成熟した導入済みシステムに反映されるには短すぎます。そこに現在の課題があります。

ソフトウェアエンジニアリング分野での導入が特に急速に進んだのは、既存の開発サイクルとシームレスに統合できるためです。エンジニアには安全な開発・テスト環境が整っています。Googleでは、コードが顧客向けの製品としてリリースされる前に、2人のエンジニアによるレビューと承認が必要です。こうした「人間が関与する」プロセスにより、実装リスクは極めて低くなります。他の分野や職種においても、これと同等の安全なパターンを確立する必要があります。