Googleが公開した「Gemini 4 Carbon」は、同社の生成AIモデル群の中でも最前線を担うと位置づけられた新モデルだ。単に賢いだけではなく、サイバーセキュリティと長時間にわたる複雑な作業への対応を強く打ち出しているのが特徴である。しかも、前モデルの発表からまだ2週間しかたっていない段階で次を出してきたため、Googleがこの分野をどれだけ速く前へ進めようとしているかがよく見える。性能競争の話にとどまらず、実運用への慎重な出し方も含めて、かなり意味のある発表だと思う。
Googleは、Gemini 4 Carbonを「next frontier model」と呼び、これまでで最強のモデルだと説明している。特徴としてまず挙げているのは、state-of-the-art cybersecurity、つまり最先端レベルのサイバーセキュリティ性能と、long horizon capabilities、長い時間軸で複雑な作業をやり切る能力だ。公開文によると、Carbonは最近更新されたArtificial Analysis Intelligence Index v5.0で59点を取り、ランキング1位についたという。
Googleは、性能の伸びをかなり具体的に示している。コード生成やagentic tasks、つまりツールを使いながら自律的に仕事を進めるタイプのタスクで改善があり、サイバー防御に重要な能力でも大きく伸びたとしている。たとえば、SEC-bench Proでは脆弱性発見で88.2%、ExploitGymでは悪用能力で54.8%、CWE-benchではパッチ適用で71.0%を記録し、いずれも強い結果だと説明している。社内ベンチマークでは、安全なコードを生成する力がArgonより大きく向上し、実際のライブコーディング環境でも、誤った方向に進む割合や、もっともらしいが根拠のない出力の割合が減ったという。
Carbonは、2週間前に出たGemini 4 Argonの上に積み上げたモデルでもある。Googleはこれを、研究チームとモデル開発が連携してフロンティアを加速させている証拠だと位置づけている。ただし、展開はかなり慎重だ。米政府が進める自主的な事前テストの枠組みに参加していると明かし、まずは今週から一部のcyber defendersに提供を始め、その後Fairwind Programを通じて信頼できるパートナーに順次広げるという。開発者、企業、一般利用者への提供は、ガードレールを詰めながら自社製品群へ出す準備が整い次第、という立て付けだ。価格はArgonと同じ開始価格で、入力100万トークンあたり2ドル、出力100万トークンあたり10ドル、キャッシュされた入力トークンは入力価格の95%引きになる。
性能面では、長時間にわたる難しいエンジニアリング作業に強いことも強調されている。Googleの内部では、Carbonが何日も走り続け、巨大なコードベースや低レイヤーのシステムで発生した微妙なバグの原因特定と修正に取り組んだ例があるという。Web開発でも、品質や生成物の出来が改善し、WebDev Arenaでは+89 eloで4位、1768点に上がったとしている。サイバーセキュリティでは、脆弱性の検出、検証、修正という防御の一連の流れで成果を出し、Chromeチームは別のフロンティアモデルより10倍以上良かったと報告したと紹介している。Wizも、WebペネトレーションテストのベンチマークでCarbonが優位だと見ているという。
この発表でまず目を引くのは、Googleが性能の高さをかなり強く主張しながら、同時に公開の仕方では慎重さを前面に出している点だと思う。ふつう新モデルの紹介は、ベンチマーク上昇や製品統合の話に寄りがちだが、今回は「一部のcyber defendersから始める」「信頼できるパートナーへ段階的に広げる」といった説明がかなり目立つ。サイバーセキュリティの機能は、便利な反面、そのまま悪用されると被害も大きい。だからこそ、Googleは性能だけで押し切るのではなく、公開前のテストやガードレールの調整を物語の中心に置いている。これは安全配慮というより、製品戦略そのものだろう。
Gemini 4 Argonの発表からわずか2週間でCarbonを出した、という事実はかなり重い。新機能の追加ではなく、明確に別の「次のモデル」を出しているので、内部での改良サイクルが相当速いことを示しているし、同時に競争の圧も透けて見える。フロンティアモデルの世界では、1回の発表で勝ち切るより、短い間隔で前進を続けることが重要になっているのだと思う。ユーザーから見ると少し追いかけづらい一方で、開発側にとっては「どこまで性能を上げられるか」だけでなく、「どこまで安全に、どの単位で出せるか」まで含めたスピード競争になっている。Googleはまさにそこを見せにきた印象がある。
SEC-bench Proの88.2%、ExploitGymの54.8%、CWE-benchの71.0%という数字は強い。けれど、サイバーセキュリティの現場で本当に効くのは、こうしたベンチマークの結果だけではないと思う。重要なのは、誤検知や誤誘導がどれだけ減るか、脆弱性を見つけたあとにどこまで修正案を現実的に出せるか、そして人間の担当者がどれだけ安心して使えるかだ。Googleが「secure codeの生成が2倍以上向上した」「ライブ環境でmisalignmentとfabricationが減った」とわざわざ触れているのは、そのへんの実務的な痛点を意識しているからだろう。セキュリティは、派手なデモより、地味な信頼性が最後にものを言う分野だ。
Carbonが「何日も走り続けた」と説明されているのは面白い。ここには、単発の質問応答より、長時間の作業を任せる発想がはっきり出ている。巨大なコードベースの不具合修正や、低レイヤーの問題の切り分けは、人間でも時間がかかる。そこにモデルを入れるなら、瞬時の答えより、途中で迷っても戻ってきて、仮説を更新しながら前に進める粘りが必要になる。Googleが「agentic workflows」と「long-horizon tasks」を強調したのは、その方向に用途が広がっているからだと思う。もしこの傾向が続けば、AIは補助ツールというより、開発チームの中で長距離走者のような役割を担うようになるのではないか。
Carbonの価格をArgonと同じにしたのは、地味だが効く判断だと思う。性能が上がったのに値段を据え置くと、既存ユーザーは移行しやすいし、Googleとしては「上位モデルは高い」という印象をつけずに済む。逆に言えば、ここで価格を上げてしまうと、サイバーセキュリティや長時間推論の用途にだけ使う高級品になりかねない。今の時点では、Googleはまず使わせたいのだろう。とはいえ、実際に広く開放されるまでには、ガードレールの調整や外部のフィードバックが必要になる。性能、価格、安全性の3つを同時に回していくのは簡単ではないが、今回の発表はその難しさを隠していない点で誠実だと感じた。
