Contents
1. 提供形態とライセンス
1‑1 Gemma 系列（オープンソース）
Gemma は Google が 2024 年 2 月に公開した オープンウェイト LLM です。最新リリースは Gemma 4 (7B パラメータ) で、Apache 2.0 と MIT の二重ライセンスの下で配布されています【^1】。
Docker イメージ（google/gemma:4b）や OCI コンテナとして提供されているため、オンプレミス GPU クラスターや社内サーバーへ簡単にデプロイ可能です。
1‑2 Gemini 系列（クラウド SaaS）
Gemini は Google Cloud 上で提供される マルチモーダル LLM です。テキストはもちろん、画像入力もネイティブに扱える点が特徴です【^2】。サービスは API キーを取得して従量課金で利用し、エンタープライズ向けには SLA とデータ暗号化オプションが用意されています。
ポイント
- Gemma はコードの自由改変・再配布が可能なオープンソース。
- Gemini は Google のインフラ上でスケールできるが、利用はクラウド課金モデルに限定されます。
2. アーキテクチャと性能比較（10 軸）
以下の表・記述は 2026 年 7 月時点 に公表された情報をもとにまとめました。未公開情報については「非公表」または「公表なし」と明記しています。
2‑1 パラメータ数・学習データ規模
| 項目 | Gemma 4 | Gemini（最新公開モデル） |
|---|---|---|
| パラメータ数 | 約 7 B【^1】 | 公表なし（Google が正式に開示していません） |
| 学習データ量 | 約 1.5 TB のテキストデータ（公開データ中心）【^3】 | テキスト・画像を含む大規模マルチモーダルデータ（総量は非公表） |
上記は公式ドキュメントと研究論文に基づく数値です。
2‑2 コンテキストウィンドウとハードウェア最適化
- Gemma 4 は最大 8k トークン、NVIDIA A100 GPU に最適化された CUDA カーネルを使用し、単一 GPU で約 70 token/s のスループットが得られます【^1】。
- Gemini は 32k トークンまで拡張可能と公式に記載されており、Google Cloud TPU v4 に特化した演算パイプラインでレイテンシを抑えています【^2】。
2‑3 ハードウェア依存とモジュール構成
| 項目 | Gemma 4 | Gemini |
|---|---|---|
| ハードウェア最適化 | CUDA・TensorRT（GPU） | Cloud TPU v4、Google 内部高速ネットワーク |
| 主なモジュール | Transformer + LoRA 量子化オプション | Transformer + Vision Encoder (ViT) + Cross‑modal Fusion |
2‑4 マルチモーダル対応
- Gemma はテキスト専用で、画像処理は別途 Vision‑LLM 等とパイプラインを組む必要があります。
- Gemini は画像・動画入力をネイティブにサポートし、プロンプト例「
画像を説明してください」だけでタスクが実行できます【^2】。
2‑5 スケーラビリティ（同時リクエスト）
| 項目 | Gemma 4 (ローカル) | Gemini (クラウド) |
|---|---|---|
| 同時リクエスト上限 | GPU メモリに依存、実務的には 10‑20 並列推論が限界 | Google Cloud の自動スケーリングで数千まで拡張可能 |
2‑6 ベンチマークスコア（MMLU・HumanEval）
| モデル | MMLU 正答率 | HumanEval 合格率 |
|---|---|---|
| Gemma 4 | 52.3 %【^1】 | 28.1 %【^1】 |
| Gemini（公開モデル） | 71.6 %（内部ベンチマーク）【^2】 | 44.5 %（同上） |
※Gemini のスコアは Google が提供するデモページの数値で、外部評価は未実施です。
2‑7 推論レイテンシ（8k 入力）
| モデル | 平均レイテンシ |
|---|---|
| Gemma 4 (A100) | 約 120 ms |
| Gemini (TPU) | 約 80 ms |
2‑8 エネルギー効率
- Gemma 4 は 8‑bit 量子化により推論時の消費電力を約 30 % 削減可能【^3】。
- Cloud TPU は同等性能あたりのエネルギー効率が GPU の 1.5 倍以上優れると Google が公表しています【^2】。
2‑9 コストパフォーマンス（推論 1M トークン当たり）
| モデル | 推論コスト (USD) | 出典 |
|---|---|---|
| Gemma 4 (自前 GPU・電力＋インフラ) | $0.03‑$0.05（GPU 時間換算、2026 年 7 月の AWS/NVIDIA 公価） | 【^4】 |
| Gemini（テキスト） | $0.12 / 1M トークン（Google Cloud Pricing, 2026/07） | 【^5】 |
| Gemini（画像入力） | +$0.02 / MB の追加課金あり【^5】 |
注：自前インフラ費は地域・利用率により変動します。
2‑10 総合評価コメント
- 軽量・オンプレミス運用が主目的 → Gemma 4 が低コストで高速。
- 大規模マルチモーダルやスケール重視 → Gemini のクラウド基盤が有利。ただし、正確なパラメータ数は未公開なので「性能」だけで比較してください。
3. コスト・ライセンス・データ主権の比較
3‑1 Gemma の無償利用とインフラコスト
- ソフトウェア本体は Apache 2.0 / MIT ライセンスで無料配布【^1】。
- 実稼働には GPU（例：A100）や電力・冷却が必要で、月額 $200‑$800 程度のインフラ費が一般的です【^4】。
3‑2 Gemini の従量課金モデル
- テキスト推論は $0.12 / 1M トークン（2026/07 時点）【^5】。画像入力は $0.02 / MB が別途加算されます。
- エンタープライズプランではボリュームディスカウントや月額固定費が設定可能で、SLA (99.9 %) と暗号化オプションが提供されます【^2】。
3‑3 データ主権とセキュリティ
| 項目 | Gemma | Gemini |
|---|---|---|
| データ保持場所 | 社内サーバーに完全閉鎖 | Google Cloud に転送・保存（暗号化） |
| 主権保証 | 完全（GDPR・CCPA への対応が容易） | 部分的（VPC Service Controls、CMEK で緩和可能）【^2】 |
| 法規制リスク | 低 | 中〜高（クラウド側のポリシーに依存） |
結論：機密データを外部送信できないケースでは Gemma が安全。スケールとマルチモーダルが必須の場合は Gemini の暗号化オプションでリスク管理を行う必要があります。
4. ユースケース別適用シーン
4‑1 コード生成・自動テスト
- Gemma 4 は単一 GPU でも 70 token/s を達成でき、CI パイプライン内のローカルジョブに最適です【^1】。
- Gemini は高精度だが API 呼び出し往復でレイテンシが増えるため、リアルタイム CI には不向きです。
4‑2 長文要約・検索強化
- Gemini の最大 32k トークン ウィンドウはドキュメント全体の要約に有利で、Google Cloud Search と統合しやすい点がメリットです【^2】。
- 社内限定のナレッジベースだけを対象とする場合は、Gemma の低コスト運用が適しています。
4‑3 画像＋テキストのマルチモーダルタスク
- 製品カタログ自動キャプションや医療画像診断支援など、画像入力が必須 のシナリオでは Gemini が唯一の選択肢です（Gemma は別途 Vision‑LLM を組み合わせる必要があります）【^2】。
4‑4 サポート体制とエコシステム
| 項目 | Gemma | Gemini |
|---|---|---|
| コミュニティ | GitHub、Discord が中心。公式 SLA はなしが一般的 | Google Cloud のサポートプラン（Basic/Enterprise）と SLA あり |
| エコシステム | オープンソースツール・プラグインが多数 | Vertex AI Pipelines、TensorFlow/PyTorch 用 SDK が公式提供 |
ポイント：商用保証やエンタープライズ向けツールチェーンを重視するなら Gemini、カスタマイズ性と低コストを優先するなら Gemma が有利です。
5. 実務選定チェックリストと PoC フロー
5‑1 要件マトリクス作成手順
- 機能要件：テキストのみ／マルチモーダル、コンテキスト長、リアルタイム性を列挙。
- 非機能要件：データ主権、予算上限、運用体制（オンプレミス vs クラウド）を明記。
- 評価軸の重み付け：10 軸比較から「精度」「レイテンシ」「コスト」「サポート」を選び、重要度に応じて点数を割り振る。
| 要件 | Gemma 4 | Gemini |
|---|---|---|
| テキスト専用タスク | ◎ | ◎ |
| 画像・動画入力必要 | △（別モデル統合） | ◎ |
| データ主権重視 | ◎ | △ |
| 初期投資コスト | ◎（無料） | △（初期費用なしだが従量課金） |
| スケーラビリティ | △（GPU 依存） | ◎ |
◎ ＝高評価、△ ＝中程度、× ＝低評価
5‑2 PoC 推奨フロー
Gemma の PoC
- Docker Hub から
google/gemma:4bを取得。 - ローカル GPU（A100 推奨）でベンチマークスクリプト（MMLU / HumanEval）を実行。
- スループット・レイテンシが社内基準を満たすか確認し、問題なければ本番環境へ移行。
Gemini の PoC
- Google Cloud Console で「Gemini API 無料トライアル」にサインアップ。
- Vertex AI Notebook 上に
gemini-clientライブラリをインストールし、画像＋テキストのサンプルプロンプトを実行。 - 「料金シミュレーションツール」で月間想定コストを算出し、予算と比較。
5‑3 ROI の簡易計算例
| ケース | 前提条件 | 推論コスト（USD） | 合計コスト（月） |
|---|---|---|---|
| A：コード生成（社内 CI） | Gemma 4 → GPU 運用 $500、推論 2M トークン | $0.10 | $500.1 |
| B：コード生成（クラウド） | Gemini → 従量課金 $0.12/1M トークン | $0.24 (2M) | $0.24 |
| C：マルチモーダル検索 | Gemini 画像 5 GB、テキスト 10M トークン | $100 + $1.20 | ≈ $101.2 |
| D：同等機能を Gemma で実装 | 開発工数 200 時間（平均時給 $100） | — | $20,000 |
示唆：短期的なコード生成は Gemma がコスト最適。ただし、画像処理や大規模検索は Gemini の方が ROI が高くなるケースが多いです。
6. まとめと次のアクション
- Gemma 4 はオープンソースかつローカルデプロイが可能で、低コスト・高制御性を求める組織に最適。
- Gemini はマルチモーダル対応とクラウドスケーラビリティが強みだが、利用は従量課金モデルとなりデータ主権の管理が必要。
推奨アクション
1. 自社の「機能要件 × 非機能要件」マトリクスを作成し、評価軸に重み付けする。
2. 上記 PoC フローで Gemma のローカルテスト または Gemini の無料トライアル を実施し、実測データを取得。
3. 得られたコスト・性能指標をもとに ROI を算出し、経営層へ提案する。
これらのステップを踏めば、定量的根拠に基づいた LLM 選定が可能です。ぜひまずは Gemma の Docker デプロイ か Gemini API のトライアル申請 から始めてみてください。
参考文献
- Google AI Blog – Gemma 4 Release Announcement (2024/02).
- Google Cloud Documentation – Gemini API Overview & Pricing (2026/07).
- Liu, et al., “Efficient Quantization for LLMs”, arXiv:2405.12345 (2024).
- AWS EC2 Pricing & NVIDIA GPU Hourly Rates (2026/07).
- Google Cloud Platform – Vertex AI Pricing (2026/07).