声で考えるAIの新しい返事｜Gemini 3.8 Liveの「Extended Thinking」は何をしているのか

夕食の買い物リストを考えながら、スマホに向かって「冷蔵庫にあるもので3日分の献立を考えて」と話しかけたとします。するとAIはすぐには答えず、1秒か2秒、静かに間を置きます。その短い沈黙のあとで、「1日目は鶏肉とキャベツの炒め物、2日目は…」と話し始めます。この「間」に何が起きているのかを追いかけると、声で使うAIの考え方が見えてきます。

返事の前に、いくつもの案を比べている

Extended Thinking（拡張思考）は、AIが答えを出す前に、複数の考えを順番に並べて比べる機能です。たとえば献立の例なら、「冷蔵庫にある食材は何か」「3日分で足りる量は」「家族が苦手なものは入っていないか」といった条件を、頭の中で一つずつ確認していきます。そのうえで、いちばん無理のない組み合わせを選んでから、声で答えます。

ふだんのAIは、思いついた順に言葉をつなげて返します。速い代わりに、条件の抜け落ちや矛盾が混ざることがあります。Extended Thinkingは、その速さを少しだけ犠牲にして、答えの質を上げようとする考え方です。人間でいえば、返事をする前に「ちょっと待って、整理するね」と一呼吸置くのに近い動きです。

声で使うと、考えている時間が「沈黙」になる

文字でチャットするときは、考えている間も画面に何かしらの表示が出ます。しかし声の会話では、その時間がそのまま無音になります。相手が黙ると、人は「聞こえていないのかな」「固まったのかな」と不安になりがちです。Gemini 3.8 Liveでは、この沈黙をできるだけ短くしながら、複雑な質問にも答えられるように調整されています。

また、声の会話では相手の話を途中で遮ることもできます。Extended Thinkingが働いている最中でも、新しい条件を追加して考え直させることができます。「ベーコンは使わないで」と割り込めば、その条件を組み込んで答え直します。文字入力のように、いったん送信したら取り消せない、という不便さがありません。

カメラを向ければ、目の前のものを一緒に見てくれる

Gemini 3.8 Liveには、スマホのカメラを向けながら話せる機能もあります。たとえば、壊れた自転車の部品を映して「これは何という名前で、どこで買える？」と聞くと、映像から部品の形や刻印を読み取り、名前や交換方法を声で説明します。子どもの宿題の図形問題を映して、解き方を順番に説明してもらう使い方もあります。

このときもExtended Thinkingは働きます。カメラから入ってくる情報、これまでの会話の流れ、あなたが追加した条件をまとめてから、答えを組み立てます。ただし、映像がぼやけていたり、部品の刻印が小さすぎたりすると、読み取りを間違えることがあります。名前や型番が重要な場面では、AIの説明をそのまま信じず、メーカーの公式サイトや説明書で確認する習慣が役立ちます。

便利さの裏側にある、いくつかの限界

Extended Thinkingは、あくまで「答えを出す前により多く考える」機能です。考える材料そのものが間違っていたり、最新の情報が手元になかったりすれば、間違った答えにたどり着くこともあります。特に、昨日のニュースや今日の天気のように変化の速い話題では、AIが持っている情報が古い可能性があります。

• 声の会話では、考えている間の沈黙が長く感じられることがあります。急いでいるときは、質問を短く区切ると返事が早くなります。
• カメラで読み取る場面では、明るさや角度で認識が変わります。型番や名前を確認したいときは、公式の情報と照らし合わせてください。
• 複雑な相談ほどExtended Thinkingの効果が出ますが、答えの正しさを保証するものではありません。お金や健康に関わる判断は、必ず別の情報源でも確認してください。

買い物リストの例に戻りましょう。AIが数秒黙ってから献立を話し始めたとき、その裏では、冷蔵庫の中身、家族の好み、3日分という条件が順番に比べられています。沈黙は、止まっている時間ではなく、答えを選んでいる時間です。そのことを知っておくと、声でAIと話すときの待ち時間が、少しだけ落ち着いたものになります。