はじめに

2023〜2024年にかけて、Google Cloud の Generative AI は大きな転換期を迎えました。
それが「PaLM API → Gemini API」の移行です。

PaLM時代は、用途ごとに異なるクラスを使う方式でした。
しかしGemini登場以降は、統一API＋モデル指定方式へと変化しています。

🏗️ PaLM時代の構造（旧）

PaLM APIでは、用途別にクラスが分かれていました。
たとえば以下のように：

from vertexai.language_models import TextGenerationModel

model = TextGenerationModel.from_pretrained("text-bison@002")
response = model.predict("AIと機械学習の違いを教えて")
print(response.text)

TextGenerationModel … テキスト生成用
ChatModel … チャット形式の応答
CodeGenerationModel … コード生成
EmbeddingModel … ベクトル生成

いわば、「タスク特化API」の世界観でした。

🚀 Gemini登場後の構造（新）

Gemini以降では、上記のような用途別クラスは廃止され、
統一クラス GenerativeModel に集約されました。

from vertexai.generative_models import GenerativeModel

model = GenerativeModel("gemini-2.0-flash-001")
response = model.generate_content(
    "AIと機械学習の違いを教えて",
    generation_config={
        "temperature": 0.7,
        "max_output_tokens": 512,
        "top_p": 0.9,
        "top_k": 40,
    }
)

for chunk in response:
    print(chunk.text)

ポイントは以下の通りです。

観点	PaLM	Gemini
API構造	タスク特化クラス（Text/Chat/Code）	統一クラス `GenerativeModel`
モデル指定	`text-bison` など用途ごと	`gemini-2.0-pro`, `gemini-2.0-flash` など
メソッド	`predict()`	`generate_content()`
出力	`.text`	構造化されたレスポンス（マルチモーダル対応）

💬 モデル指定の考え方

Gemini系では「どのGeminiを使うか」をモデル名で明示します。
用途はモデルによって変わります。

モデル名	主な用途	備考
`gemini-2.0-flash`	高速・低コスト推論	軽量推論やチャット用途
`gemini-2.0-pro`	高品質推論	精度重視のタスク
`gemini-1.5-pro`	画像・コード対応	マルチモーダル
`code-gecko`（Codey）	コード生成特化	Geminiとは別系統
`textembedding-gecko`	ベクトル生成	RAG用途

Gemini自体がマルチモーダル（テキスト＋画像＋コード理解）なので、
テキスト生成・チャットなどは1モデルで完結します。
ただし、コード生成は依然として Codey 系を利用します。

⚙️ API呼び出し構造の変化

これにより、コードの保守性が大幅に向上しました。
ひとつのクラスでマルチモーダル処理が扱えるため、
アプリ側はモデル名を差し替えるだけで新モデルに移行できます。

🤝 OpenAI APIとの比較

実は、OpenAIも同じ方向性をとっています。
違いを比較すると以下のようになります。

項目	Google Vertex AI	OpenAI
統一API	`GenerativeModel`	`chat.completions.create()`
モデル指定	`gemini-2.0-pro` 等	`gpt-4o`, `gpt-4.1` 等
マルチモーダル対応	Gemini 1.5〜	GPT-4o で対応
コード生成	`code-gecko`（別系統）	GPT-4oでも対応可能
Embedding	`textembedding-gecko`	`text-embedding-3-large`

つまり：

🔸 Google：モデルは統一API＋一部専門モデル併存
🔹 OpenAI：統一API＋単一モデルで多用途対応

方向性はほぼ同じですが、Googleのほうが明示的なモデル分離設計を残しています。

🧩 まとめ

要点	内容
✅ PaLMは「用途別クラス」方式だった
✅ Geminiは「モデル指定」方式に統一された
✅ コード生成など一部はCodey系を併用
✅ OpenAIも同様に「統一API＋モデル指定」方式へ収束中
✅ 開発者は“どのモデルを使うか”を中心に設計する時代へ

🪄 余談：実務で意識すべきポイント

gemini-2.0-flash はかなり高速。Chat用途ならこちら推奨。
RAG用途では textembedding-gecko がVertex標準。
モデル指定文字列（例：gemini-2.0-pro）はModel Gardenで確認可能。
既存の TextGenerationModel などは今後非推奨方向。

🔗 参考リンク

まとめの一言

PaLM時代の「テキスト用APIを選ぶ」から、
Gemini時代は「モデルを指定するだけ」に。

アーキテクチャのシンプル化はもちろん、
マルチモーダル対応の前提設計になった点が最大の変化です。