Google Simula：サンプルごとの最適化ではなくメカニズム設計としてのデータ合成

2026年4月16日、Google ResearchはSimulaフレームワークに関する詳細な技術記事を発表しました——専門的なAI応用におけるデータ不足の問題へのアプローチを根本的に変えるシステムです。著者のTim R. DavidsonとHamza Harkousは、問題を**「サンプルレベルからメカニズムレベルへ再フレーミングする」**必要があると主張しています。

なぜメカニズム設計であってサンプル最適化ではないのか

従来の合成データアプローチは個々の例を最適化します——より良いプロンプト、より良い温度、より良いフィルター。著者たちは、これはデータが自然に存在しないドメイン（規制分野、新しい専門的タスク、プライバシーに敏感な応用）においてはスケールしないと主張しています。

Simulaは代わりに複数の軸にわたって生成データの分布を同時に制御するメカニズムを設計します。結果として、実践者はアーキテクチャを設計するように「データセットがどのように見えるか」を調整できます——試行錯誤ではなく明示的なパラメータで。

四つの制御軸

フレームワークは生成を四つの独立した次元に分解します：

グローバル多様化は推論モデルを使用して、ドメインの概念空間をマッピングする階層的分類体系を構築します。これらの分類体系は**「サンプリングの足場」**として機能し、最も一般的なケースの周りに集中するのではなく、ロングテール分布のカバレッジを確保します。

ローカル多様化は分類ノードから派生したメタプロンプトを使用し、同じトピック内で複数の異なるインスタンスを生成してモードの崩壊を防ぎます——モデルが同じサンプルのバリエーションを繰り返す現象です。

複雑化は難易度を直交する軸として扱い、意味的カバレッジを変えることなくデータセットの難易度分布をシフトさせます。実践者は同じトピックの簡単なバリアントと複雑なバリアントを生成できます。

品質管理はデュアル評論者ループを通じて機能します——二人の独立した検証者がLLMの迎合傾向を減らし、高品質なラベルを確保します。

技術アーキテクチャと評価

システムは生成のためのTeacherモデルとしてGemini 2.5 Flash、トレーニングのためのStudentモデルとしてGemma-3 4Bを使用します。評価は分類カバレッジと校正済み複雑度スコアリングに依存し、後者はLLMバッチ比較を通じて各例にEloレーティングを割り当てます。

テストはサイバーセキュリティ（CTI-MCQ、CTI-RCM）、法律推論（LEXam）、数学（GSM8k）、多言語知識（Global MMLU）の五つのドメインにわたります。各ドメインの生成データセットは最大512,000例を含みました。

興味深い発見：高い複雑度は数学的精度を10%向上させますが、法律推論を劣化させます。著者たちはこれを「単一の最適なレシピは存在しない」証拠と解釈しています——各ドメインは独自の軸の組み合わせを必要とします。

Googleエコシステムで既に本番稼働中

Simulaは実験的なプロジェクトではありません。記事では以下を動かしていることが明かされています：

• 専門モデル： ShieldGemma、FunctionGemma、MedGemma
• 安全インフラ： Gemini安全分類器のプライマリバックボーン（デバイス上およびサーバーサイド）
• ユーザー保護： Android電話通話におけるAI詐欺検出とGoogle MessagesのスパムフィルターのAI詐欺検出
• エンタープライズセキュリティ： リアルな合成攻撃シナリオを通じてMLを民主化するフレームワーク

この発表は、GoogleがSimulaの内部インフラをファーストクラスのAIプリミティブのレベルに引き上げたことを示しています——モデルアーキテクチャやハードウェアスタックと同様に真剣に扱っています。