
【Google I/O 2026】ゴミ箱にGemmaを宿す?元Nest創業者が挑む「エッジAI×ハードウェア」によるフードロス削減の最前線
導入:地球規模の課題に「草の根の技術」で挑む
世界で生産される食品の30〜40%が廃棄されているという現実をご存知でしょうか。これは年間数千億ドル規模の経済損失であり、地球全体の温室効果ガス排出量の約10%を占める巨大な惑星規模の課題(Planetary-scale problem)です。

Google I/O 2026のステージに登壇したMatt Rogers氏(元iPod/iPhone開発メンバーであり、スマートホームの「Nest」創業者)は、新会社『Mill』を立ち上げ、この巨大な課題に「ハードウェア × オンデバイスAI」というアプローチで挑んでいます。
大がかりなクラウドデータセンターに頼るのではなく、現場のスマートゴミ箱の中にカスタムの「Gemma」を組み込むという、まさに「Survival DX」を体現するような最先端の実装事例を解説します。
1. 『Mill』がスマートゴミ箱でおこなうこと
Millが開発した業務用・家庭用のシステムは、一見するとただのスタイリッシュなゴミ箱ですが、内部は高度なテクノロジーの塊です。
乾燥・減量化の魔法: 食品廃棄物の約80%は水分です。Millの内部で巨大なデハイドレーター(乾燥機)を回すことで、水分を飛ばしてコーヒーの粉のような状態にまで粉砕します。これにより、腐敗せず、臭わず、輸送しやすい「リサイクル可能な資源(堆肥や飼料の原料)」へと瞬時に変換します。
「データ」による廃棄そのものの予防: 単に処理するだけでなく、「何が、いつ、なぜ捨てられたか」をデータ化し、スーパーマーケットやレストランの厨房へフィードバックすることで、仕入れ(調達)やメニューの最適化を行い、ロスそのものを根絶することを目指しています。
2. なぜクラウドではなく「オンデバイス(エッジ)AI」なのか?
動画内で最も技術的に興味深いのが、「なぜGeminiのような超巨大クラウドAIではなく、軽量なオープンモデル『Gemma』をエッジで動かすのか」というトレードオフの思想です。
① 圧倒的なデータ量と通信コストの壁
Nest時代、防犯カメラの映像を24時間クラウドにストリーミングするシステムを構築したMatt氏は、その通信量とクラウド側の処理コストの莫大さを身をもって知っています。 食品廃棄の現場では、毎秒120〜240フレームという超高速・高フレームレートのカメラで、ゴミ箱に投げ込まれる一瞬の物体を捉えます。これを世界中の店舗からクラウドに送っていたら、データセンターがいくらあっても足りず、通信コストだけでビジネスが破綻してしまいます。
② ハードウェア構成(NVIDIA Jetson × Gemma)
Millの業務用ゴミ箱の内部には、エッジコンピューティング用の基板 「NVIDIA Jetson」 が搭載されています。この限られたハードウェアリソースの上で、Googleと共同でチューニング(ファインチューニング)したカスタム版の軽量LLM/VLM「Gemma」をローカル駆動させています。
③ 求められる「精度」の現実的なライン
医療用AIであれば、1%の誤診も許されないためクラウドの超巨大モデルによる「深い思考」が必要です。しかし、「トマトか赤リンゴか」の識別であれば、多少の誤差は長期的な統計データとして補正可能です。 「コスト・複雑さ・速度・実用的な精度」のバランスを極限まで追求した結果が、エッジでのGemma採用でした。
3. デモから見る実装のリアル:5TBの教師データと泥臭い識別
動画内のPCデモでは、実際のGoogleの社員食堂(Google Xの過去プロジェクトから提供されたデータ)のゴミ箱内部の映像が映し出されます。
人間でも見分けるのが難しい「ゴミ箱の中身」: 綺麗なお皿に載った料理ではなく、他の生ゴミと混ざり合って形が崩れた「ドロドロの何か」をAIに識別させるのは至難の業です。Millはすでに5テラバイトを超えるラベル付き教師データを蓄積し、Gemmaを泥臭く最適化しています。
卵の事例: 「何個の卵が捨てられたか」「それは割れていたのか、丸ごとだったのか」を高速識別します。もし「使える状態の卵が大量に余って捨てられている」というインサイトが抽出されれば、厨房のシェフに対して「今日は卵が余りそうだから、メニューにオムレツを追加しませんか?」といったAIエージェントによる提案(Agentic Processing)へ繋げることができます。
まとめ:実務に活かす「身の丈に合ったAI」の思想
今回のMillの事例は、まさに私たちが目指す「実務で使えるIT・AIの活用」の教科書のような存在です。
高価なクラウドを使い続けない設計: エッジ(現場)のハードウェアを賢く使い、ランニングコストを下げる。
目的特化型のチューニング: 万能なAIを目指すのではなく、「生ゴミの識別」という特定のタスクに軽量なGemmaを特化させる。
現場の負担を減らすUI: 「シェフは書類仕事(ロスの記録)のために料理人になったのではない、料理で人を喜ばせるためにいる」という思想の元、AIがバックグラウンドで自動的にデータ化を行う。
LLMをチャットツールとして使うだけでなく、こうした「物理的なハードウェアや実務の課題」と掛け合わせることで、真のDX(生存のためのDX)が実現します。GCPやGAS、エッジでのオープンモデル活用など、私たちが普段触れている技術の延長線上に、地球を救うビジネスがあることを実感させてくれる素晴らしいセッションでした。