Google Researchは、専門AI領域におけるデータ不足に対処するため、Simulaフレームワークを発表しました。従来の手法が人手によるシードデータやブラックボックス的な進化アルゴリズムに依存していたのに対し、Simulaは「推論優先」のアプローチを採用し、第一原理からデータセット全体を構築します。このフレームワークは合成データ生成をデータセットレベルのメカニズムデザインとして再定義し、カバレッジ、複雑性、品質を独立して制御可能な変数とします。
Simulaの生成プロセスは4つのステップからなります。まず、グローバル多様化では、推論モデルを使って対象領域の概念空間を再帰的に拡張し、深い階層的分類木を構築します。これにより、データセットがロングテールをカバーするようにします。次に、ローカル多様化では、分類木のノードから「メタプロンプト」を生成し、1-of-Nサンプリングによって複数の異なるインスタンスを作成し、モード崩壊を防ぎます。3番目の複雑化では、設定可能な割合のメタプロンプトをより精巧で困難なものに洗練します。最後に、品質チェックでは、デュアルクリティカループを用いて回答の正しさを独立に検証し、お世話行動を軽減して高品質なラベルを保証します。
評価において、SimulaはTaxonomic CoverageとCalibrated Complexity Scoring（Eloレーティングに基づく）という推論ベースの指標を導入し、多様性と難易度のニュアンスをよりよく捉えます。Gemini 2.5 Flashを教師モデル、Gemma-3 4Bを生徒モデルとして、サイバーセキュリティ、法律推論、数学推論、多言語学術知識など5つの領域で最大51万2千データポイントを生成した実験では、完全なSimulaシステムが常に単純なベースラインを上回りました。しかし、普遍的な最適生成戦略は存在せず、例えば高複雑性は数学推論で10%の精度向上をもたらした一方、法律推論では性能を低下させました。データはモデルの能力に合わせて調整する必要があり、より良いデータはボリュームよりも重要です。
SimulaはGoogle内部で実際のビジネスアプリケーションに広く活用されています。Gemmaエコシステム（ShieldGemma、FunctionGemma、MedGemmaなど）や、デバイス上およびサーバーサイドのGeminiセーフティ分類器の主要な合成データ基盤として機能しています。さらに、Android通話におけるAI詐欺検出やGoogleメッセージのスパムフィルタリングなどのユーザー保護機能にも利用されています。研究チームは、合成データが科学、セキュリティ、法律における次のブレークスルーに不可欠であり、Simulaはメカニズムデザインがデータ生成を制御可能な科学にすることを実証したと述べています。
追加情報：Googleブログは2026年4月16日公開、著者はTim R. DavidsonとHamza Harkous。Simulaは5領域で最大512Kデータポイントを生成。全システムは常にベースラインを上回ったが、高複雑性はタスクによって影響が異なる。実用化例としてGemmaモデル群やユーザー保護機能がある。これらの成果は、合成データを制御可能な科学ツールとする可能性を示している。