過去3か月間、NotebookLMとDeepSeekを徹底的に使ってきました。マゾヒストだからではなく、計算言語学の博士号を取得中で、コーヒーを要求せず、私の執筆スケジュールに文句を言わない研究アシスタントが必要だったからです。実際のタスクで両ツールをテストしました：密度の高い論文の要約、データ分析のためのコード生成、3年間のフィールドワークノートの相互参照、さらには学会発表の草案作成まで。以下が私の所見です。
クイック比較表
| 機能 | NotebookLM | DeepSeek |
|---|---|---|
| コンテキストウィンドウ | 約10万トークン（拡大中） | 12.8万トークン（公称、実質安定は約8万） |
| ソース接地 | 厳格 – アップロードしたドキュメントのみ | 緩い – Web＋ファイルから取得可能 |
| ファイル形式 | PDF、Googleドキュメント、Web URL、テキスト | PDF、Word、Excel、画像（OCR）、コードリポジトリ |
| コードサポート | 基本（Pythonスニペット） | 完全（Python、R、SQL、bash、デバッグ） |
| 引用スタイル | インライン、正確なソース引用付き | 要約、ソース参照付き |
| オフラインモード | なし | あり（モバイルアプリ） |
| 価格 | 無料（Googleアカウント） | 無料版＋Pro月額20ドル |
| 速度 | 高速、クエリあたり2-3秒 | 高速だが、深い推論では5-10秒 |
| 最適用途 | 文献レビュー、ノート統合 | コード重視の研究、データ分析 |
第一印象
NotebookLMは、あなたの個人図書館だけを信頼する司書のように感じられました。ソース（PDF、Googleドキュメント、Webリンク）をアップロードすると、モデルはそれらの壁の外には一切触れようとしません。最初は不安でした。最新のarXiv論文を取得したりWikipediaをチェックするAIに慣れていたからです。しかし1週間後、この制約はバグではなく機能だと気づきました。「Smith et al. 2023は韻律的エントレインメントについて何と言っているか？」と尋ねると、NotebookLMはアップロードしたPDF内の正確な段落を指し示しました。幻覚はなし。「Smithはこう言ったと思う」もなし。私のソースを福音として扱いました。
DeepSeekは逆でした。乱雑なフィールドノート、トランスクリプト、半完成のPythonスクリプトが入ったフォルダを放り込みました。DeepSeekはすぐに「関連研究をWeb検索しますか？」と「コードの改善を提案しますか？」と提案しました。すべてを読んでいるが、自分のデータだけを尋ねたことを時々忘れる優秀な大学院生のようでした。明示的に「アップロードしたファイルのみを使用」と指示する必要がありました。それは機能しましたが、モデルは明らかにもっと創造的になりたがっていました。
実際のパフォーマンス観察
文献レビュー：NotebookLMの勝利
両ツールに同じタスクを与えました：「バイリンガルにおけるコードスイッチングの神経相関」に関する5本の論文を要約する。各PDFは8-15ページで、fMRI手法がびっしり。
NotebookLMは、番号付きの所見を含むクリーンで構造化された要約を生成しました。各主張を正確なPDFページにリンクし、関連文を引用しました。「これらの結果はGarcia 2022の研究とどう比較されるか？」と尋ねると、「Garcia 2022をアップロードしていません。
