谷歌的復(fù)仇大殺器Gemini，深夜忽然上線！

被ChatGPT壓著打了整整一年，谷歌選擇在12月的這一天，展開最強反擊戰(zhàn)。

多模態(tài)Gemini，迄今規(guī)模最大、能力最強的谷歌大模型，在文本、視頻、語音等多個領(lǐng)域超越了GPT-4，是真正的一雪前恥。

人類有五種感官，我們所建造的世界、所消費的媒體，都是以這樣的方式所呈現(xiàn)。

而Gemini的出現(xiàn)，就是邁向真正通用的AI模型的第一步！

Gemini的誕生，代表著AI模型的巨大飛躍，谷歌所有的產(chǎn)品，都將隨之改頭換面。

塞進多模態(tài)模型的搜索引擎、廣告產(chǎn)品、Chrome瀏覽器……這，就是谷歌給我們的未來。

多模態(tài)的史詩級創(chuàng)新

以前，多模態(tài)大模型就是將純文本、純視覺和純音頻模型拼接在一起，就像OpenAI的GPT-4、DALL·E和Whisper那樣。然而，這并不是最優(yōu)解。

相比之下，在設(shè)計之初，多模態(tài)就是Gemini計劃的一部分。

從一開始，Gemini就在不同模態(tài)上進行了訓(xùn)練。隨后，研究人員又用額外的多模態(tài)數(shù)據(jù)進行了微調(diào)，進一步提升了模型的有效性。最終，實現(xiàn)了「無縫」地理解和推理各種模態(tài)的輸入內(nèi)容。

從結(jié)果上來看，Gemini的性能要遠遠優(yōu)于現(xiàn)有的多模態(tài)模型，而且它的功能幾乎在每個領(lǐng)域都是SOTA級別的。

而這個最大、最有能力的模型，也意味著Gemini可以用和人類一樣的方式理解我們周圍的世界，并且吸收任何類型的輸入和輸出——無論是文字，還是代碼、音頻、圖像、視頻。

Gemini猜對了紙團在最左邊的杯子里

Google DeepMind首席執(zhí)行官兼聯(lián)合創(chuàng)始人Demis Hassabis表示，谷歌一直對非常通用的系統(tǒng)感興趣。

而這里最關(guān)鍵的，就是如何混合所有這些模式，如何從任意數(shù)量的輸入和感官中收集盡可能多的數(shù)據(jù)，然后給出同樣多樣化的響應(yīng)。

DeepMind和谷歌大腦合并后，果然拿出了真東西。

之所以命名為Gemini，就是因為谷歌兩大AI實驗室的合體，另外也一個解釋是參考了美國宇航局的Gemini項目，后者為阿波羅登月計劃鋪平了道路。

首次超越人類，大幅碾壓GPT-4

雖然沒有正式公布，但根據(jù)內(nèi)部消息，Gemini有萬億參數(shù)，訓(xùn)練所用的算力甚至達到GPT-4的五倍。

既然是被拿來硬剛GPT-4的模型，Gemini當(dāng)然少不了經(jīng)歷最嚴格的測試。

谷歌在多種任務(wù)上評估了兩種模型的性能，驚喜地發(fā)現(xiàn)：從自然圖像、音頻、視頻理解到數(shù)學(xué)推理，Gemini Ultra在32個常用的學(xué)術(shù)基準的30個上，已經(jīng)超越GPT-4！

而在MMLU（大規(guī)模多任務(wù)語言理解）測試中，Gemini Ultra以90.0%的高分，首次超過了人類專家。

Gemini是第一個在MMLU（大規(guī)模多任務(wù)語言理解）上超越人類專家的模型

MMLU測試包括57個學(xué)科，如數(shù)學(xué)、物理、歷史、法律、醫(yī)學(xué)和倫理，旨在考察世界知識和解決問題的能力。

在這50多個不同學(xué)科領(lǐng)域中的每一個中，Gemini都和這些領(lǐng)域最好的專家一樣好。

谷歌為MMLU設(shè)定的新基準，讓Gemini在回答復(fù)雜問題前，能夠更仔細地發(fā)揮推理能力，相比于僅依賴于直覺反應(yīng)，這種方法帶來了顯著提升。

在新的MMMU基準測試中，Gemini Ultra也取得了59.4%的高分，這一測試包括了跨越不同領(lǐng)域的多模態(tài)任務(wù)，這些任務(wù)需要深入的推理過程。

圖像基準測試中，Gemini Ultra的表現(xiàn)也超過了之前的領(lǐng)先模型，而且，這一成就是在沒有OCR系統(tǒng)幫助的情況下實現(xiàn)的！

種種測試表明，Gemini在多模態(tài)處理上表現(xiàn)出了強大的能力，并且在更復(fù)雜的推理上也有著極大潛力。

詳情可參閱Gemini技術(shù)報告：

報告地址：https://storage.googleapis.com/deepmind-media/gemini/gemini_1_report.pdf

中杯、大杯、超大杯！

Gemini Ultra是谷歌迄今為止創(chuàng)建的最強大LLM最大，能夠完成高度復(fù)雜的任務(wù)，主要面向數(shù)據(jù)中心和企業(yè)級應(yīng)用。

Gemini Pro是性能最好的模型，用于廣泛的任務(wù)。它會為許多谷歌的AI服務(wù)提供動力，并且從今天起，成為Bard的支柱。

Gemini Nano是最高效的模型，用于設(shè)備端任務(wù)，可以在安卓設(shè)備上本地和離線運行，Pixel 8 Pro的用戶就能馬上體驗到。其中，Nano-1的參數(shù)為1.8B，Nano-2為3.25B。

Gemini最基本的模型能做到文本輸入和文本輸出，但像Gemini Ultra這樣更強大的模型，則可以同時處理圖像、視頻和音頻。

不僅如此，Gemini甚至還能學(xué)會做動作和觸摸這種更像機器人的功能！

以后，Gemini會獲得更多的感官，變得更加有意識，更加準確。

雖然幻覺問題仍然不可避免，但模型知道的越多，性能就會越好。

文本、圖像、音頻精準理解

Gemini 1.0經(jīng)過訓(xùn)練，可以同時識別和理解文本、圖像、音頻等各種形式的輸入內(nèi)容，因此它也能更好地理解細微的信息，回答與復(fù)雜主題相關(guān)的各類問題。

比如，用戶先是上傳了一段非英語的音頻，然后又錄了一段英語的音頻來提問。

要知道，一般設(shè)計音頻的歸納，都是用文字輸入prompt。而Gemini卻可以同時處理兩段不同語言的音頻，精準輸出所需要的摘要內(nèi)容。

，時長00:38

更厲害的是，如果我想做一個煎蛋，不僅可以用語音問Gemini，還可以把手頭有的食材拍個照片一并發(fā)過去。

然后，Gemini就會結(jié)合音頻中發(fā)送的需求，以及配圖中的食材，手把手教你該怎么做好一個煎蛋。

甚至，每完成一步，都可以拍個照片，而Gemini則可以根據(jù)實際進度繼續(xù)指導(dǎo)下一步該做什么。

手癌星人、不會做飯星人都有救了！

而且，這項能力還這使Gemini特別擅長解釋數(shù)學(xué)和物理等復(fù)雜學(xué)科的推理問題。

比如，家長想在輔導(dǎo)孩子作業(yè)的時候省點事，該怎么辦呢？

答案很簡單，直接拍張圖上去，Gemini的推理能力足以解決數(shù)學(xué)、物理等各類理科問題。

針對其中任何一個步驟，都可以追問Gemini來獲得更具體的解釋。

甚至，還可以就出錯的點，直接讓Gemini輸出一個和出錯類型相似的題目鞏固一下。

復(fù)雜推理輕松搞定

此外，Gemini 1.0具有的多模態(tài)推理能力，可以更好地理解復(fù)雜的書面和視覺信息。這使得它在發(fā)掘埋藏在海量的數(shù)據(jù)中難以辨別的知識方面具有優(yōu)越的性能。

通過閱讀、過濾和理解信息，Gemini 1.0還能夠從成千上萬的文檔中提取出獨到的觀點，從而助力從科學(xué)到金融等眾多領(lǐng)域?qū)崿F(xiàn)新的突破。

AlphaCode 2：編碼能力超85%人類選手

當(dāng)然，基準測試終究只是測試，對Gemini的真正考驗，是想要用它來寫代碼的用戶。

寫代碼，就是谷歌為Gemini打造的殺手級功能。

Gemini 1.0模型不僅可以理解、解釋和生成世界上最主流的編程語言，比如Python、Java、C++和Go的高質(zhì)量代碼。同時它能夠跨語言工作，并對復(fù)雜信息進行推理。

從這一點看，Gemini毫無疑問會成為世界領(lǐng)先的編程基礎(chǔ)模型之一。

兩年前，谷歌推出過一款叫做AlphaCode的產(chǎn)品，它也是第一個在編程競賽中達到具有競爭力水平的AI代碼生成系統(tǒng)。

而基于定制版的Gemini，谷歌推出了更先進的代碼生成系統(tǒng)——AlphaCode 2。

在面對不僅涉及編程，還涉及復(fù)雜的數(shù)學(xué)和計算機科學(xué)理論等領(lǐng)域的問題時，AlphaCode 2都表現(xiàn)出了卓越的性能。

在與初代AlphaCode同樣的測試平臺上，谷歌的開發(fā)人員也對AlphaCode 2進行了測試。

結(jié)果顯示，新模型展現(xiàn)出了顯著的進步，解決的問題數(shù)幾乎是之前AlphaCode的兩倍。

其中，AlphaCode 2編程的性能超過了85%的人類程序員，相比之下，AlphaCode只超過了約50%的程序員。

不僅如此，當(dāng)人類程序員與AlphaCode 2協(xié)作時，人類程序員為代碼樣例設(shè)定特定的要求，Alphacode 2的性能會進一步提升。

AlphaCode 2的運作依托于強大的LLM，并結(jié)合了專為競賽編程設(shè)計的先進搜索和重排機制。

如下圖所示，新的模型主要由以下幾部分組成：

- 多個策略模型，用于為每個問題生成各自的代碼樣本；

- 采樣機制，能夠生成多樣化的代碼樣本，以在可能的程序解決方案中進行搜索；

- 過濾機制，移除那些不符合問題描述的代碼樣本；

- 聚類算法，將語義上相似的代碼樣本進行分組，以減少重復(fù)；

- 評分模型，用于從10個代碼樣本集群中篩選出最優(yōu)解。

詳情可參閱Alpha Code 2技術(shù)報告：

報告地址：https://storage.googleapis.com/deepmind-media/AlphaCode2/AlphaCode2_Tech_Report.pdf

更可靠、更高效、可擴展

對谷歌來說同樣重要的是，Gemini顯然是一個效率更高、更可靠、可擴展的模型。

它是在谷歌自己的張量處理單元上訓(xùn)練的，比谷歌以前的模型（如PaLM）運行起來更快、更便宜。

開發(fā)人員使用了谷歌內(nèi)部研發(fā)的張量處理單元TPU v4和v5e，在AI優(yōu)化的基礎(chǔ)設(shè)施上對Gemini 1.0進行了大規(guī)模的訓(xùn)練。

而可靠、可擴展的訓(xùn)練模型和最高效的服務(wù)模型，就是谷歌做出Gemini的重要目標。

在TPU上，Gemini的運行速度明顯快于早期規(guī)模較小、能力較弱的模型。這些定制設(shè)計的AI加速器是谷歌大模型產(chǎn)品的核心。

要知道，這些產(chǎn)品為搜索、YouTube、Gmail、谷歌地圖、Google Play和Android等數(shù)十億用戶提供服務(wù)。它們還幫助了世界各地的科技公司經(jīng)濟、高效地訓(xùn)練大模型。

除了Gemini，谷歌在今天還發(fā)布了迄今為止最強大、最高效，并且可擴展的TPU系統(tǒng)——Cloud TPU v5p，專為訓(xùn)練尖端的AI模型而設(shè)計。

新一代TPU將加速Gemini的發(fā)展，幫助開發(fā)人員和企業(yè)客戶更快地訓(xùn)練大規(guī)模生成式AI模型，開發(fā)出新產(chǎn)品和新功能。

Gemini，讓谷歌再次偉大？

顯然，在Pichai和Hassabis看來，Gemini的發(fā)布僅僅是一個開始——一個更大的項目即將開啟。

Gemini是谷歌一直在等待的模式，在OpenAI和ChatGPT接管世界后，Gemini是谷歌探索一年得出的結(jié)論。

發(fā)布「紅色警報」后，谷歌一直在追趕，但兩人都表示，不愿意為了跟上步伐而走得太快，尤其是我們越來越接近AGI。

Gemini是否會改變世界？最好的情況是，它能幫谷歌在生成式AI競賽中趕上OpenAI。

但劈柴、Hassabis等人似乎都認為，這是谷歌真正偉大的開始。

今天發(fā)布的技術(shù)報告，沒有透露架構(gòu)細節(jié)、模型參數(shù)或訓(xùn)練數(shù)據(jù)集。

艾倫人工智能研究所前CEO Oren Etzioni說，「沒有理由懷疑Gemini在這些基準上比GPT-4更好，但沒準GPT-5會比Gemini做得更好。」

打造像Gemini這樣的巨量模型，可能需要花費數(shù)億美元，但對于在通過云提供AI占據(jù)主導(dǎo)地位的公司來說，最終的回報可能是數(shù)十億甚至數(shù)萬億美元。

「這是一場不能失敗，必須打贏的戰(zhàn)爭。」