首超人类专家！OpenAI“混乱”之际，谷歌多模态大模型Gemini“大杀四方”

出品｜网易科技智见

作者｜丁广胜

在OpenAI“混乱”之际，Google准备“大杀四方”。

就在昨日晚间，Google 和 Alphabet CEO Sundar宣布Gemini上线，并称之为“我们规模最大、能力最强的 AI 模型”，语惊四座。

Gemini的关键词是“多模态”，Google针对三种不同的尺寸对第一代 Gemini 1.0进行了优化：Gemini Ultra —规模最大且功能最强大的模型，适用于高度复杂的任务；Gemini Pro — 适用于各种任务的最佳模型；Gemini Nano — 我们端侧设备上最高效的模型。

Sundar高喊业界，Gemini 是我们迄今为止最灵活的模型，从数据中心到移动设备，它能够在所有设备上高效运行。

他解释道，Gemini令人兴奋的一个特别之处在于，它从一开始就是一个原生的多模式模型。就像人类一样，它不仅仅是在文本上学习，还可以通过视频、音频和代码学习。因此，这个模型天生就能力更强，我认为这将帮助我们梳理出更新的功能，这太令人兴奋了。

言外之意，OpenAI你怕不怕？

Gemini的最强性能从何而来？

据Google DeepMind CEO 和联合创始人，Gemini 是我们迄今为止最强大、最通用的模型，它在许多领先的基准测试中都展现出了最先进的性能。我们的第一个版本 Gemini 1.0针对不同尺寸进行了优化，分别是：Ultra、Pro 和 Nano。这些是进入 Gemini 时代的第一个模型，也是我们今年早些时候成立 Google DeepMind 时的愿景的首次实现。

他还对未来以及 Gemini 将为全世界的人们带来的机遇感到由衷的兴奋。具体来讲，Gemini 是包括 Google Research 在内的 Google 各团队间进行广泛合作的成果。它从一开始就被创建为多模态的模型，这意味着它可以归纳并流畅地理解、操作以及组合不同类型的信息，包括文本、代码、音频、图像和视频。

在性能方面， Google对 Gemini 模型进行了严格的测试，从自然图像、音频和视频理解到数学推理，在被大型语言模型（LLM）研究和开发中广泛使用的32项学术基准中，Gemini Ultra 的性能有30项都超过了目前最先进的水平。

（图注：在一系列多模态基准测试中，Gemini 的性能超越了当前最先进的水平。）

与此同时，Gemini Ultra 的得分率为90.0%，是第一个在 MMLU（大规模多任务语言理解）测试中超过人类专家的模型，MMLU 综合使用了数学、物理、历史、法律、医学和伦理等57个科目，用于测试世界知识和解决问题的能力。

针对 MMLU， Google新的基准测试方法让 Gemini 能够利用其推理能力在回答困难问题之前更加仔细地思考，从而比仅凭第一印象就直接回答问题有显著的改善。

在新的 MMMU 基准测试中，Gemini Ultra 也取得了得分率为59.4% 的成绩，该基准测试由横跨不同领域、需要仔细推理的多模态任务组成。

在 Google的图像基准测试中，Gemini Ultra 在不使用对象字符识别 (OCR) 系统来提取图像中的文本进行下一步处理的情况下，表现优于以前最好的模型。

AI应用大爆发前夜真正来临？

不同于一般通用大模型主打的窗口对话，业界的共识是，多模态大模型才是未来。

在推理方面，Gemini 1.0具有复杂的多模态推理能力，可帮助理解复杂的书面和视觉信息。这使得它具有独特的技能，可以在海量的数据中发掘难以辨别的知识内容。它拥有通过阅读、过滤以及理解信息，从数十万份文件中提取见解的卓越能力，将有助于在从科学到金融等多个领域以数字化速度实现新的突破。

与此同时，Gemini 1.0经过训练，可以同时识别并理解文本、图像、音频等，因此它能更好地理解具有细微差别的信息，回答与复杂主题相关的问题。这就让它尤其擅长解释数学和物理等复杂科目中的推理。

在高级编码能力方面，Gemini 还可用作更高级编码系统的引擎。两年前，Google展示了 AlphaCode，它是第一个在编程竞赛中性能达到竞赛水平的 AI 代码生成系统。现在，Google利用一个专门版本的 Gemini，创建了更先进的代码生成系统 AlphaCode 2，该系统擅长解决那些不仅需要编码能力而且也需要复杂数学和理论计算机科学知识的竞赛性编程问题。

更为重要的是，Google还发布了迄今为止功能最强大、效率最高且可扩展性最强的 TPU 系统 Cloud TPU v5p，旨在为训练前沿 AI 模型提供支持。新一代 TPU 将加速 Gemini 的开发，帮助开发者和企业客户更快地训练大规模生成式 AI 模型，从而更快推出新产品和新功能。

这使得Gemini更可靠、可扩展和高效。

安全为核心，“让 Gemini 普及全球”

据介绍，在 Google，致力于在所有工作中以大胆而负责任的方式推进 AI。Google方面表示，在开发的每一个阶段，我们都会考虑潜在的风险，并努力进行测试和降低这些风险。

具体在Gemini 层面，据了解，Gemini 拥有迄今为止 Google 所有 AI 模型中最全面的安全评估，包括偏见和毒性评估。“我们对网络攻击、说服力和自主性等潜在风险领域进行了创新性的研究，并应用了 Google Research 一流的对抗性测试技术，帮助我们在部署 Gemini 之前检测关键的安全问题。”

为了减少伤害，Google构建了专门的安全分类器来识别、标记和筛选涉及暴力或负面刻板印象等方面的内容。结合强大的过滤器，这种分层方法旨在让 Gemini 对每个人都更加安全和包容。此外，Google正继续解决模型面临的已知挑战，例如事实性、基础、归因性以及协作性。

Google承诺，在安全的基础上，将通过 Google 的产品将 Gemini 带给数十亿人。

首先，从今天开始，Bard 将使用 Gemini Pro 的微调版本来进行更高级的推理、规划和理解等。这是 Bard 自推出以来最大的升级。它将在170多个国家和地区提供英语服务，并且我们计划在未来几个月内扩展不同的模态，并支持新的语言和地区。

其次，Google还将在 Pixel 上使用 Gemini。Pixel 8 Pro 是首款搭载 Gemini Nano 的智能手机，它可以支持录音应用中的“总结”等新功能，并在 Gboard 中推出“智能回复”功能，从 WhatsApp 开始，明年还将推出更多信息应用。

最后，未来几个月，Gemini 将应用于我们更多的产品和服务，如 Search、Ads、Chrome 和 Duet AI。Google已经开始在 Search 中试验 Gemini，它能够为用户提供更快的搜索生成体验（SGE），用户在美国的英语搜索延迟降低了40%，同时在质量方面也有所提高。

而对于开发者，从12月13日开始，开发者和企业客户可以通过 Google AI Studio 或 Google Cloud Vertex AI 中的 Gemini API 获取 Gemini Pro。

毫无疑问，这是 AI 发展过程中的一座重要里程碑，也标志着 Google 在大模型方面不再接受被人压着打！

他们的目标也非常明确“改变全球数十亿人的生活和工作方式”。我们拭目以待。