谷歌“最强”AI诞生！听、说、看、写样样精通，还能教人做饭……
没想到，拥有“AI”后的世界已经发展成这样了！
自从去年ChatGPT面世后，今年5月谷歌也坐不住了，宣布要搞AI大模型，但由于种种原因，一直等到大半年后的今天，才正式发布了新一代大语言模型“Gemini”。
谷歌出手，就是不同凡响，虽然步子慢了，但成果很“硬核”。在官方演示中，Gemini可以非常自如地在图像、音频、视频各模态之间转换，其能力也让人刮目相看，例如根据一张地图和表情符号，就能设计出“猜国家”游戏；或者根据文字和图像，猜出是哪部电影......
这还不够，它还会教人念中文并区分四个声调，甚至能手把手教你做饭，有种上班是老师，下班秒变“小厨师”的感觉，任谁看了不直呼一句“厉害”！
难怪谷歌官方称，Gemini是谷歌迄今为止“最大、最全能的AI模型”，它能够进行更复杂的推理，理解更加细微的信息，甚至像人一样理解周围的世界。换句话说，它比之前任何技术都要牛！废话不多说，下面我们就来看看，这个AI大模型有多厉害。
长话短说，谷歌将Gemini定义为一款“原生多模态”模型！直白点解释就是，Gemini一出厂就是“全科发展”，多种感官在模型内统一学习，而不是单独学习再拼接到一起。
这里拿出OpenAI做典型，OpenAI的GPT-3.5一开始是纯文字大语言模型，直到GPT-4才安排了视觉等多模态能力，这种组装拼接吧，就好比先学了语文再学数学，极大可能带来“偏科”问题。
但全面发展的Gemini就不同，它从第一天起就设计成原生多模态结构，相当于“所有科目一起学”，用谷歌的话讲，它能无缝理解、操作不同类型的信息，包括文本、代码、音频、图像和视频等，不需要额外转换，各种模态的性能也更为平衡。
这里再举个简单的例子：同样是要理解图像信息，像GPT-4这样的非原生多模态结构模型，需要先借助OCR（光学字符识别技术）先“认出来”图里是什么——转成文本，再放到语言模型中进行语义理解。而Gemini能基于图像马上进行理解，这种端到端的理解，不会让信息在“转录”过程中丢失。
这样一对比，想必大家就都懂了。
看来，谷歌称Gemini超越了GPT-4，还真不是瞎吹牛！值得一提的是，谷歌这次一口气提供了Gemini的三个尺寸模型：Gemini Ultra、Gemini Pro、Gemini Nano ，并分别对其进行了优化。
其中，Gemini Ultra版本功能最强大，能够完成高度复杂的任务，主要面向数据中心和企业级应用；Gemini Pro则是性能最好的模型，可以执行多种任务，将通过谷歌的类ChatGPT聊天机器人Bard，为众多谷歌AI服务提供支持，加持谷歌的Gmail、Maps Docs和YouTube等服务。
最后就是Gemini Nano，这是最高效的模型，用于设备端任务，可以在安卓设备上本地和离线运行。按照谷歌所说，该模型将首次内置于谷歌手机Pixel 8 Pro上，支持录音自动摘要、键盘智能回复两项功能，未来预计将更多功能置于安卓手机离线运行。
键盘自动生成回复语▲
整体来看，Gemini的多样化设计，使其能够在各种设备上运行，从手机到大型数据中心均适用，其优势显而易见。话虽这么说，但纸上谈兵可没有信服力！
既然是被拿来“硬刚”GPT-4的模型，Gemini当然少不了经历一番测试。
根据内部消息，在推出Gemini之前，谷歌就对该模型进行过一系列标准测试。结果显示，性能上，Gemini训练所用的算力达到GPT-4的五倍，非常出色。其中，特别是在语言理解、推理、数学和编程测试中表现更佳。尤其是Gemini Ultra，在32个常用的学术基准的30个上，已经超越GPT-4。
并且Gemini Ultra在大规模多任务语言理解任务上，得分高达90.0%，是首个超越人类专家的模型。
谷歌DeepMind CEO Demis Hassabis表示：“这是我们目前规模最大，性能最强的大模型，Gemini可以像我们一样，理解我们周围的世界。”确实，对于普通人而言，Gemini也大有用处，它可以同时识别和理解文本、图像、音频等各种形式的输入内容，因此能更好地理解细微的信息，回答与复杂主题相关的各类问题。
具体来看，对于图像理解方面，根据谷歌在发布会放出的演示视频，Gemini是玩“你画我猜”的一把好手，不仅能准确地描绘出测试者在纸上画出的图形，还能根据测试者画出的轮廓，猜测出她绘制的是什么东西。
此外，它还能根据给出的文字和图像，正确猜出所指电影的名字；又或者根据所给的服装图像，告诉你使用场景，甚至为这套搭配取名。
甚至它还能把图像，转变成代码......
而在音频理解上，Gemini也是一把好手，例如用户上传了一段非英语的音频，然后又录了一段英语的音频来提问。这听起来似乎有点麻烦，但Gemini却可以轻松解决，它能同时处理两段不同语言的音频，并精准输出所需要的摘要内容，让人眼前一亮。
还没完！Gemini还能根据指示，教工作人员“鸭子”的普通话发音，并解释了汉语声调，点个赞！
更厉害的是，它还能教你做饭，例如煎个蛋？你可以用语音问Gemini，还可以把手头有的食材拍个照片发过去，然后Gemini就会结合配图中的食材，及所发送的音频需求，来一步步教你怎么做出完美的煎蛋。没想到，有一天AI也能指导做饭，各位不会做饭星人有救了。
重点来了，Gemini理解文本的能力也不容小觑，它尤其擅长解释数学和物理等复杂科目中的推理。对于很多家长来说，辅导孩子作业也是下班后“必不可少的工作”，但有时一些题目自己也不会，或者因为一些别的事，没时间辅导孩子，该怎么办呢？答案很简单，拍张图交给Gemini就完事了。
它在给出正确答案的基础上，还能针对解答过程中孩子不懂的步骤给出具体解释，甚至它还可以指出孩子解答过程中具体出错的点。最后，你还可以直接让Gemini输出一个和出错类型相似的题目，让孩子再巩固一下知识点。
其它方面，Gemini在辨认环境、物体等场景，也不在话下。从谷歌演示来看，给它一张充满阳光的房间照片，它就能推理出来这个房间是朝南朝北，甚至告诉你房间里的植物应该要怎么照顾。整个交流过程十分顺畅，可见Gemini在多语言环境下表现出众，完全不亚于GPT-4。
官方介绍，在Gemini的三个尺寸模型中，Gemini Pro已率先被用在谷歌聊天机器Bard的升级上。经过谷歌测试后，Gemini Pro的表现要优于GPT-3.5。
而为了进一步展现升级后的Bard有多强，谷歌还请了油管教育博主Mark Rober，全程使用Bard作为辅助工具，从零开始画图纸，最后真的造出了一架巨大的纸飞机。
说了这么多，其实无论是指导做饭，还是辅助造纸飞机，都直观说明了，Gemini确实给普通大众的生活，带来了一定帮助，让AI真正融入日常。
当然，除了上面说到的这些之外，谷歌还展示了Gemini的很多能力，例如读柱状图，生成表格；或者直接生成图文并茂的博客；以及展示图形逻辑的推理，还有更为复杂的编程等等，这些都很好说明了Gemini确实很聪明，智慧。
说了这么多，总之从谷歌公布的一系列参数和操作展示来看，Gemini的“AI能力”有目共睹，确实越来越像一位真正的“人类助手”！
现如今，人工智能迎来发展浪潮，对于谷歌而言，在AI即使早在AI领域深耕多年，拥有优质人才和深厚技术积累，却被OpenAI抢了先，以至于后面不得不奋力追赶。
细数下来，今年3月OpenAI发布GPT-4，随后谷歌搞了一款Bard的聊天机器人，但可惜这款对标ChatGPT的机器人并没有获得很大的市场声量。后面的故事也不少，谷歌连续官宣战略合作、紧急发布多个AI工具等等，这些大动作，无疑都表明了谷歌在强烈反击。
直到“谷歌大脑”与Alphabet旗下的人工智能实验室DeepMind合并后，数百名AI精兵疯狂冲刺，才有了Gemini的诞生。现在凭借Gemini的强大实力，谷歌终于扬眉吐气，据说Gemini官宣发布后，不少OpenAI的研究员也都发文祝贺谷歌。
而纵观当下整个AI浪潮发展史，Gemini的发布无疑是AI界又一个里程碑，这意味着AI大模型浪潮进入到一个全新阶段，比起大语言模型，这种多模态模型的运作模式，才是人类最自然的和世界交互的方式。
但话说回来，多模态领域还在技术探索初期，Gemini的发布也只是掀起了其中一角，但这也将直接导致全球的AI大模型竞赛进入新一轮竞争，那么就期待下谷歌或OpenAI，会不会再掀起巨大水花吧。
本文由极果用户极果媒体原创