谷歌王者归来！全新AI多模态大模型Gemini性能测试完胜GPT-4
图片来源：视觉中国
北京时间12月7日凌晨，谷歌宣布推出最新的多模态大模型Gemini 1.0，称其是规模最大、功能最强的人工智能模型。谷歌发布的技术报告显示，Gemini在文本和编码等一系列基准测试中表现出先进性能，在大部分基准测试中性能超过GPT-4，达到目前领先水平。
Gemini推出三个版本，适用不同场景
Gemini是谷歌迄今为止最强大和最通用的人工智能模型，是Google Research在内的谷歌各个团队合作的成果。Gemini作为多模态模型，可以归纳并且流畅地理解、操作和组合不同类型信息，包括文本、图像、音频、视频和代码。Gemini 1.0 针对不同尺寸进行了优化，根据Google DeepMind CEO兼联合创始人Demis Hassabis介绍，谷歌针对不同的应用场景发布了Gemini Ultra、Gemini Pro 和Gemini Nano三个版本，用以确保Gemini能够在所有设备上高效运行。
其中，Gemini Ultra适用于高度复杂的任务，在性能测试中超过当前最先进水平。目前Ultra还处于测试和完善阶段，谷歌将向部分客户、开发者、合作伙伴以及安全和责任专家提供使用，用以进行早期试验并获得反馈，预计在明年初将向开发者和企业客户提供使用该模型。Gemini Pro是适用于各种任务的最佳模型，用于Bard的升级。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。谷歌今年新发售的Google Pixel 8 Pro则成为首款搭载Gemini Nano的智能手机，Gemini Nano作为端侧设备上最高效的模型，能够用以支持录音软件的“总结”和Gboard 的“智能回复”等功能。
功能强大？Gemini性能展现多模态AI技术
谷歌的技术报告表明，Gemini是原生的多模态大模型。与传统的多模态模型相比，Gemini 1.0一开始就在不同模态上开展预训练，并利用额外的多模态数据微调来提高有效性，以便能够流畅地理解和处理各种输入内容。
在复杂推理方面，Gemini 1.0能够理解和分析复杂的书面和视觉信息，从数十万份文件中提取见解。此外，Gemini 1.0 还能有效处理和解释文本、图像、音频等多种格式的信息，并且理解具有细微差别的信息，回答与复杂主题相关的问题。
值得关注的是，Gemini 1.0具有高级编码能力，支持 Python、Java、C++ 和 Go 等流行编程语言。利用这一能力，谷歌进一步开发了 AlphaCode 2，这是一个高级代码生成系统，能够解决需要编程和复杂数学理论知识的问题。
图片来源：Google
为了提高运行效率和扩展性，Gemini 1.0是在谷歌设计的TPUs v4 和v5e等优化过的基础设施上进行大规模训练的。谷歌还推出了功能更强大的Cloud TPU v5p，为训练前沿AI模型提供支持。
Google 数据中心内的一排 Cloud TPU v5p AI 加速器超级计算机图片来源：Google
在安全和责任方面，Gemini 1.0 经过谷歌所有AI模型中最全面的安全评估，包括偏见和毒性评估，并与多个外部专家和合作伙伴合作进行压力测试。此外，谷歌建立了专门的安全分类器和过滤器，用以识别、标记和筛选涉及暴力或负面刻板印象等方面的内容。
谷歌的AI竞赛又添部署，Bard获得“最大升级”
人工智能已经成为科技巨头之间角逐的焦点，在ChatGPT引发爆火现象之后，越来越多的科技公司推出各自对话式生成模型产品，加入到这场较量当中。早在今年6月的谷歌I/O开发者大会上，谷歌CEO桑达尔·皮查伊（Sundar Pichai）就提及了尚在开发中的大型机器学习模型Gemini，并透露了部分细节，该模型具有以往模型所不具备的多模态能力。据悉，此次Gemini 1.0发布是谷歌筹备一年之久的结果，比外界预期的发布时间提前不少。此前根据 The Information消息，谷歌将延期在明年一季度发布Gemini。
但这并不是谷歌首次在人工智能领域“攻城略地”，2023年3月，谷歌推出的聊天机器人产品Bard，这是其在人工智能赛道追赶同行的重要产品，是为应对OpenAI的ChatGPT聊天机器人而开发的。2022年11月，OpenAI推出基于GPT-3大型语言模型的聊天机器人ChatGPT引发广泛关注。新技术的出现将对之前数字广告等创收方式带来颠覆性改变，聊天机器人或将改变甚至取代传统的互联网搜索引擎，这对谷歌在内的科技公司而言无疑成为其目前业务的“潜在威胁”。美国《纽约时报》发表评论称，尽管ChatGPT仍有很大的改进空间，但它的发布导致谷歌管理层宣布“红色代码”。
谷歌在今年2月发布Bard，并于3月以有限规模推出产品，首批开放美国和英国用户申请加入等待名单，在5月的谷歌I/O开发者大会上宣布取消等待名单，增加支持日语和韩语，并拓展到更多国家，今年7月开始支持中文。作为ChatGPT的竞品，Bard并未获得前者所具备的关注度以及期待的外界评价。《纽约时报》发表专栏对比了ChatGPT和Bard作为行政助理的表现，在常见的职责任务的完成中，ChatGPT的表现远远优于Bard。
继Bard之后，Gemini是谷歌在人工智能赛道又一强力部署，Bard也将通过Gemini获得迄今为止的最大升级。谷歌宣称Gemini将分两个阶段向Bard推出使用，发布当天开始，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，明年年初将推出Bard Advanced，这是一种全新的AI体验，也是用户尝试Gemini Ultra模型的首批方式之一。
多模态能力或将成为AI大模型的未来发力点
在尚未公布之前，外界对于Gemini有颇多猜测和质疑，《麻省理工科技评论》称其是“人工智能炒作的巅峰”。根据谷歌发布的信息来看，Gemini大模型的开发为谷歌在AI竞赛中占据了优势，其在多模态人工智能领域树立了新的标准。加州大学伯克利分校教授Alexei Efros认为Gemini具有发展潜力，HuggingFace技术主管Philipp Schmid在X平台上表示质疑，利用谷歌的技术报告的数据修复了图片，认为谷歌有内容有营销之嫌。但毋庸置疑的是，这种进步将带来更加激烈的竞争，华盛顿大学名誉教授Oren Etzioni认为，谷歌和OpenAI之间的竞争将更加“针锋相对”。
目前AI大模型仍处在快速发展变化的时期，可以预见的是，AI大模型将在各行各业得到广泛场景应用。随着技术发展，AI大模型将具备更强的多模态能力，以及更出色的推理能力和创造力，这能帮助模型集成和处理不同类型数据，解决不同情境下更加复杂的问题。谷歌尝试成为AI技术的游戏规则改变者，但仍不可避免面临着与其他科技公司的竞争。
OpenAI开发的GPT系列作为自然语言处理领域的里程碑，掀起了世界范围内的大模型应用开发热潮，不少企业都在AI领域开发了大型模型。针对Gemini的发布信息，Meta CEO扎克伯格在X平台上发表评论称Gemini比Grok看起来“好多了”，而“Grok”系马斯克旗下人工智能公司xAI推出的首款人工智能产品，言论背后正是科技巨头下场人工智能赛道、各自较劲的现状。以Meta公司为例，在今年2月发布了基础大型语言模型Llama 1，并于7月发布Llama 2系列，并宣称和微软、高通合作实现模型应用。
AI大模型在中国同样备受关注，今年8月，中国首份AIGC监管性文件正式实施，首批通过备案的AI大模型名单出炉在月底公开。包括百度的文心一言、华为的盘古大模型、字节跳动的云雀大模型、百川智能的Baichuan大模型在内的大模型诞生，被外界称为“百模大战”，竞争背后体现了人工智能市场的发展潜力。