Google 史上最強大模型 Gemini，真的全面「碾壓」GPT-4 嗎？
昨天（6日）深夜，Google 突然發佈重磅 AI 殺手鐧——Gemini。
多模態 Gemini 可以理解、操作和結合不同類型的信息，包括文本、代碼、音頻、圖像和視頻。
在去年 ChatGPT 發佈不到兩週後，Google 就已經拉響「紅色警報」來應對挑戰。可緊急上線的 Bard ，卻在首次亮相就出現錯誤，一夜讓 Google 蒸發了 1000 億美元市值。
在過去的一年裏，基於大模型的聊天機器人單月訪問量已經超過 20 億， 其中 ChatGPT 遙遙領先，Google Bard 雖然排在第二，但和幾個競品一起歸為「其他」更為合適。
▲ 圖片來自：The Information
因此，Gemini 早已被寄予了趕超 ChatGPT 的厚望，無論成敗，它就是 Google 過去對 AI 大模型孤注一擲的成果。
能看、能説、能推理
Gemini 1.0 共官宣中杯、大杯、超大杯三種不同規格。
中杯：Gemini Nano —— 最高效的設備任務模型
大杯：Gemini Pro —— 適用於廣泛的任務擴展的最佳模型
超大杯：Gemini Ultra ——最大且最能勝任高度複雜任務的模型
暫且拋開繁雜的參數信息，先來用幾個案例讓你全面瞭解 Gemini 的能力。
當你隨手畫個鴨子，從曲線到鴨子成型，Gemini 都可以精準識別。給鴨子畫條波浪線，它能理解你的言外之意，精準地指出鴨子在水中游泳的場景答案。
同時它還能人性化地模仿鴨子的叫聲，即使是用流利的普通話説出鴨子的叫法也不在話下。
閒着無聊，也可以和 Gemini 玩個遊戲，你的手指指向哪個區域，Gemini 就能説出那個國家及其代表性的事物。
三仙歸洞，猜猜紙球在哪個杯子下面，手速再快，也躲不過 Gemini 的「眼睛」。
拿到紗線卻毫無頭緒，別急，Gemini 聰明的大腦在看到紗線的那一刻，就已經把成品給你安排上，你只需要「照貓畫虎」就好了。
識別圖像還只是 Gemini 的基礎水準，看到樂器，Gemini 還能生成符合環境氛圍的音樂，
邏輯和謎題解決、圖像序列分析、魔術技巧解釋、記憶和邏輯，這些能力 Gemini 樣樣都有，樣樣精通。
Google 也發佈了文字演示版本，若你不想看視頻，可以訪問 https://developers.googleblog.com/2023/12/how-its-made-gemini-multimodal-prompting.html 查看。
或許是這個視頻過於震撼，部分網友質疑 Google 這個視頻存在「造假」的可能性，不過 Gemini 將很快在 Google AI Studio 中向公眾開放，屆時便能一辯真假。
多模態 Gemini VS GPT-4
據 Google 官方顯示，從自然圖像、音頻和視頻理解到數學推理，Gemini Ultra 的性能在 32 個廣泛使用的大型語言模型（LLM）研究和開發的學術基準測試中，超過了 30 個當前最先進的結果。
從 Google 放出的測試結果來看，在文本、常規推理、數學、代碼等領域，Gemini 的表現幾乎是全方位碾壓了 OpenAI 的 GPT-4。
MMLU（大規模多任務語言理解）是測試 AI 模型知識和解決問題能力的最流行方式之一。Gemini Ultra 在該測試中以 90.0% 的準確率成為首個超越人類專家的模型，作為對比，GPT-4 只有 86.4% 的準確率。
新的 MMMU 基準測試包含了跨不同領域的多模態任務，對多模態大模型的檢驗程度更高，但超大杯 Gemini Ultra 同樣取得了 59.4% 的高分。
Google CEO Sundar Picha 在接受《麻省理工學院技術評論》的採訪時表示，Gemini 之所以令人矚目，其中一個重要原因是它從根本上就是一個多模態模型，就像人一樣，它不僅從文本中學習，還能通過視頻、音頻和代碼進行學習。
多模態特性是 Gemini 花時間打磨的原生特性，Gemini 1.0 能同時識別和理解文本、圖像、音頻等多種信息，理解信息能力更強，在回答與複雜主題相關的問題也能遊刃有餘。在多模態 SOTA 的測試中，Gemini 圖像、視頻、音頻的多模態測試水準再次遙遙領先。
代碼是檢驗大模型水平的重要指標之一，Gemini 1.0 跨語言工作和推理複雜信息的能力是它的強項，能夠理解諸如 Python、Java、C++ 等高質量代碼。兩年前，Google 推出了 AlphaCode，這是首個在編程比賽中達到競爭水平的 AI 代碼生成系統。
現在， AlphaCode 推出了第二代，這是一個由 Gemini 微調的競爭性編碼模型，在與原始 AlphaCode 在相同的平台上較量時，AlphaCode-2 在人類競爭對手中的得分為 87%，而此前 AlphaCode 的得分只有 46%。
AlphaCode-2 技術報告地址 🔗：https://storage.googleapis.com/deepmind-media/AlphaCode2/AlphaCode2_Tech_Report.pdf
在技術報告中，Google DeepMind（AlphaCode 2 出品人）分享了大量關於推理時搜索、過濾和重新排名系統的細節。英偉達高級科學家 Jim Fan 直誇這些最新成果堪稱 Google 的 Q*（可以簡單理解為 AI 的大突破）。
thehiredai CEO Arman 大膽地作出預測：「Gemini AI 剛剛殺死了 ChatGPT！」
值得一提的是，Google 還宣佈推出迄今為止最強大、最高效、最可擴展的 TPU 系統：Cloud TPU v5p。
▲ Cloud TPU v5p
Gemini 1.0 的訓練正是在 Google 內部設計的 Tensor 處理單元（TPUs）v4 和 v5e 的 AI 優化基礎設施上進行的。
Google Cloud CEO Thomas Kurian 對於自家產品，毫不吝嗇地誇讚道：「Cloud TPU v5p 是我們迄今為止功能最強大、可擴展性最強的 TPU 加速器，其訓練模型的速度比其前代產品快 2.8 倍。」
手機大模型的新玩家
手機是新技術破圈的重要媒介，Gemini 想要大規模走進大眾社會，Pixel 8 一定是其不二之選。
Pixel 8 Pro 作為第一款內置人工智能的手機，已經在高新技術民用化的道路上建立了良好的口碑，從已經上手 Pixel 8 Pro 的用户反饋看，Google 把 AI 和手機終端應用結合得相當不錯。
在此基礎上，Google 官宣中杯大模型 Gemini Nano 從今天開始，將在 Pixel 8 Pro 上正式運行。
消息一出，PassionateGenius CTO Morimoto 已經迫不及待想要體驗在 Pixel 8 上跑大模型了。
作為首款專為 Gemini Nano 設計的智能手機， Pixel 8 Pro 有兩項專屬的拓展功能將在後續的更新中加入：「記錄器摘要」和「Gboard 智能回覆」。
即使沒有網絡連接，記錄器也可以獲得手機對話錄音、採訪、演示等內容的摘要，強大的終端硬件是支撐這個功能的依託，而優化的側端算法讓「斷網不斷線」成為了可能。
智能回覆功能很像我們掛斷電話後的自動回覆，但和傳統的固定內容相比， Gemini Nano 可以識別來信的內容，根據不同的語句生成對應的回信，語言也會更加自然親切，有種明星的運營團隊在社交平台回覆粉絲的即視感。
這兩項功能目前只支持英文文本的識別，但轉頭一想對本身就買不到 Google 手機的我們好像也沒有任何影響，不過能買到 Pixel 8 Pro 的非英語國家的用户，還需要再靜候一段時間。
而在生產力方面的優化，在大洋彼岸 Pixel 終於趕上了國內的基本水平。
類似的照片和視頻的 AI 編輯功能在新機首發時，就成了 Google 新機的代名詞，現在繼續優化的 AI 編輯優化，可以讓手機再加一件「專業編輯器」的新裝。
全新清潔功能可以幫助去除掃描文檔中的污跡、污漬和摺痕。現在只用在相冊裏滑動幾下，即可消除圖片中的污漬。
藉助 Google Tensor G3 的強大功能，Pixel 8 Pro 上的視頻增強模型，可在雲端調整顏色、照明、穩定性和顆粒度。
從官方展示的對比看，視頻被加了一層「鮮明」濾鏡，顏色更飽滿，明暗對比度更高，特別是在夜晚暗光環境中，這種 AI 優化的效果會更明顯。
相較視頻的編輯，圖像美化應該是更多人的期待，特別是在拍動態物體的時候，模糊的畫面總會讓你在事後翻閲時留下一些遺憾，升級的 AI 編輯可以將 Google 照片中的模糊全部消除。
以後記錄自家寵物的高光時刻，不用擔心相機沒聚焦帶來的焦慮了。
此外，Google 將多設備之間的聯動也進行了升級。Pixel Watch 能夠成為手機解鎖的另一種方式，也能幫你忽略不需要的來電，或接聽電話之前確認對象以及通話原因。
如果你能買到 Pixel 8 Pro，或者已經是 Google 手機的用户，可以嘗試檢驗一下這些新功能，會不會成為你購買或繼續使用 Google 的推動力。
從今天開始，通過全新升級的 Gemini Pro 版本，Bard 將實現更高級的推理、規劃、理解等功能。它將在超過 170 個國家和地區提供英文版本。
在接受《麻省理工學院技術評論》的採訪時，Sundar Pichai 還説到：「Gemini Pro 在基準測試中的表現非常出色，當將其集成到 Bard 中時，我可以親身感受到它的優勢，我們一直在對它進行測試，所有類別任務的好評率都有顯著的提升，因此，我們將其稱為迄今為止最大的升級之一。」
▲目前 Bard 已使用 Gemini Pro 版本，圖片來自 X 用户 @gijigae
在接下來的幾個月裏，Gemini 還會陸續上線 Google 旗下更多的產品和服務，比如搜索、廣告、Chrome 和 Duet AI 等。
從 12 月 13 日開始，開發者和企業客户可以通過 Google AI Studio 或 Google Cloud Vertex AI 中的 Gemini API 訪問 Gemini Pro。
目前，Gemini Ultra 已經在內測中，並打算明年初推給開發者和企業用户，明年初，Google 還將推出 Bard Advanced，讓更多的普通用户用上最強的 Gemini Ultra。
Google CEO Sundar Pichai 在發佈 Gemini 時説到：
想要實現 AGI（通用人工智能），就需要 AI 做到像人類一樣從容地解決不同領域、不同模式的複雜任務，在這個過程中，除了基本的計算、推理等基礎能力，相對應的文字、圖像、視頻等多模態能力也要跟上。
DeepMind 曾提出 AGI 的評估和分類的框架，前兩個階段分別是：
AGI-0：基本的人工智能，能夠在特定的領域和任務上表現出智能，如圖像識別、自然語言處理等，但是不能跨領域和跨模態地進行學習和推理，也不能與人類和其他 AI 進行有效和自然的溝通和協作，也不能感知和表達情感和價值。
AGI-1：初級的通用人工智能，能夠在多個領域和任務上表現出智能，如問答、摘要、翻譯、對話等，能夠跨領域和跨模態地進行學習和推理，能夠與人類和其他 AI 進行基本的溝通和協作，能夠感知和表達簡單的情感和價值。
Gemini 的演示視頻，充分展現了它對各個模態交互的深刻理解，能看、能説、能推理、能夠感知和表達簡單的情感和價值，也讓我們看到了 AGI-1 的潛在可能性。
本文由李超凡、肖凡博、莫崇宇合寫
資料來源：愛範兒（ifanr）
多模態 Gemini 可以理解、操作和結合不同類型的信息，包括文本、代碼、音頻、圖像和視頻。
在去年 ChatGPT 發佈不到兩週後，Google 就已經拉響「紅色警報」來應對挑戰。可緊急上線的 Bard ，卻在首次亮相就出現錯誤，一夜讓 Google 蒸發了 1000 億美元市值。
在過去的一年裏，基於大模型的聊天機器人單月訪問量已經超過 20 億， 其中 ChatGPT 遙遙領先，Google Bard 雖然排在第二，但和幾個競品一起歸為「其他」更為合適。
▲ 圖片來自：The Information
因此，Gemini 早已被寄予了趕超 ChatGPT 的厚望，無論成敗，它就是 Google 過去對 AI 大模型孤注一擲的成果。
能看、能説、能推理
Gemini 1.0 共官宣中杯、大杯、超大杯三種不同規格。
中杯：Gemini Nano —— 最高效的設備任務模型
大杯：Gemini Pro —— 適用於廣泛的任務擴展的最佳模型
超大杯：Gemini Ultra ——最大且最能勝任高度複雜任務的模型
暫且拋開繁雜的參數信息，先來用幾個案例讓你全面瞭解 Gemini 的能力。
當你隨手畫個鴨子，從曲線到鴨子成型，Gemini 都可以精準識別。給鴨子畫條波浪線，它能理解你的言外之意，精準地指出鴨子在水中游泳的場景答案。
同時它還能人性化地模仿鴨子的叫聲，即使是用流利的普通話説出鴨子的叫法也不在話下。
閒着無聊，也可以和 Gemini 玩個遊戲，你的手指指向哪個區域，Gemini 就能説出那個國家及其代表性的事物。
三仙歸洞，猜猜紙球在哪個杯子下面，手速再快，也躲不過 Gemini 的「眼睛」。
拿到紗線卻毫無頭緒，別急，Gemini 聰明的大腦在看到紗線的那一刻，就已經把成品給你安排上，你只需要「照貓畫虎」就好了。
識別圖像還只是 Gemini 的基礎水準，看到樂器，Gemini 還能生成符合環境氛圍的音樂，
邏輯和謎題解決、圖像序列分析、魔術技巧解釋、記憶和邏輯，這些能力 Gemini 樣樣都有，樣樣精通。
Google 也發佈了文字演示版本，若你不想看視頻，可以訪問 https://developers.googleblog.com/2023/12/how-its-made-gemini-multimodal-prompting.html 查看。
或許是這個視頻過於震撼，部分網友質疑 Google 這個視頻存在「造假」的可能性，不過 Gemini 將很快在 Google AI Studio 中向公眾開放，屆時便能一辯真假。
多模態 Gemini VS GPT-4
據 Google 官方顯示，從自然圖像、音頻和視頻理解到數學推理，Gemini Ultra 的性能在 32 個廣泛使用的大型語言模型（LLM）研究和開發的學術基準測試中，超過了 30 個當前最先進的結果。
從 Google 放出的測試結果來看，在文本、常規推理、數學、代碼等領域，Gemini 的表現幾乎是全方位碾壓了 OpenAI 的 GPT-4。
MMLU（大規模多任務語言理解）是測試 AI 模型知識和解決問題能力的最流行方式之一。Gemini Ultra 在該測試中以 90.0% 的準確率成為首個超越人類專家的模型，作為對比，GPT-4 只有 86.4% 的準確率。
新的 MMMU 基準測試包含了跨不同領域的多模態任務，對多模態大模型的檢驗程度更高，但超大杯 Gemini Ultra 同樣取得了 59.4% 的高分。
Google CEO Sundar Picha 在接受《麻省理工學院技術評論》的採訪時表示，Gemini 之所以令人矚目，其中一個重要原因是它從根本上就是一個多模態模型，就像人一樣，它不僅從文本中學習，還能通過視頻、音頻和代碼進行學習。
多模態特性是 Gemini 花時間打磨的原生特性，Gemini 1.0 能同時識別和理解文本、圖像、音頻等多種信息，理解信息能力更強，在回答與複雜主題相關的問題也能遊刃有餘。在多模態 SOTA 的測試中，Gemini 圖像、視頻、音頻的多模態測試水準再次遙遙領先。
代碼是檢驗大模型水平的重要指標之一，Gemini 1.0 跨語言工作和推理複雜信息的能力是它的強項，能夠理解諸如 Python、Java、C++ 等高質量代碼。兩年前，Google 推出了 AlphaCode，這是首個在編程比賽中達到競爭水平的 AI 代碼生成系統。
現在， AlphaCode 推出了第二代，這是一個由 Gemini 微調的競爭性編碼模型，在與原始 AlphaCode 在相同的平台上較量時，AlphaCode-2 在人類競爭對手中的得分為 87%，而此前 AlphaCode 的得分只有 46%。
AlphaCode-2 技術報告地址 🔗：https://storage.googleapis.com/deepmind-media/AlphaCode2/AlphaCode2_Tech_Report.pdf
在技術報告中，Google DeepMind（AlphaCode 2 出品人）分享了大量關於推理時搜索、過濾和重新排名系統的細節。英偉達高級科學家 Jim Fan 直誇這些最新成果堪稱 Google 的 Q*（可以簡單理解為 AI 的大突破）。
thehiredai CEO Arman 大膽地作出預測：「Gemini AI 剛剛殺死了 ChatGPT！」
值得一提的是，Google 還宣佈推出迄今為止最強大、最高效、最可擴展的 TPU 系統：Cloud TPU v5p。
▲ Cloud TPU v5p
Gemini 1.0 的訓練正是在 Google 內部設計的 Tensor 處理單元（TPUs）v4 和 v5e 的 AI 優化基礎設施上進行的。
Google Cloud CEO Thomas Kurian 對於自家產品，毫不吝嗇地誇讚道：「Cloud TPU v5p 是我們迄今為止功能最強大、可擴展性最強的 TPU 加速器，其訓練模型的速度比其前代產品快 2.8 倍。」
手機大模型的新玩家
手機是新技術破圈的重要媒介，Gemini 想要大規模走進大眾社會，Pixel 8 一定是其不二之選。
Pixel 8 Pro 作為第一款內置人工智能的手機，已經在高新技術民用化的道路上建立了良好的口碑，從已經上手 Pixel 8 Pro 的用户反饋看，Google 把 AI 和手機終端應用結合得相當不錯。
在此基礎上，Google 官宣中杯大模型 Gemini Nano 從今天開始，將在 Pixel 8 Pro 上正式運行。
消息一出，PassionateGenius CTO Morimoto 已經迫不及待想要體驗在 Pixel 8 上跑大模型了。
作為首款專為 Gemini Nano 設計的智能手機， Pixel 8 Pro 有兩項專屬的拓展功能將在後續的更新中加入：「記錄器摘要」和「Gboard 智能回覆」。
即使沒有網絡連接，記錄器也可以獲得手機對話錄音、採訪、演示等內容的摘要，強大的終端硬件是支撐這個功能的依託，而優化的側端算法讓「斷網不斷線」成為了可能。
智能回覆功能很像我們掛斷電話後的自動回覆，但和傳統的固定內容相比， Gemini Nano 可以識別來信的內容，根據不同的語句生成對應的回信，語言也會更加自然親切，有種明星的運營團隊在社交平台回覆粉絲的即視感。
這兩項功能目前只支持英文文本的識別，但轉頭一想對本身就買不到 Google 手機的我們好像也沒有任何影響，不過能買到 Pixel 8 Pro 的非英語國家的用户，還需要再靜候一段時間。
而在生產力方面的優化，在大洋彼岸 Pixel 終於趕上了國內的基本水平。
類似的照片和視頻的 AI 編輯功能在新機首發時，就成了 Google 新機的代名詞，現在繼續優化的 AI 編輯優化，可以讓手機再加一件「專業編輯器」的新裝。
全新清潔功能可以幫助去除掃描文檔中的污跡、污漬和摺痕。現在只用在相冊裏滑動幾下，即可消除圖片中的污漬。
藉助 Google Tensor G3 的強大功能，Pixel 8 Pro 上的視頻增強模型，可在雲端調整顏色、照明、穩定性和顆粒度。
從官方展示的對比看，視頻被加了一層「鮮明」濾鏡，顏色更飽滿，明暗對比度更高，特別是在夜晚暗光環境中，這種 AI 優化的效果會更明顯。
相較視頻的編輯，圖像美化應該是更多人的期待，特別是在拍動態物體的時候，模糊的畫面總會讓你在事後翻閲時留下一些遺憾，升級的 AI 編輯可以將 Google 照片中的模糊全部消除。
以後記錄自家寵物的高光時刻，不用擔心相機沒聚焦帶來的焦慮了。
此外，Google 將多設備之間的聯動也進行了升級。Pixel Watch 能夠成為手機解鎖的另一種方式，也能幫你忽略不需要的來電，或接聽電話之前確認對象以及通話原因。
如果你能買到 Pixel 8 Pro，或者已經是 Google 手機的用户，可以嘗試檢驗一下這些新功能，會不會成為你購買或繼續使用 Google 的推動力。
從今天開始，通過全新升級的 Gemini Pro 版本，Bard 將實現更高級的推理、規劃、理解等功能。它將在超過 170 個國家和地區提供英文版本。
在接受《麻省理工學院技術評論》的採訪時，Sundar Pichai 還説到：「Gemini Pro 在基準測試中的表現非常出色，當將其集成到 Bard 中時，我可以親身感受到它的優勢，我們一直在對它進行測試，所有類別任務的好評率都有顯著的提升，因此，我們將其稱為迄今為止最大的升級之一。」
▲目前 Bard 已使用 Gemini Pro 版本，圖片來自 X 用户 @gijigae
在接下來的幾個月裏，Gemini 還會陸續上線 Google 旗下更多的產品和服務，比如搜索、廣告、Chrome 和 Duet AI 等。
從 12 月 13 日開始，開發者和企業客户可以通過 Google AI Studio 或 Google Cloud Vertex AI 中的 Gemini API 訪問 Gemini Pro。
目前，Gemini Ultra 已經在內測中，並打算明年初推給開發者和企業用户，明年初，Google 還將推出 Bard Advanced，讓更多的普通用户用上最強的 Gemini Ultra。
Google CEO Sundar Pichai 在發佈 Gemini 時説到：
引用每一次技術轉變都是推進科學發現、加速人類進步和改善生活的機會。
我相信我們現在看到的與 AI 有關的轉變將是我們一生中最深遠的，遠大於之前的移動或網絡的轉變。
想要實現 AGI（通用人工智能），就需要 AI 做到像人類一樣從容地解決不同領域、不同模式的複雜任務，在這個過程中，除了基本的計算、推理等基礎能力，相對應的文字、圖像、視頻等多模態能力也要跟上。
DeepMind 曾提出 AGI 的評估和分類的框架，前兩個階段分別是：
AGI-0：基本的人工智能，能夠在特定的領域和任務上表現出智能，如圖像識別、自然語言處理等，但是不能跨領域和跨模態地進行學習和推理，也不能與人類和其他 AI 進行有效和自然的溝通和協作，也不能感知和表達情感和價值。
AGI-1：初級的通用人工智能，能夠在多個領域和任務上表現出智能，如問答、摘要、翻譯、對話等，能夠跨領域和跨模態地進行學習和推理，能夠與人類和其他 AI 進行基本的溝通和協作，能夠感知和表達簡單的情感和價值。
Gemini 的演示視頻，充分展現了它對各個模態交互的深刻理解，能看、能説、能推理、能夠感知和表達簡單的情感和價值，也讓我們看到了 AGI-1 的潛在可能性。
本文由李超凡、肖凡博、莫崇宇合寫
資料來源：愛範兒（ifanr）