作者：一號

GPT-4最強的對手出現(xiàn)了。

北京時間12月7日凌晨，谷歌CEO“劈柴”突然發(fā)布重磅AI殺手锏——Gemini。就在前幾天，還有消息說Gemini要推遲一個月才上線，結果現(xiàn)在這么突然地發(fā)布，著實讓AI圈料不到。以谷歌以往的實力，不用想，這又是AI界的一個“不眠之夜”。

在去年ChatGPT發(fā)布不到兩周，谷歌就拉響了「警報」來應戰(zhàn)，好不容易搞出來的Bard，在首次亮相的時候卻出現(xiàn)了失誤，讓谷歌市值一夜蒸發(fā)了1000億美元。

而且，GPT（Generative Pre-training Transformer）還是基于Transformer開發(fā)的，而這個Transformer模型最早還是谷歌提出來，要想谷歌心甘情愿地服輸，可不是那么容易。

果然，這一年的時間里，關于Gemini的消息就層出不窮，有的說谷歌大腦和DeepMind部門合并，幾乎耗盡谷歌內(nèi)部算力資源，就是為了背水一戰(zhàn)，和OpenAI決戰(zhàn)。

不過前段時間，OpenAI的發(fā)布會把AI界炸了一圈，還上演了一出“宮斗劇”，甚至還傳出讓人浮想聯(lián)翩的Q*,谷歌都沒一點新消息，差點就讓人以為AI圈的王者已定。

就在一個月之前，英偉達科學家Jim Fan就曾說過，“人們對谷歌Gemini的期望高得離譜！谷歌要想重奪當年AlphaGo的輝煌，Gemini不僅要100%達到GPT-4的能力，還要在成本或者速度上比GPT-4更好。”

生來就是全才

還好，從Gemini公布的演示視頻來看，它沒讓人失望。

“Gemini，從第一天起就是多模態(tài)大模型——跨越文本、圖像、視頻、音頻和代碼的無縫推理。”這是谷歌官網(wǎng)上，介紹Gemini的第一句話。

與ChatGPT通過升級迭代，逐步加上視覺、音頻等多模態(tài)能力，形成“合體金剛”的路徑不同，Gemini生來就是一位全才。它從第一天起就被設計成原生多模態(tài)結構，文本、圖像、音視頻能力從最開始就一起訓練，從這一點上來看，Gemini的學習更像人類。這就意味著，Gemini可以無縫調(diào)動多模態(tài)能力，抽象和理解、操作和組合不同類型的信息。

舉個例子，如果你同時上傳一張圖片給ChatGPT和Gemini，那么ChatGPT的處理將會是這樣的，先借助GPT-4V認出來圖里是什么，然后轉成文本交給GPT去進行語義理解，然后再作回答；而Gemini則可以基于圖像直接進行理解并回應，不用進行不同模型之間的調(diào)動。因此，在實操過程中，Gemini可以減少信息的丟失，回應也可以更加迅速和絲滑。

這從谷歌給到的演示視頻中便可以看出：

演示者一邊畫畫，Gemini就可以一邊辨認，并且用自然、流利的語音和演示者對話，在演示者拿出藍色的玩具鴨實物后，它還會幽默的回應：“看起來藍色的鴨子比我想象中更常見。”

很顯然，這樣的體驗更接近漫威中的“賈維斯”——一個高級人工智能，能與人類自如地進行交互。

而這樣的體驗，離不開Gemini的原生多模態(tài)架構。

Gemini VS GPT-4

除了擁有令人驚嘆的原生多模態(tài)能力，在性能上，Gemini也是相當強悍。

按照尺寸的不同，Gemini共有“中杯”、“大杯”還有“超大杯”三種，即Ultra、Pro和Nano三個不同的版本。它們在性能和適配任務上的側重點各有不同。

·Gemini Ultra —規(guī)模最大且功能最強大的模型，適用于高度復雜的任務，預計2024年初推出。

·Gemini Pro — 適用于各種任務的最佳模型，已經(jīng)被用在了谷歌聊天機器人Bard的升級版上。

·Gemini Nano — 可以在端端側設備上運行的高效模型，已經(jīng)可以跑在谷歌Pixel 8 Pro手機上了。

根據(jù)谷歌給到的資料，從自然圖像、音頻和視頻理解，再到數(shù)學推理，Gemini Ultra的性能在32個常見的大語言模型（LLM）研究和開發(fā)的學術基準測試中，拿下了30個SOTA。

其中，它在通用、推理、數(shù)學和編程等大方向的成績?nèi)缦拢?/p>

更讓人驚奇的是，在MMLU（大規(guī)模多任務語言理解）任務上，Gemini Ultra的得分達到了90.0%，超越了人類專家89.8%的成績，首次達到了超越人類專家水平。

MMLU測試包括數(shù)學、物理、歷史、法律、醫(yī)學等57個學科，主要是用來考察大語言模型世界知識和解決問題的能力，而在這些學科中的每一個，Gemini都達到了甚至超過了行業(yè)專家的水準。

在圖像基準測試中，Gemini Ultra在不使用OCR（對象字符識別）來提取圖像文本進行下一步處理的情況下，表現(xiàn)優(yōu)于GPT-4V。

各種測試都表明，Gemini在多模態(tài)處理上表現(xiàn)出了強大的能力，并且在更復雜的推理上也有很大的潛力。

實際能力被質(zhì)疑

然而，在模型發(fā)布后不久，就有人在谷歌給到的60頁技術報告中發(fā)現(xiàn)了一些“小技巧”。

在MMLU測試中，Gemini的結果下面用灰色小字標注著CoT@32，這表示，這個結果是使用了思維練提示技巧，嘗試了32次后選出來的最好結果，而對比GPT-4,則是無提示詞技巧，只嘗試了5次的結果，這測試結果，變量確實控制得不是很好。

而且在顯示超越人類專家的示意圖里，比例尺上也有問題，讓人以為超越了人類專家很多，但實際上并沒有相差多少。

HuggingFace的技術主管Philipp Schmind“修復”了這張圖，表示實際上應該是這樣：

并且，在谷歌給到的一篇解釋多模態(tài)交互過程的博客中，似乎表明了演示視頻里，Gemini實時互動并不是真的，而是使用了靜態(tài)圖片，通過多段提示詞拼湊，最后再剪輯視頻，才達到了演示視頻里的效果。

不管谷歌是不是有意使用“障眼法”，Gemini的發(fā)布無疑給看似穩(wěn)定的AI界帶來了一些“動蕩”。

并且，谷歌還宣布推出了迄今為止最強大、最高效、最可擴展的TPU系統(tǒng)：Cloud TPU v5p，Gemini正式在此基礎上訓練的，這意味著谷歌將有能力拜托英偉達的算力限制，也算給了AI芯片市場帶來了一些變化。

大模型的多模態(tài)探索

隨著ChatGPT通過升級迭代，擁有了多模態(tài)能力，以及Gemini所展現(xiàn)出來的原生多模態(tài)能力，我們可以清晰地感受到，AI大模型浪潮已經(jīng)進入了一個全新的階段，即從大語言模型轉向多模態(tài)模型。后者將更符合人類和世界交互最自然的方式：用眼睛看，用耳朵聽，用嘴巴說，用文字記錄與決策。

多模態(tài)領域的技術探索，與互聯(lián)網(wǎng)媒介形式的變化也十分吻合，即從文字媒體，再到

音視頻媒體。如今，隨著抖音以及TikTok等短視頻平臺的興起，視頻已經(jīng)成為了我們這個信息時代的主流。

根據(jù)思科的年度互聯(lián)網(wǎng)報告，視頻已經(jīng)占據(jù)了互聯(lián)網(wǎng)超過80%的流量。

很明顯，如果一個AI大模型不具備識別圖像以及音視頻的能力，那么其訓練數(shù)據(jù)將會跟不上信息迭代的速度，其能力也將大打折扣。

現(xiàn)如今，在多模態(tài)模型道路的探索上，除了GPT，Gemini也加入了進來，不知道未來Meta的Llama還有馬斯克的Grok等等，是否也將加入角逐？


審核編輯 黃宇