Google 刚发布的 AI 模型 Gemini，这些特点值得关注

今天小编分享的互联网经验：Google 刚发布的 AI 模型 Gemini，这些特点值得关注，欢迎阅读。

图片来源 @钛媒体

文 | 电厂，作者 | 张勇毅 , 编辑 | 高宇雷

北京时间   12   月   6   日晚，Google   给近期稍显沉寂的   AI   模型战场扔下了一颗新的炸弹：号称多模态任务处理能力首次超越人类的   AI   模型，Gemini 1.0   正式发布。

在昨晚正式发布之前，外媒就有诸多关于   Google   这款全新   AI   模型的消息流出，Google   最早在今年五月的   IO   大会期间透露了   Gemini   的存在，但与之前外界预期的不同，Google   声称   Gemini   的发布并未因为任何内部原因而延期，表示其   AI   模型的研发进程从   2012   年已经开始，直到最近   2023   年发布   PaLM2   与   Bard   之后，就开始为   Gemini   的正式发布做准备。

DeepMind 本就是   AI   领網域顶尖研究机构，早在   OpenAI   踏入聚光灯下之前，DeepMind   就凭借   AI   围棋棋手   —— AlphaGo   赢得了全世界对   AI   时代的关注，如今名为「双子座」的新一代   AI   大模型正式对外发布，也颇有抢回   AI   模型领網域主导地位的感觉：双子座在神话本身就对应着「快速思维」的能力，同时也有着包罗万象、善于沟通等寓意。

多模态能力

在实际表现上，Gemini   号称是史上第一款原生支持多模态能力的   AI   模型，换言之在   Gemini   之前的多模态   AI   模型，处理同时包括视频 / 文字 / 音频 / 照片两种以上的输入信息时，逻辑是分别训练不同模态对应的组件，然后将其理解出的语义拼接在一起，从而模拟人类在处理多模态场景问题时的反应。

这种架构虽然已经足够惊艳，但在面对复杂逻辑问题时难免会显得有些笨拙，因为在这种架构下   AI   模型的算力并未得到最高效的使用。Google   的解决方案则是将   Gemini   设计为原生多模态，从一开始就在不同模态上进行预训练。利用额外的多模态数据对其进行微调，以进一步提高其有效性。

这种训练架构上的颠覆，让   Gemini   从最初的输入阶段就能对人类的的各种内容进行快速理解并推理，这一点在处理复杂问题上优势尤为突出：在发布   Gemini   的同时，Google   还宣布   Gemini Ultra   在行业标准   MMLU  （多任务语言理解）基准测试中拿到了   90%   的成绩。

这不仅是   AI   模型有史以来第一次超越人类专家的测试结果，也超过了此前   GPT-4   同类测试中   86.5%   的结果。同时在九项独立基准测试中分别击败包括   LLAMA-2 GPT-4   在内的一众竞争对手。

Google 也准备了几个演示场景，展示   Gemini   的多模态理解能力：视频中一位测试者正在用简笔画视频的方式，给 Gemini   输入信息，在演示中   Gemini   能根据简笔画的每一笔改变，实时对最新的画面内容作出解读与描述。以及根据输入视频中出现的毛线颜色比例，给测试者推荐合适的编织玩具、以及跟   Gemini   玩猜硬币游戏，猜错了硬币在哪个手掌下之后，立即反应出这是测试者的把戏等场景。

同时处理多种形态的信息输入，是   Gemini   比起目前市面上其他的生成式   AI   模型最大的区别，在处理数学、计算机等复杂学科中这种优势能体现的更加明显，Google   也强调了   Gemini   在数学领網域的复杂理解能力：在其中一个演示中，就展示了通过视频输入一道数学题，交由   Gemini   辅助解决的场景。

这样一个看似简单的需求中其实包括了对指令语义的准确理解以及手写影像识别，与此同时处理复杂逻辑的数学问题，这就是一个典型的多模态大模型应用场景。

可拓展性

到   2023   年下半年，不同体积的大模型并行发展已经成为行业主流，尤其是模型完全运行在本地的端侧大模型，更是生成式   AI   行业应用中炙手可热的前景。包括   vivo、小米   OPPO   等手机品牌都已经推出了面向普通智能手机用户的端侧大模型与云端大模型的结合应用。

Gemini 也没有落下这一特征：在   Gemini 1.0   中，Google   一共发布了三个版本，其中   Gemini Ultra   最聪慧，但同时需要更大的计算量，Pro   是其中最均衡、适用于最多场景的版本，而   Nano   则是体积最小最高效的版本，同时也是主打部署在   Android   手机等设备上的端侧大模型。

Google 并未直接向记者介绍   Gemini Nano   模型的体积，但据   DeepMind   介绍，Gemini Nano   具有完全在端侧离线运行的能力，  目前   Google   已经针对   Pixel   系统自带的录音   App   进行了   Gemini   的适配，即使没有网络连接，也能自动根据录制的对话、采访、演示等内容生成   AI   摘要。

除了系统自带   App，Gemini Nano   的能力还被整合进   Android   系统中，第三方应用的开发者也能通过应用适配的方式调用手机自带的   Gemini   模型能力：例如手机自带的输入法能根据适配   Gemini   的聊天   App   中，对方发送给你的文字信息自动为你生成合适的快捷回复。

Google 研发人员同时提到未来还有将   Gemini   登陆其他   Android   智能手机的计划，但这部分适配工作涉及到手机硬體的算力适配，因此目前暂时只有   Pixel 8 Pro   是   Gemini   的适配机型。

至于不少人关心的问题：Gemini   能完全超越   GPT 4.0   吗？记者现场也询问了   Google DeepMind   研发团队，虽然 Google   并未正面回应这个提问，但重新强调了   Gemini Ultra   在   MMLU   中获得的评分相比   GPT-4   更高，也是目前唯一超越人类专家测试结果的   AI   模型。

新硬體，新架构

每次提到   Google   在生成式   AI   领網域的硬體技术，往往少不了介绍   TPU（张量处理单元）的内容：这是   Google   专为开发神经网络机器学习的专用硬體，从   2015   年发布   TPU v1，迄今为止已经迭代了五个大版本。目前现阶段   Google   展示的   Gemini 1.0，就是基于   Google   数据中心的   TPU v4   和   TPU v5e   大规模阵列训练而来。

这些   TPU   阵列不仅用于训练   Gemini，它们也已经应用在   Gmail、YouTube、Google Play   等   Google   生态应用中有近十年的历史。同时也从   2018   年开始开放给第三方客户使用。也有不少人工智能初创公司选择其作为训练大模型的硬體基石。Google   同时也提到在   TPU   上，Gemini   的运行速度也明显优于早期体积较小的模型。

如今   AI   模型参数仍然在呈指数级增长   ——   顶级的   AI   大模型已经拥有数千亿甚至是万亿级参数，即使是最顶级的   GPU   配置搭配不差钱地堆砌   GPU   数量，训练出如   GPT-4   这样的大模型也需要长达数月以上。可以说高性价比的高算力平台，是目前行业内最迫切的需求。因此适用于下一代   AI   训练的硬體架构其实也已经呼之欲出：在发布   Gemini 1.0   的同时，Google   同时向外界展示了最新的   TPU v5p   系列。

Google 数据中心内的   TPU v5p  ｜Google Blog

比起   Gemini   训练的「底座」、同时也是目前应用主力的   TPU v4   与   v5e，v5p   进一步增强了可拓展性，同时为了应对复杂模型的推理训练与调整需求，设计了新的硬體架构，可以根据性能需求灵活部署，每个   Pod   计算单元中的芯片数量加倍，由共计   8960   颗芯片互联构成。浮点运算能力相比   v4   提升了两倍，训练速度相比   v4   能提升   2.8   倍以上。

随着   TPU v5p   一并推出的还有代号为「AI Hypercomputer」的超级计算机架构：据   Google   介绍，这是一个经过优化的技术系统，可以与   Google Cloud   计算中心的硬體协同工作，支持现代   AI   模型开发的工作负载。

AlphaCode 2：全新代码生成工具

AlphaCode 是   Google   在两年前发布的一款   AI   代码生成系统，彼时诞生于生成式   AI   尚未掀起巨浪，代码辅助类   AI   机器人仍然占据主流视野的时代，今天   Google   在   Gemini   的基础上发布了   AlphaCode 2。

第一代   Gemini   可以理解、解释和生成目前世界上最流行的编程语言（如   Python、Java、C++   和   Go）的代码。在此基础上的   AlphaCode 2，同样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。

与最初的   AlphaCode   在同一个平台上进行评估时，AlphaCode 2   表现出了巨大的改进。它解决的问题数量几乎是 AlphaCode   的两倍，性能比   AlphaCode   高出将近   50%。当然这些暂时还都只是演示内容，虽然第一代   AlphaCode   实际上从未发布过，但   DeepMind   实际上已经透露了这款产品未来投向市场的可能。

发布时间线

最后是   Gemini   的开放时间，三种不同模型尺寸的   Gemini   在具体开放使用时间、使用场景上都不尽相同：其中   Gemini Pro   将会最先落地，在   12   月   13   日，用户就能以   Bard with Gemini Pro   的形式体验。Google CEO   皮查伊更是表示 Gemini   会是   Bard   的一次全面更新，多模态能力将赋予   Bard   输入输出影像、音频视频内容的能力。

更新后的新版   Bard   将在   170   多个国家 / 地区提供基于   Gemini Pro   的英文服务，目前   Gemini Pro   版本的尚不支持更多语言，Google   表示更多的语言支持正在开发中。同时目前开放的版本中用户暂时只能以文字指令的方式体验   Gemini，Google   同时也表示会在「未来几个月内」允许用户使用音频与影像互動能力。

而   Gemini Nano   除了登陆   Pixel 8 Pro   手机上之外，从即日起也将开放给所有   Android 14   开发者，开发者可以以 AICore   的形式，在手机系统中调用   Gemini   的能力，用在自己的   App   中尝试   AI   功能。

至于综合能力已经超过   GPT-4   的   Gemini Ultra，则到明年年初才能逐步开放测试，首先将会开放给部分客户以及开发者用于早期实验反馈，后续普通用户将会以   Bard   的下一代更新迭代版本   —— Bard Advanced   的形式，体验到   Gemini   模型的全部能力。