Google 史上最强大模型 Gemini，真的全面「碾压」GPT-4 吗？

昨天深夜，Google 突然发布重磅 AI 杀手锏——Gemini。

多模态 Gemini 可以理解、操作和结合不同类型的信息，包括文本、代码、音频、图像和视频。

在去年 ChatGPT 发布不到两周后，Google 就已经拉响「红色警报」来应对挑战。可紧急上线的 Bard ，却在首次亮相就出现错误，一夜让 Google 蒸发了 1000 亿美元市值。

在过去的一年里，基于大模型的聊天机器人单月访问量已经超过 20 亿， 其中 ChatGPT 遥遥领先，Google Bard 虽然排在第二，但和几个竞品一起归为「其他」更为合适。

因此，Gemini 早已被寄予了赶超 ChatGPT 的厚望，无论成败，它就是 Google 过去对 AI 大模型孤注一掷的成果。

能看、能说、能推理

Gemini 1.0 共官宣中杯、大杯、超大杯三种不同规格。

中杯：Gemini Nano —— 最高效的设备任务模型
大杯：Gemini Pro —— 适用于广泛的任务扩展的最佳模型
超大杯：Gemini Ultra ——最大且最能胜任高度复杂任务的模型

暂且抛开繁杂的参数信息，先来用几个案例让你全面了解 Gemini 的能力。

当你随手画个鸭子，从曲线到鸭子成型，Gemini 都可以精准识别。给鸭子画条波浪线，它能理解你的言外之意，精准地指出鸭子在水中游泳的场景答案。

同时它还能人性化地模仿鸭子的叫声，即使是用流利的普通话说出鸭子的叫法也不在话下。

闲着无聊，也可以和 Gemini 玩个游戏，你的手指指向哪个区域，Gemini 就能说出那个国家及其代表性的事物。

三仙归洞，猜猜纸球在哪个杯子下面，手速再快，也躲不过 Gemini 的「眼睛」。

拿到纱线却毫无头绪，别急，Gemini 聪明的大脑在看到纱线的那一刻，就已经把成品给你安排上，你只需要「照猫画虎」就好了。

识别图像还只是 Gemini 的基础水准，看到乐器，Gemini 还能生成符合环境氛围的音乐，

逻辑和谜题解决、图像序列分析、魔术技巧解释、记忆和逻辑，这些能力 Gemini 样样都有，样样精通。

Google 也发布了文字演示版本，若你不想看视频，可以访问 https://developers.googleblog.com/2023/12/how-its-made-gemini-multimodal-prompting.html 查看。

或许是这个视频过于震撼，部分网友质疑 Google 这个视频存在「造假」的可能性，不过 Gemini 将很快在 Google AI Studio 中向公众开放，届时便能一辩真假。

多模态 Gemini VS GPT-4

据 Google 官方显示，从自然图像、音频和视频理解到数学推理，Gemini Ultra 的性能在 32 个广泛使用的大型语言模型（LLM）研究和开发的学术基准测试中，超过了 30 个当前最先进的结果。

从 Google 放出的测试结果来看，在文本、常规推理、数学、代码等领域，Gemini 的表现几乎是全方位碾压了 OpenAI 的 GPT-4。

MMLU（大规模多任务语言理解）是测试 AI 模型知识和解决问题能力的最流行方式之一。Gemini Ultra 在该测试中以 90.0% 的准确率成为首个超越人类专家的模型，作为对比，GPT-4 只有 86.4% 的准确率。

新的 MMMU 基准测试包含了跨不同领域的多模态任务，对多模态大模型的检验程度更高，但超大杯 Gemini Ultra 同样取得了 59.4% 的高分。

Google CEO Sundar Picha 在接受《麻省理工学院技术评论》的采访时表示，Gemini 之所以令人瞩目，其中一个重要原因是它从根本上就是一个多模态模型，就像人一样，它不仅从文本中学习，还能通过视频、音频和代码进行学习。

多模态特性是 Gemini 花时间打磨的原生特性，Gemini 1.0 能同时识别和理解文本、图像、音频等多种信息，理解信息能力更强，在回答与复杂主题相关的问题也能游刃有余。在多模态 SOTA 的测试中，Gemini 图像、视频、音频的多模态测试水准再次遥遥领先。

代码是检验大模型水平的重要指标之一，Gemini 1.0 跨语言工作和推理复杂信息的能力是它的强项，能够理解诸如 Python、Java、C++ 等高质量代码。两年前，Google 推出了 AlphaCode，这是首个在编程比赛中达到竞争水平的 AI 代码生成系统。

现在， AlphaCode 推出了第二代，这是一个由 Gemini 微调的竞争性编码模型，在与原始 AlphaCode 在相同的平台上较量时，AlphaCode-2 在人类竞争对手中的得分为 87%，而此前 AlphaCode 的得分只有 46%。

AlphaCode-2 技术报告地址 🔗：https://storage.googleapis.com/deepmind-media/AlphaCode2/AlphaCode2_Tech_Report.pdf

在技术报告中，Google DeepMind（AlphaCode 2 出品人）分享了大量关于推理时搜索、过滤和重新排名系统的细节。英伟达高级科学家 Jim Fan 直夸这些最新成果堪称 Google 的 Q*（可以简单理解为 AI 的大突破）。

thehiredai CEO Arman 大胆地作出预测：「Gemini AI 刚刚杀死了 ChatGPT！」

值得一提的是，Google 还宣布推出迄今为止最强大、最高效、最可扩展的 TPU 系统：Cloud TPU v5p。

Gemini 1.0 的训练正是在 Google 内部设计的 Tensor 处理单元（TPUs）v4 和 v5e 的 AI 优化基础设施上进行的。

Google Cloud CEO Thomas Kurian 对于自家产品，毫不吝啬地夸赞道：「Cloud TPU v5p 是我们迄今为止功能最强大、可扩展性最强的 TPU 加速器，其训练模型的速度比其前代产品快 2.8 倍。」

手机大模型的新玩家

手机是新技术破圈的重要媒介，Gemini 想要大规模走进大众社会，Pixel 8 一定是其不二之选。

Pixel 8 Pro 作为第一款内置人工智能的手机，已经在高新技术民用化的道路上建立了良好的口碑，从已经上手 Pixel 8 Pro 的用户反馈看，Google 把 AI 和手机终端应用结合得相当不错。

在此基础上，Google 官宣中杯大模型 Gemini Nano 从今天开始，将在 Pixel 8 Pro 上正式运行。

消息一出，PassionateGenius CTO Morimoto 已经迫不及待想要体验在 Pixel 8 上跑大模型了。

作为首款专为 Gemini Nano 设计的智能手机， Pixel 8 Pro 有两项专属的拓展功能将在后续的更新中加入：「记录器摘要」和「Gboard 智能回复」。

即使没有网络连接，记录器也可以获得手机对话录音、采访、演示等内容的摘要，强大的终端硬件是支撑这个功能的依托，而优化的侧端算法让「断网不断线」成为了可能。

智能回复功能很像我们挂断电话后的自动回复，但和传统的固定内容相比， Gemini Nano 可以识别来信的内容，根据不同的语句生成对应的回信，语言也会更加自然亲切，有种明星的运营团队在社交平台回复粉丝的即视感。

这两项功能目前只支持英文文本的识别，但转头一想对本身就买不到 Google 手机的我们好像也没有任何影响，不过能买到 Pixel 8 Pro 的非英语国家的用户，还需要再静候一段时间。

而在生产力方面的优化，在大洋彼岸 Pixel 终于赶上了国内的基本水平。

类似的照片和视频的 AI 编辑功能在新机首发时，就成了 Google 新机的代名词，现在继续优化的 AI 编辑优化，可以让手机再加一件「专业编辑器」的新装。

全新清洁功能可以帮助去除扫描文档中的污迹、污渍和折痕。现在只用在相册里滑动几下，即可消除图片中的污渍。

借助 Google Tensor G3 的强大功能，Pixel 8 Pro 上的视频增强模型，可在云端调整颜色、照明、稳定性和颗粒度。

从官方展示的对比看，视频被加了一层「鲜明」滤镜，颜色更饱满，明暗对比度更高，特别是在夜晚暗光环境中，这种 AI 优化的效果会更明显。

相较视频的编辑，图像美化应该是更多人的期待，特别是在拍动态物体的时候，模糊的画面总会让你在事后翻阅时留下一些遗憾，升级的 AI 编辑可以将 Google 照片中的模糊全部消除。

以后记录自家宠物的高光时刻，不用担心相机没聚焦带来的焦虑了。

此外，Google 将多设备之间的联动也进行了升级。Pixel Watch 能够成为手机解锁的另一种方式，也能帮你忽略不需要的来电，或接听电话之前确认对象以及通话原因。

如果你能买到 Pixel 8 Pro，或者已经是 Google 手机的用户，可以尝试检验一下这些新功能，会不会成为你购买或继续使用 Google 的推动力。

从今天开始，通过全新升级的 Gemini Pro 版本，Bard 将实现更高级的推理、规划、理解等功能。它将在超过 170 个国家和地区提供英文版本。

在接受《麻省理工学院技术评论》的采访时，Sundar Pichai 还说到：「Gemini Pro 在基准测试中的表现非常出色，当将其集成到 Bard 中时，我可以亲身感受到它的优势，我们一直在对它进行测试，所有类别任务的好评率都有显著的提升，因此，我们将其称为迄今为止最大的升级之一。」

在接下来的几个月里，Gemini 还会陆续上线 Google 旗下更多的产品和服务，比如搜索、广告、Chrome 和 Duet AI 等。

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 访问 Gemini Pro。

目前，Gemini Ultra 已经在内测中，并打算明年初推给开发者和企业用户，明年初，Google 还将推出 Bard Advanced，让更多的普通用户用上最强的 Gemini Ultra。

Google CEO Sundar Pichai 在发布 Gemini 时说到：

每一次技术转变都是推进科学发现、加速人类进步和改善生活的机会。
我相信我们现在看到的与 AI 有关的转变将是我们一生中最深远的，远大于之前的移动或网络的转变。

想要实现 AGI（通用人工智能），就需要 AI 做到像人类一样从容地解决不同领域、不同模式的复杂任务，在这个过程中，除了基本的计算、推理等基础能力，相对应的文字、图像、视频等多模态能力也要跟上。

DeepMind 曾提出 AGI 的评估和分类的框架，前两个阶段分别是：

AGI-0：基本的人工智能，能够在特定的领域和任务上表现出智能，如图像识别、自然语言处理等，但是不能跨领域和跨模态地进行学习和推理，也不能与人类和其他 AI 进行有效和自然的沟通和协作，也不能感知和表达情感和价值。

AGI-1：初级的通用人工智能，能够在多个领域和任务上表现出智能，如问答、摘要、翻译、对话等，能够跨领域和跨模态地进行学习和推理，能够与人类和其他 AI 进行基本的沟通和协作，能够感知和表达简单的情感和价值。

Gemini 的演示视频，充分展现了它对各个模态交互的深刻理解，能看、能说、能推理、能够感知和表达简单的情感和价值，也让我们看到了 AGI-1 的潜在可能性。

本文由李超凡、肖凡博、莫崇宇合写