当人类拿起画笔在一张纸上勾勒出一只鸭子，并为它涂上了蓝色。这次AI说道：“这可不是鸭子常见的颜色。”

三个空杯并排放在桌子上，一张蓝色纸团被塞进其中一个杯子里，在人类一番眼花缭乱的操作后，AI准确地猜出：“纸团在最左边的杯子里！”

“喂”给AI一张手写的物理题，它不仅能看懂，而且还能分辨手写答案的对错，并且给出解释出一步一步解决问题的细节。

上传食材图像和语音输入，AI不仅可以指导你做菜，还能在不同阶段提出相应的建议。

这些片段，是Google演示其在12月6日最新出炉的AI大模型Gemini的场景。

“我们离新一代人工智能模型的愿景越来越近了。”进行完一系列视频演示后，Google DeepMind产品副总裁Eli Collins（伊莱·柯林斯）对包括第一财经在内的媒体说，这是Google迄今为止功能最强大、最通用的大模型。

和市面上现有大模型相比，Gemini从一开始就被创建为多模态的模型，这意味着它可以归纳并流畅地理解、操作以及组合不同类型的信息，包括文本、代码、音频、图像和视频。在灵活度上，从数据中心到移动设备上，它都能够运行。

Gemini被视作是Google在AI大模型领域放出的“大招”。多年前，Google凭借AlphaGo的惊艳表现在全球掀起了一波AI浪潮。但这一次，在OpenAI的ChatGPT所引发的AI新浪潮中，Google面临不小的压力。眼下，Google迫切需要一款现象级AI产品，证明自己在人工智能领域的实力。

能打败GPT4吗？

就在Google发布最新大模型之前，微软刚刚宣布了旗下AI助手Copilot重大升级，将接入OpenAI的最新模型GPT-4 Turbo。

“迟到总比不做好！终于有了OpenAI王座的有力竞争者。”在Google公布消息后，英伟达AI科学家Jim Fan（范麟熙）就第一时间转发并评论。

Google CEO Sundar Pichai（桑达尔・皮查伊） 评价，Gemini这一新时代的模型代表了Google作为一家公司在科学和工程方面所做的最大努力之一。他同时提到，这也是Google今年早些时候成立 Google DeepMind 时的愿景首次实现。

今年4月，或许是感受到了 OpenAI 联手微软带来的挑战，以及为了加速实现通用人工智能（AGI）的目标，Google将曾经诞生了Tensorflow与Transformer 的Google Brain 团队，和凭借AlphaGo掀起上一轮AI热潮、创造了AlphaFold预测蛋白质折叠的DeepMind 团队合并，成立 Google DeepMind，这一团队也被外界调侃是“AI复仇者联盟”。原Google AI产品负责人Eli Collins就是在那时开始担任起新团队的产品副总裁。

今日Google Deepmind发布第一个版本 Gemini 1.0 ，针对不同尺寸进行了优化，分别是Ultra、Pro 和 Nano。其中Gemini Ultra是目前Google规模最大、功能最强大的模型，适用于高度复杂的任务；Gemini Pro是适用于可扩展各种任务的模型；Gemini Nano主要是端侧设备上的模型。

Gemini发布后，外界最关心的是其对OpenAI GPT4的挑战。在采访中，记者提问Eli Collins ：“Gemini能打败市面上包括GPT4在内所有的大模型吗？”

Eli Collins在回答中表示，团队一直在对 Gemini 模型进行严格的测试并评估其在各种任务中的性能。从自然图像、音频和视频理解到数学推理，在被大型语言模型（LLM）研究和开发中广泛使用的 32 项学术基准中，Gemini Ultra 的性能有 30 项都超过了目前最先进的水平。

他援引了来自MMLU的测试结果，称Gemini Ultra 的得分率为 90%，是第一个在 MMLU测试中超过人类专家的模型，MMLU 综合使用了数学、物理、历史、法律、医学和伦理等 57 个科目，用于测试世界知识和解决问题的能力。作为对比，人类专家的得分率为89.8%，GPT4得分率为86.4%。

在多模态方面，Gemini Ultra在新的MMMU基准测试中也获得了59.4%的SOTA分数。这项基准测试是由跨不同领域的多模式任务组成，需要大模型进行一个深思熟虑的推理过程。

Goolge Gemini大模型多模态背后的技术原理也引发业界关注。Goolge DeepMind首席科学家杰夫·迪恩团队为此撰写了60页技术报告来阐述。

到目前为止，创建多模态模型的标准方法是分别训练不同模态的组件，然后将它们拼接在一起，以粗略模拟某些功能。这些模型有时可以很好地完成描述图像等特定任务，但在概念性更强、更复杂的推理方面却显得力不从心。

据DeepMind CEO Demis Hassabis（戴密斯·哈萨比斯）透露，团队将 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。然后，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。这有助于 Gemini 从最初阶段就能对输入的各种内容顺畅地进行理解和推理，并优于现有的多模态模型。

复杂的多模态推理能力能够帮助理解复杂的书面和视觉信息。这使得它可以在海量的数据中发掘难以辨别的知识内容，回答与复杂主题相关的问题，尤其擅长解释数学和物理等复杂科目中的推理。

以解题为例，利用Gemini的多模态推理能力，AI能够读懂字迹凌乱的手写内容，正确理解问题的表述，还能够把问题和解决方案都转换为数字排版，识别出人类在解决问题时出错的具体推理步骤，并一步步给出问题的正确解决方案。

此外，它拥有通过阅读、过滤以及理解信息，从数十万份文件中提取数据集和观点的能力，有助于在从科学到金融等多个领域以数字化速度实现新的突破。

而在Gemini多模态大模型的背后，是由 Google 自研的云芯片 TPUs v4 和 v5e 在通过 AI 优化过的基础设施上，对 Gemini 1.0 进行大规模训练。

当天，Google还发布了最新的 TPU 系统 Cloud TPU v5p，称训练速度比前代快2.8倍，有望帮助开发者和企业客户更快地训练大规模生成式 AI 模型。

应用层比拼刚刚开始

目前看起来，在“跑分”上Google Gemini更胜一筹，但接下来，更重要的是各家大模型在实际应用中的比拼。

Eli Collins 在接受第一财经等媒体采访时说，Google希望建立新一代AI模型，它是由人们对世界的理解和互动而激发的，人工智能更像是一个乐于助人的合作者，而不像是一个聪明的软件。

目前，Google旗下的聊天机器人Bard已经集成Gemini Pro的微调版本，在170多个国家和地区提供英语服务，并且计划在未来几个月内扩展不同的模态，并支持新的语言和地区。明年年初，Google还将推出Bard Advanced，提供Gemini Ultra模型的最佳性能。

在移动设备端，Google的Pixel 8 Pro成为首款搭载Gemini Nano的智能手机，它可以支持录音总结、智能回复等AI功能，明年还将推出更多信息应用。

基于定制版的Gemini，谷歌推出了代码生成系统AlphaCode 2。Google称，在面对不仅涉及编程，还涉及复杂的数学和计算机科学理论等领域的问题时，AlphaCode 2都表现出了卓越的性能。

未来几个月，Gemini 将应用于Google更多的产品和服务，如 Search、Ads、Chrome 和 Duet AI。

据透露，Google已经开始在 Search 中试验 Gemini，它能够为用户提供更快的搜索生成体验（SGE），用户在美国的英语搜索延迟降低了 40%，同时在质量方面也有所提高。

而对于Google采取哪些努力来防止Gemini产生幻觉和事实错误，或被用来创造危险的工具和其他不道德的用途，Google方面人士也对记者进行了解答。

Google基础设施与系统副总裁Amin Vahdat(阿明·瓦达特)对记者表示，Gemini在开发的各个阶段都会考虑潜在的风险，并努力进行测试和降低这些风险。

他透露，Gemini的安全评估包括偏见和毒性评估，并应用了 Google Research 的对抗性测试技术，帮助在部署 Gemini 之前检测关键的安全问题。

例如，为了在 Gemini 的训练阶段诊断内容安全问题，并确保其输出符合政策，Google团队使用了一些基准测试，例如真实毒性提示（Real Toxicity Prompts），这是一套由 Allen Institute of AI 的专家开发的基准测试，包含了从网络上提取的 10 万条具有不同程度毒性的提示。

此外，为了减少伤害，团队还构建了专门的安全分类器来识别、标记和筛选涉及暴力或负面刻板印象等方面的内容。“此外，我们正继续解决模型面临的已知挑战，例如事实性、基础、归因性以及协作性。”

Google没有透露未来是否会专门为Gemini定制应用程序，但高管对记者表示，更加希望看到用户在这种技术的基础上创建更多的应用程序。

Google透露，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。

目前Google正对 Gemini Ultra 完成大规模的信任和安全检查，包括由可信赖的外部团队进行红队测试，并在其被广泛应用前通过微调和人类反馈强化学习（RLHF）进一步完善模型。在这一过程中，Google 将向部分客户、开发者、合作伙伴以及安全和责任专家提供 Gemini Ultra，以供其进行早期试验和提供反馈。

据记者了解，Google将在明年初向开发者和企业客户提供该模型。