新火種AI|谷歌深夜發(fā)布復(fù)仇神器Gemini，原生多模態(tài)碾壓GPT-4？

作者：一號(hào)

GPT-4最強(qiáng)的對(duì)手出現(xiàn)了。

北京時(shí)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(shuō)Gemini要推遲一個(gè)月才上線(xiàn)，結(jié)果現(xiàn)在這么突然地發(fā)布，著實(shí)讓AI圈料不到。以谷歌以往的實(shí)力，不用想，這又是AI界的一個(gè)“不眠之夜”。

在去年ChatGPT發(fā)布不到兩周，谷歌就拉響了「警報(bào)」來(lái)應(yīng)戰(zhàn)，好不容易搞出來(lái)的Bard，在首次亮相的時(shí)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(kāi)發(fā)的，而這個(gè)Transformer模型最早還是谷歌提出來(lái)，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(shí)間里，關(guān)于Gemini的消息就層出不窮，有的說(shuō)谷歌大腦和DeepMind部門(mén)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(guò)前段時(shí)間，OpenAI的發(fā)布會(huì)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(méi)一點(diǎn)新消息，差點(diǎn)就讓人以為AI圈的王者已定。

就在一個(gè)月之前，英偉達(dá)科學(xué)家Jim Fan就曾說(shuō)過(guò)，“人們對(duì)谷歌Gemini的期望高得離譜！谷歌要想重奪當(dāng)年AlphaGo的輝煌，Gemini不僅要100%達(dá)到GPT-4的能力，還要在成本或者速度上比GPT-4更好?！?/p>

生來(lái)就是全才

還好，從Gemini公布的演示視頻來(lái)看，它沒(méi)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(wú)縫推理。”這是谷歌官網(wǎng)上，介紹Gemini的第一句話(huà)。

與ChatGPT通過(guò)升級(jí)迭代，逐步加上視覺(jué)、音頻等多模態(tài)能力，形成“合體金剛”的路徑不同，Gemini生來(lái)就是一位全才。它從第一天起就被設(shè)計(jì)成原生多模態(tài)結(jié)構(gòu)，文本、圖像、音視頻能力從最開(kāi)始就一起訓(xùn)練，從這一點(diǎn)上來(lái)看，Gemini的學(xué)習(xí)更像人類(lèi)。這就意味著，Gemini可以無(wú)縫調(diào)動(dòng)多模態(tài)能力，抽象和理解、操作和組合不同類(lèi)型的信息。

舉個(gè)例子，如果你同時(shí)上傳一張圖片給ChatGPT和Gemini，那么ChatGPT的處理將會(huì)是這樣的，先借助GPT-4V認(rèn)出來(lái)圖里是什么，然后轉(zhuǎn)成文本交給GPT去進(jìn)行語(yǔ)義理解，然后再作回答；而Gemini則可以基于圖像直接進(jìn)行理解并回應(yīng)，不用進(jìn)行不同模型之間的調(diào)動(dòng)。因此，在實(shí)操過(guò)程中，Gemini可以減少信息的丟失，回應(yīng)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(huà)畫(huà)，Gemini就可以一邊辨認(rèn)，并且用自然、流利的語(yǔ)音和演示者對(duì)話(huà)，在演示者拿出藍(lán)色的玩具鴨實(shí)物后，它還會(huì)幽默的回應(yīng)：“看起來(lái)藍(lán)色的鴨子比我想象中更常見(jiàn)?！?/p>

很顯然，這樣的體驗(yàn)更接近漫威中的“賈維斯”——一個(gè)高級(jí)人工智能，能與人類(lèi)自如地進(jìn)行交互。

而這樣的體驗(yàn)，離不開(kāi)Gemini的原生多模態(tài)架構(gòu)。

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(dāng)強(qiáng)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(gè)不同的版本。它們?cè)谛阅芎瓦m配任務(wù)上的側(cè)重點(diǎn)各有不同。

·Gemini Ultra —規(guī)模最大且功能最強(qiáng)大的模型，適用于高度復(fù)雜的任務(wù)，預(yù)計(jì)2024年初推出。

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

·Gemini Nano — 可以在端端側(cè)設(shè)備上運(yùn)行的高效模型，已經(jīng)可以跑在谷歌Pixel 8 Pro手機(jī)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(xué)推理，Gemini Ultra的性能在32個(gè)常見(jiàn)的大語(yǔ)言模型（LLM）研究和開(kāi)發(fā)的學(xué)術(shù)基準(zhǔn)測(cè)試中，拿下了30個(gè)SOTA。

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

更讓人驚奇的是，在MMLU（大規(guī)模多任務(wù)語(yǔ)言理解）任務(wù)上，Gemini Ultra的得分達(dá)到了90.0%，超越了人類(lèi)專(zhuān)家89.8%的成績(jī)，首次達(dá)到了超越人類(lèi)專(zhuān)家水平。

MMLU測(cè)試包括數(shù)學(xué)、物理、歷史、法律、醫(yī)學(xué)等57個(gè)學(xué)科，主要是用來(lái)考察大語(yǔ)言模型世界知識(shí)和解決問(wèn)題的能力，而在這些學(xué)科中的每一個(gè)，Gemini都達(dá)到了甚至超過(guò)了行業(yè)專(zhuān)家的水準(zhǔn)。

在圖像基準(zhǔn)測(cè)試中，Gemini Ultra在不使用OCR（對(duì)象字符識(shí)別）來(lái)提取圖像文本進(jìn)行下一步處理的情況下，表現(xiàn)優(yōu)于GPT-4V。

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

實(shí)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(yè)技術(shù)報(bào)告中發(fā)現(xiàn)了一些“小技巧”。

在MMLU測(cè)試中，Gemini的結(jié)果下面用灰色小字標(biāo)注著CoT@32，這表示，這個(gè)結(jié)果是使用了思維練提示技巧，嘗試了32次后選出來(lái)的最好結(jié)果，而對(duì)比GPT-4,則是無(wú)提示詞技巧，只嘗試了5次的結(jié)果，這測(cè)試結(jié)果，變量確實(shí)控制得不是很好。

而且在顯示超越人類(lèi)專(zhuān)家的示意圖里，比例尺上也有問(wèn)題，讓人以為超越了人類(lèi)專(zhuān)家很多，但實(shí)際上并沒(méi)有相差多少。

HuggingFace的技術(shù)主管Philipp Schmind“修復(fù)”了這張圖，表示實(shí)際上應(yīng)該是這樣：

并且，在谷歌給到的一篇解釋多模態(tài)交互過(guò)程的博客中，似乎表明了演示視頻里，Gemini實(shí)時(shí)互動(dòng)并不是真的，而是使用了靜態(tài)圖片，通過(guò)多段提示詞拼湊，最后再剪輯視頻，才達(dá)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(wú)疑給看似穩(wěn)定的AI界帶來(lái)了一些“動(dòng)蕩”。

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

大模型的多模態(tài)探索

隨著ChatGPT通過(guò)升級(jí)迭代，擁有了多模態(tài)能力，以及Gemini所展現(xiàn)出來(lái)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(jìn)入了一個(gè)全新的階段，即從大語(yǔ)言模型轉(zhuǎn)向多模態(tài)模型。后者將更符合人類(lèi)和世界交互最自然的方式：用眼睛看，用耳朵聽(tīng)，用嘴巴說(shuō)，用文字記錄與決策。

多模態(tài)領(lǐng)域的技術(shù)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(tái)的興起，視頻已經(jīng)成為了我們這個(gè)信息時(shí)代的主流。

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

很明顯，如果一個(gè)AI大模型不具備識(shí)別圖像以及音視頻的能力，那么其訓(xùn)練數(shù)據(jù)將會(huì)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(jìn)來(lái)，不知道未來(lái)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