谷歌在技術前瞻性上領先，OpenAI更專注於產品的打磨。
作者｜蘇霍伊
編輯｜王博
"沉寂"已久的谷歌終於放大招了。
美國當地時間12月6日，谷歌發布多模態大模型Gemini。谷歌DeepMind直接宣布，Gemini是「谷歌最大、最強的人工智慧模型」。
Google Deepmind 的官方帳號截圖，來源：谷歌DeepMind
Gemini谷歌是從頭開始構建的多模態模型，這也是更接近人類認識世界的方式。
作為谷歌用來應對GPT-4的「殺手鐧」。Gemini在32個多模態基準測試中取得了30個SOTA（State Of The Art，即當前最優效果）的記錄，是第一個在MMLU（大規模多任務語言理解）測評上超過人類專家的模型。Gemini在此項取得的成績是90.0%，作為對比，人類專家的成績為89.8%，GPT-4為86.4%。
Gemini共有三個版本：
Gemini Ultra：適用於高度複雜的任務；
Gemini Pro：適用於擴展至各種任務的Gemini模型；
Gemini Nano：體量較小，適用於特定任務和移動設備。
Gemini Ultra：適用於高度複雜的任務；
Gemini Pro：適用於擴展至各種任務的Gemini模型；
Gemini Nano：體量較小，適用於特定任務和移動設備。
Gemini Ultra：適用於高度複雜的任務；
Gemini Pro：適用於擴展至各種任務的Gemini模型；
Gemini Nano：體量較小，適用於特定任務和移動設備。
Gemini的三個版本，圖片來源：谷歌
"Gemini的多樣性讓它能夠在從移動設備到大型數據中心的所有設備上運行。"谷歌DeepMind產品副總裁Eli Collins說，「我們離新一代人工智慧模型的願景越來越近了。」
「有了人工智慧，我們將有機會以更大規模做一些重要的事情。」谷歌CEO Sundar Pichai在谷歌成立25周年公開信中就特意提到了人工智慧。面對強勢的OpenAI，優等生谷歌需要一款現象級產品，證明自己在人工智慧領域的實力。
Gemini就是谷歌交出的答卷。
1.「打的就是精銳」
谷歌的Gemini模型的核心優勢在於其原生多模態（natively multimodal）的特性。
以往的多模態大模型往往是通過分別針對不同模態訓練單獨的組件，再將這些組件組合起來以模擬多模態功能的方法構建的。雖然在某些任務（比如圖像描述）上表現良好，但在處理需要更深層次概念理解和複雜推理的任務時，它們的表現往往不盡人意。
而谷歌的Gemini模型從一開始就在不同模態上進行預訓練，再通過使用額外的多模態數據進行微調，進一步提升了模型的有效性。這種原生的多模態訓練方法使得Gemini在處理多種類型的數據和複雜任務時更為高效和精準，從而在多模態人工智慧領域樹立了新的標準。
並且，Gemini的推出主要是"瞄準OpenAI的GPT-4"而來。用《亮劍》里李雲龍的話來說就是——「打的就是精銳」。
圖片來源：電視劇《亮劍》
在運算效能方面，Gemini幾乎「全面吊打」GPT-4。Gemini Ultra在大模型研發被廣泛使用的32個學術基準測試集中，在其中30個測試集的性能超過此前SOTA結果。其中，在多選問題、數學問題、Python代碼任務、閱讀等方面，Gemini的性能都超過了此前最先進的水平。
谷歌稱，他們對MMLU採用了新的基準方法，使Gemini能夠利用推理能力在回答難題之前進行更仔細的思考，相比僅僅根據問題的第一印象作答，Gemini的表現有顯著改進。
Gemini Ultra在多個編碼基準測試中表現出色，包括HumanEval和Natural2Code。其中僅Gemini僅在HellaSWAG數據集上的測試遜色於GPT-4。
HellaSWAG數據集主要用於研究紮根的常識推理能力，但是一位NLP領域的研究專家向「甲子光年」表示："這並不能說明GPT4的常識推理性能更好，因為不能排除ChatGPT的模型在HellaSWAG數據集上訓練過。"
Gemini模型與GPT-4部分測試評分對比，圖片來源：谷歌
此外，在多模態方面，Gemini Ultra在新的MMMU基準測試中取得了59.4%的最先進得分，突顯了其多模態性和複雜推理能力。
在圖像基準方面的測試中，Gemini Ultra不需要從圖像中提取文本就能進行OCR處理，表現優於之前最先進的模型。
Gemini模型在多模態方面的與GPT-4V的測試對比，圖片來源：谷歌
Gemini 1.0被訓練用於同時識別和理解文本、圖像、音頻等，因此它能更好地理解具有細微差別的信息，回答與複雜主題相關的問題，尤其擅長解釋數學和物理等複雜科目中的推理。
「推理缺陷」也是GPT系列存在的問題。著名語言模型批評者Gary Marcus博士曾銳評道：「大語言模型沒法做一些有嚴格定義的工作：遵守西洋棋規則、五位數字相乘、在家譜中進行可靠的推理、比較不同物體的重量等等。」
Gemini解答物理題演示案例，圖片來源：谷歌
儘管技術進步顯著，但AI生成的虛假或捏造信息的問題依然存在。Eli Collins指出，這仍是一個未被完全解決的研究難題。
但他同時也強調，Gemini接受了谷歌迄今最為全面的安全評估，以確保其可靠性和安全性。谷歌對Gemini進行了一系列對抗性測試，模擬惡意用戶使用模型，並輸入各種提示詞，以檢測模型是否會產生仇恨言論或表現出政治偏見。這些測試包括了「真實毒性提示詞」，由網絡收集的超過10萬個提示詞組成，用以全面檢驗模型的反應。
谷歌數據的TPU v5p AI 加速器超級計算機，圖片來源：谷歌
值得注意的是，Gemini是在谷歌自研的雲晶片Tensor Processing Units（TPU）上完成訓練的。特別是TPU v5p版本，在性能上有了顯著提升，使得模型訓練速度相比前一代提高了2.8倍。據悉，TPU v5p晶片是專為數據中心訓練及大型模型運行而設計。
從12月13日起，開發人員和企業客戶可以通過Google AI Studio或Google Cloud Vertex AI來訪問Gemini Pro模型。Google AI Studio是一個基於網絡的免費開發工具，為開發人員提供API密鑰，從而快速創建原型並啟動應用程式。Vertex AI提供了定製化的Gemini以提供更為全面和管理的人工智慧平台，並具有完整的數據控制功能，能利用谷歌雲的額外功能，包括企業級的安全性、隱私保護以及數據治理和合規性。
此外，從Pixel 8 Pro設備開始，Android開發人員還可以通過Android 14中的新系統功能AICore來使用Gemini Nano。Gemini Nano是專為設備端任務設計的高效模型，通過註冊AICore的早期預覽版，開發人員可以深入探索其潛力，更便捷地利用Gemini的先進技術，並在Android生態系統的應用開發中迸發更多可能性。
到2024年，谷歌計劃推出Bard Advanced，它與AI agent的初級形態十分相似。Bard Advanced將藉助Gemini Ultra提供支持，可以迅速理解多模態輸入，包括文本、圖像、音頻和視頻，並作出相應的響應。
2.谷歌 VS OpenAI
在OpenAI的GPTs大放異彩時，谷歌似乎過於沉寂了。
今年2月，谷歌在巴黎舉行活動時，因其聊天機器人Bard的一處失誤，市值蒸發了1000億美元，也引發了外界對於Bard準確性的擔憂。
隨著OpenAI推出了ChatGPT，尤其是在必應搜索中整合了GPT技術，並首次在應用程式下載量上超越了谷歌后，人們開始思考谷歌是否在已人工智慧領域落後於競爭對手。
事實上，谷歌才是在2017年提出的Transformer模型、為今天這場遊戲制定規則的先行者。
谷歌對大模型"高地"的競爭意識並不比OpenAI晚。2021年，谷歌便推出了1.6萬億參數的Switch Transformer，強調稀疏多模態結構的潛力。同時，谷歌還提出了Flan-T5模型，通過更多監督數據降低了模型規模，比GPT-3模型參數更少但性能更佳。
對於技術上的評估，《經濟學人》在今年1月曾進行了一項比較測試，向ChatGPT和谷歌基於Lamda的機器人Bard提出了數學、閱讀和約會建議等問題。
測試結果顯示，谷歌AI在數學問題上表現更佳，但ChatGPT在常識問題上更準確。幾天後OpenAI升級了ChatGPT，再次測試中在數學問題上與谷歌AI持平。儘管ChatGPT作為一個大型語言模型訓練成本高、疊代難，但也顯示了它持續進化的巨大潛力。值得注意的是，谷歌的語言模型與ChatGPT在性能上是旗鼓相當的。
在這場對決中，谷歌和微軟都需要成本效益更高的解決方案。谷歌在AI領域取得了不少研究進展，但尚未將這些成果部署和變現，類似於微軟在過去的某些時期。這可能是因為谷歌低估了微軟和OpenAI的競爭實力，或者過於自信於自己在搜尋引擎領域的主導地位。
「甲子光年」綜合多方觀點分析得出，谷歌在技術前瞻性上領先，OpenAI更專注於產品的打磨。
在Sam Altman領導下的OpenAI專注於產品為導向的工作，致力於擴展和優化模型，主要關注細節精調方法。
谷歌則在技術發展的方向上始終保持著積極和前瞻的態度，不過在整體戰略規划上卻屢次調整。
谷歌在稀疏模型架構上進行了深入探索。只是兩年後的，萬億級別的Switch Transformer幾乎沒產生任何水花，而千億參數級別的GPTs系列卻風生水起。同樣，被反覆改進的Flan-T5模型雖然在性能上超越了GPT-3，但其優化進展相對緩慢。
在谷歌"選擇困難症"期間，OpenAI已經完成了對ChatGPT的訓練。
在2022年9月，谷歌旗下的DeepMind推出了麻雀（Sparrow）模型，和ChatGPT一樣，採取了基於人類反饋的強化學習（RL）框架。該模型採用了小型參數設置，與谷歌看重的LaMDA和PaLM模型的思路有明顯不同。只是谷歌並未能迅速確定麻雀模型是否是最優選擇，這也導致了麻雀模型的產品化滯緩，最終未能"飛上枝頭變鳳凰"。
"猶豫不決"似乎一直是谷歌的宿疾。「但遲到總比不做好！終於有了OpenAI王座的有力競爭者。」在Google公布消息後，英偉達AI科學家Jim Fan評論道。
今年4月，谷歌將Google Brain和DeepMind團隊合併，成立 Google DeepMind。有人將這一團隊戲稱為「AI復仇者聯盟」。原Google AI產品負責人Eli Collins被委以重任，擔任新團隊的產品副總裁。
目前，Gemini Pro和Gemini Nano已在聊天機器人Bard和智慧型手機Pixel 8 Pro上集成，實現了更為高級的推理、規劃、理解等能力。而更為強大的Gemini Ultra將在明年發布。
不知OpenAI會如何"應戰"呢？或許我們很快便可以等到GPT-5的發布了。
不過，優等生谷歌並不完全在意這一時之戰，而是在著眼未來。
「我們對答案的探索將在未來25年推動非凡的技術進步。到2048年時，如果有一位青少年在世界上的某個地方，看著我們用人工智慧建造的一切聳聳肩，我們就知道我們成功了。然後，我們就回去工作。」
谷歌CEO Sundar Pichai在谷歌成立25周年公開信中如是說。
*參考資料：
《Introducing Gemini: our largest and most capable AI model》，谷歌
《ChatGPT大熱，谷歌為何在自己的地盤輸給OpenAI？》，介面新聞
（封面圖來源：電影《超人歸來》）
END.