拆解谷歌Gemini ：能力可与GPT-4“掰手腕”，目前可免费使用

12月6日深夜，在没有任何预告下，Google（谷歌）推出了“迄今为止，功能最强大、最通用的人工智能大语言模型”Gemini（双子星）。

谷歌官方表示，Gemini经过了当前LLM（大型语言模型）领域中广泛使用的32个基准测试，在其中大部分基准测试中，表现出了“最先进的性能”，不仅击败了OpenAI的GPT-4，甚至在MMLU（大规模多任务语言理解）基准测试中，成为第一个超越人类专家的模型。

“这是人工智能模型的巨大飞跃，最终将影响几乎所有的Google产品。”谷歌CEO Sundar Pichai（桑达尔·皮查伊）与DeepMind CEO Demis Hassabis（德米斯·哈萨比斯）联名表示。

多模态、多语言、免费

谷歌最早对外公布这一被命名为“Gemini”的模型开发计划是在今年5月举行的I/O（Innovation in the Open，开放中创新）开发者大会上。

彼时皮查伊表示，正在训练中的Gemini表现出了此前所有模型未曾具备的多模态能力，并且这一模型将有不同尺寸和功能应用场景的设计。

实际上，Gemini是由Google DeepMind开发出的原生多模态模型，该项目需溯源至今年4月20日。那天，谷歌选择将Google Brain与DeepMind合并，成立了Google DeepMind，并宣布将公司在AI领域的世界级人才、计算能力及基础设施等资源加以结合，创新研发大模型以对标OpenAI的GPT-4。

今年6月以来，哈萨比斯也不止一次对外提及Gemini系统的强大，例如“将比ChatGPT背后的系统更强大”“正在开发Gemini系统来迎接下一个时代”“Gemini是Google的下一代多模态大模型”等。

当然，让外界对Gemini关注度持续升高、好奇心拉满，还有一个细节。今年7月，辞职已有四年的谷歌联合创始人Sergey Brin（谢尔盖·布林）重返谷歌，有消息称其回归便是要协助开发Gemini系统。

一位在国内专注AI大模型方向的算法工程师对记者表示，在7月时他就预感“Gemini将会是下半年大模型赛道的焦点。”

Gemini共有Ultra、Pro和Nano三个版本，分别适用于不同场景，其中Ultra版可用于大型数据中心等，属于处理高复杂度任务的模型；Pro版则用于各种扩展任务，属于日常使用模型，且已搭载于谷歌的对话机器人Bard中；Nano版则是应用于智能手机等移动设备终端上的模型。

在谷歌给出的长达60页的Gemini技术报告中，上述算法工程师认为其中值得关注的是，Gemini模型的训练数据集既多模态又多语言。其中，前期训练数据集使用来自网络文档、书籍和代码的数据，包括图像、音频和视频数据等。

“Google拿自家海量云存储的图片进行了预训练，确实把模型的多模态能力拉升了一大截。”这位算法工程师还看到，谷歌在Gemini技术报告中如此写到，“当模型多模态能力被真正探索出来时，会提供更多细节。”

12月7日上午，上述算法工程师体验了实际搭载Gemini Pro的Bard，并就多模态能力方面，对Gemini与GPT-4进行了对比测试。

通过识别不同图片中的人物、地点、文字、动物甚至其中可能蕴含的科学知识，综合对比，他发现，Gemini Pro的多模态能力确实足以抗衡GPT-4，前者的响应速度也“快很多”，另外，前者可以免费使用，但后者已经有了“3小时40次的限制”。

能力可与GPT-4“掰手腕”

将Gemini的技术报告看完后，国内一位曾在谷歌工作过的AI企业创始人对记者称，最令其惊讶的是光报告的作者就多达9页，“每页90人，八百余人，超过OpenAI公司的总人数。”

需要提及的是，OpenAI员工总数目前不足800人，这也不难看出谷歌在Gemini模型开发与技术创新方面投入的AI人才之多。

“我对Gemini的期盼，是它可以和GPT-4去‘掰手腕’。”这位算法工程师实际使用对比后的感受是，Gemini达到了上述目的，但这是否表明其已经对GPT-4形成了“全面超越”？

他肯定了Gemini的多模态能力，但他继而指出，Gemini在中文识别理解能力上，相较GPT-4略逊一筹。这也进一步印证了科技媒体The Information早前报道中所指出的“Gemini仍无法可靠处理‘非英语’的任务。”

据悉，在文本分析上，Gemini是通过大模型思维链（Chain of Thought）技术原理提升效果，在上述算法工程师看来，若实际比拼，“Gemini比不过GPT-4”，毕竟谷歌专门针对测试相关领域进行了优化，Gemini只在上述领域中的指标表现好，并不能够说明模型真正的泛化能力强，“至于真正能力，需要在更多的数据集上进行测评。”

谈及Gemini的强大之处，一AI企业的基础科研负责人向经济观察网记者分析，“在于首次验证了原生多模态训练的范式是能走通的。”在他看来，原生多模态训练范式的上限极高，且容易扩展到视频格式，“我们很看好这条技术路线。”

上述AI企业基础科研负责人认为，谷歌产品线积累的海量高质量多模态数据，能够为后续Gemini的迭代提供有力支持。

事实上，Gemini的技术报告中也有这样一段表述，“谷歌发现数据质量对于高性能模型至关重要，并认为在寻找预训练的最佳数据集分布方面，仍有许多有趣的问题。”

为拓展多模态模型的训练数据集，谷歌还对外表示，Bard将在超过 170 个国家和地区提供 Gemini Pro 版本服务，并计划未来扩展到不同的模态，支持更多语言和地区。不仅明年初将推出升级的Bard  Advanced版本，在接下来的几个月里，谷歌还将陆续把Gemini应用于搜索、广告、Chrome等更多的产品和服务中。

本文来自微信公众号：经济观察报 （ID：eeo-com-cn），作者：钱玉娟