新火种AI|谷歌深夜发布复仇神器Gemini，原生多模态碾压GPT-4？
作者：一号
GPT-4最强的对手出现了。
北京时间12月7日凌晨，谷歌CEO“劈柴”突然发布重磅AI杀手锏——Gemini。就在前几天，还有消息说Gemini要推迟一个月才上线，结果现在这么突然地发布，着实让AI圈料不到。以谷歌以往的实力，不用想，这又是AI界的一个“不眠之夜”。
在去年ChatGPT发布不到两周，谷歌就拉响了「警报」来应战，好不容易搞出来的Bard，在首次亮相的时候却出现了失误，让谷歌市值一夜蒸发了1000亿美元。
而且，GPT（Generative Pre-training Transformer）还是基于Transformer开发的，而这个Transformer模型最早还是谷歌提出来，要想谷歌心甘情愿地服输，可不是那么容易。
果然，这一年的时间里，关于Gemini的消息就层出不穷，有的说谷歌大脑和DeepMind部门合并，几乎耗尽谷歌内部算力资源，就是为了背水一战，和OpenAI决战。
不过前段时间，OpenAI的发布会把AI界炸了一圈，还上演了一出“宫斗剧”，甚至还传出让人浮想联翩的Q*,谷歌都没一点新消息，差点就让人以为AI圈的王者已定。
就在一个月之前，英伟达科学家Jim Fan就曾说过，“人们对谷歌Gemini的期望高得离谱！谷歌要想重夺当年AlphaGo的辉煌，Gemini不仅要100%达到GPT-4的能力，还要在成本或者速度上比GPT-4更好。”
生来就是全才
还好，从Gemini公布的演示视频来看，它没让人失望。
“Gemini，从第一天起就是多模态大模型——跨越文本、图像、视频、音频和代码的无缝推理。”这是谷歌官网上，介绍Gemini的第一句话。
与ChatGPT通过升级迭代，逐步加上视觉、音频等多模态能力，形成“合体金刚”的路径不同，Gemini生来就是一位全才。它从第一天起就被设计成原生多模态结构，文本、图像、音视频能力从最开始就一起训练，从这一点上来看，Gemini的学习更像人类。这就意味着，Gemini可以无缝调动多模态能力，抽象和理解、操作和组合不同类型的信息。
举个例子，如果你同时上传一张图片给ChatGPT和Gemini，那么ChatGPT的处理将会是这样的，先借助GPT-4V认出来图里是什么，然后转成文本交给GPT去进行语义理解，然后再作回答；而Gemini则可以基于图像直接进行理解并回应，不用进行不同模型之间的调动。因此，在实操过程中，Gemini可以减少信息的丢失，回应也可以更加迅速和丝滑。
这从谷歌给到的演示视频中便可以看出：
演示者一边画画，Gemini就可以一边辨认，并且用自然、流利的语音和演示者对话，在演示者拿出蓝色的玩具鸭实物后，它还会幽默的回应：“看起来蓝色的鸭子比我想象中更常见。”
很显然，这样的体验更接近漫威中的“贾维斯”——一个高级人工智能，能与人类自如地进行交互。
而这样的体验，离不开Gemini的原生多模态架构。
Gemini VS GPT-4
除了拥有令人惊叹的原生多模态能力，在性能上，Gemini也是相当强悍。
按照尺寸的不同，Gemini共有“中杯”、“大杯”还有“超大杯”三种，即Ultra、Pro和Nano三个不同的版本。它们在性能和适配任务上的侧重点各有不同。
·Gemini Ultra —规模最大且功能最强大的模型，适用于高度复杂的任务，预计2024年初推出。
·Gemini Pro — 适用于各种任务的最佳模型，已经被用在了谷歌聊天机器人Bard的升级版上。
·Gemini Nano — 可以在端端侧设备上运行的高效模型，已经可以跑在谷歌Pixel 8 Pro手机上了。
根据谷歌给到的资料，从自然图像、音频和视频理解，再到数学推理，Gemini Ultra的性能在32个常见的大语言模型（LLM）研究和开发的学术基准测试中，拿下了30个SOTA。
其中，它在通用、推理、数学和编程等大方向的成绩如下：
更让人惊奇的是，在MMLU（大规模多任务语言理解）任务上，Gemini Ultra的得分达到了90.0%，超越了人类专家89.8%的成绩，首次达到了超越人类专家水平。
MMLU测试包括数学、物理、历史、法律、医学等57个学科，主要是用来考察大语言模型世界知识和解决问题的能力，而在这些学科中的每一个，Gemini都达到了甚至超过了行业专家的水准。
在图像基准测试中，Gemini Ultra在不使用OCR（对象字符识别）来提取图像文本进行下一步处理的情况下，表现优于GPT-4V。
各种测试都表明，Gemini在多模态处理上表现出了强大的能力，并且在更复杂的推理上也有很大的潜力。
实际能力被质疑
然而，在模型发布后不久，就有人在谷歌给到的60页技术报告中发现了一些“小技巧”。
在MMLU测试中，Gemini的结果下面用灰色小字标注着CoT@32，这表示，这个结果是使用了思维练提示技巧，尝试了32次后选出来的最好结果，而对比GPT-4,则是无提示词技巧，只尝试了5次的结果，这测试结果，变量确实控制得不是很好。
而且在显示超越人类专家的示意图里，比例尺上也有问题，让人以为超越了人类专家很多，但实际上并没有相差多少。
HuggingFace的技术主管Philipp Schmind“修复”了这张图，表示实际上应该是这样：
并且，在谷歌给到的一篇解释多模态交互过程的博客中，似乎表明了演示视频里，Gemini实时互动并不是真的，而是使用了静态图片，通过多段提示词拼凑，最后再剪辑视频，才达到了演示视频里的效果。
不管谷歌是不是有意使用“障眼法”，Gemini的发布无疑给看似稳定的AI界带来了一些“动荡”。
并且，谷歌还宣布推出了迄今为止最强大、最高效、最可扩展的TPU系统：Cloud TPU v5p，Gemini正式在此基础上训练的，这意味着谷歌将有能力拜托英伟达的算力限制，也算给了AI芯片市场带来了一些变化。
大模型的多模态探索
随着ChatGPT通过升级迭代，拥有了多模态能力，以及Gemini所展现出来的原生多模态能力，我们可以清晰地感受到，AI大模型浪潮已经进入了一个全新的阶段，即从大语言模型转向多模态模型。后者将更符合人类和世界交互最自然的方式：用眼睛看，用耳朵听，用嘴巴说，用文字记录与决策。
多模态领域的技术探索，与互联网媒介形式的变化也十分吻合，即从文字媒体，再到
音视频媒体。如今，随着抖音以及TikTok等短视频平台的兴起，视频已经成为了我们这个信息时代的主流。
根据思科的年度互联网报告，视频已经占据了互联网超过80%的流量。
很明显，如果一个AI大模型不具备识别图像以及音视频的能力，那么其训练数据将会跟不上信息迭代的速度，其能力也将大打折扣。
现如今，在多模态模型道路的探索上，除了GPT，Gemini也加入了进来，不知道未来Meta的Llama还有马斯克的Grok等等，是否也将加入角逐？