hi~大家好我是genji！今天刚睡醒就被一条突发新闻刷屏了——又一个“史上最强”AI大模型诞生了！(⁎⁍̴̛ᴗ⁍̴̛⁎)所以我就麻溜儿写个专栏和大家说道说道～

先让我们来看一段视频，一个男子做出后仰并躲避的慢动作，AI马上知道：这是表演《黑客帝国》中的“子弹时间”：

当一只手在镜头前不断变化手势，AI也能马上识别手势是在模仿什么东西：

当你寥寥数笔勾勒出一只鸭子，AI会根据水波纹来判断这是鸭子而不是鸟：

当你给鸭子涂上蓝色，AI会吐槽：蓝色鸭子这种玩意可不多见！

让这只小鸭子出现在世界地图上呢？AI甚至会调侃：看来这只鸭子没有地方栖息和找吃的~

这些片段，是谷歌演示最新出炉的AI大模型Gemini的场景。

规模最大、功能最强！？

美国时间12月6日早间，谷歌宣布推出最新AI大模型Gemini，并宣称它比市面上所有人工智能系统都更强大，在测试中连ChatGPT都要甘拜下风。

Gemini针对不同场景有三个版本：Ultra、Pro 和Nano，简单概括：

• Ultra - 用于处理高度复杂任务的模型，功能最强、规模最大。

• Pro - 用于扩展各种任务的最佳模型。

• Nano - 用于手机等设备的最高效模型。

在AI大模型风靡国内外的当下，相信你对于“多模态”这个词已经见怪不怪了。什么意思呢？如果你在跟AI聊天的时候，你们可以无障碍地进行文字、图片、语音等多种交流，那这就是多模态。

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。

除了开头展示的那些，Gemini还可以理解当下最火的emoji合成。

Gemini知道这个emoji是鳄梨+幽灵：

它还给这个合成的emoji起了一个新名字——派对幽灵：

不得不说，这种看起来好像没有多么厉害的小测试，但真的能在一些小可爱小细节的地方戳到你~

超越GPT，超越人类！？

在AI迅速发展的这两年，我们已经看到层出不穷的AI大模型，号称自己刷新了一个又一个“史上最强”。

就在不久前，我在专栏里给大家分享了OpenAI的划时代升级GPT-4 Turbo，没想到这个“史上最强”这么快就又又又被刷新了？

要知道，ChatGPT在大约一年前的横空出世，震动了整个科技行业，也打了谷歌在内一众老牌科技巨头一个措手不及。

谷歌一直在努力开发能与之相抗衡的AI软件，终于在今年3月迅速推出自己的聊天机器人Bard，积极参与AI大模型军备竞赛。而仅仅过了一个月，谷歌便再次宣布：“我们还有更强的杀手锏！”

于是，Gemini应运而生。

那么，这个号称谷歌杀手锏的Gemini强在哪里？

回答这个问题之前，我们要了解一下MMLU测试。这是目前市面上测试AI模型知识和解决问题能力的最常用方法之一，覆盖了基础数学、美国历史、计算机科学、法律等57项知识任务，难度覆盖高中水平到专家水平的人类知识。

谷歌对Gemini作出一系列MMLU测试，并宣称Gemini 在大部分测试中都击败了GPT-4，其中性能最强的Ultra最高得分为90%，超过GPT-4的86.4%。

谷歌还在Gemini官网重点强调——这是史上第一个在测试中超越人类专家的大模型。

有失偏颇，惹来众议……

然而，事情很快有了反转。

Gemini刚刚发布就惹来一众人工智能领域技术专家的质疑：

首先，在与GPT-4 对比测试的时候，GPT-4 用的是few-shot，无提示词技巧、只尝试5次。

而Gemini用的是CoT@32（非常不明显的灰色小字标注），意思是每个问题要回答32次，选出出现次数最多的答案作为输出。

潜台词是，Gemini的实际准确率并不高，这才需要不断重复同一问题的回答。

许多人表示，Gemini的能力超过GPT-3.5毋庸置疑，但能否超越GPT-4，还需要打一个问号。

在文章开头那段有趣的视频，也有人提出质疑。一名叫Santiago Valdarrama的机器学习讲师认为视频并不是实时录制，而是经过后期剪辑的，是一场精心挑选而制造的骗局。

谷歌也在随后也迅速发文回应，详细解释了Gemini是如何进行多模态推理的：

谷歌表示，Gemini可以根据不同的模态组合——比如案例中演示的文本和图像，预测接下来可能发生的事情并做出反应，同时Gemini能将这些模式无缝结合在一起，创造新的可能性。

在AI应用日新月异、行业不断大洗牌的当下，或许在Gemini发布不久后，刚刚平息内部乱局的OpenAI就会携崭新的GPT-5杀回来…又或许一个名不见经传的AI再次惊艳世人……让我们拭目以待吧！