赶超GPT-4！谷歌发布最新大模型Gemini，主打三大“杀手锏”

外界期待已久的谷歌大语言模型 Gemini 在美国时间 12 月 6 日早间正式对外发布，谷歌首席执行官皮查伊表示，Gemini 1.0 是目前为止谷歌能力最强的通用人工智能模型。

“ Gemini 是原生多模态打造，是（谷歌）通往 Gemini 模型时代的第一步。”皮查伊在当天的声明中说。

谷歌当天发布的 Gemini 1.0 共分为 Ultra, Pro 和 Nano 三个版本，其中 Ultra 的能力最强，复杂度最高，能够处理最为困难的任务，Pro 能力稍弱，可以用来处理多任务，Nano 则更注重于端侧的处理能力。

目前谷歌旗下的基于大语言模型对标 ChatGPT 的人工智能语言对话机器人 Bard 已经启用 Gemini Pro 作为底层大模型驱动，能够实现比过去由 Palm 大模型驱动的更为高级的推理、规划、理解等能力，同时继续保持免费。谷歌预计在明年初将推出“ Bard Advanced ” ，计划使用 Gemini 最强版本 Ultra。

主打三大“杀手锏” 能力超越 GPT-4

在当天发布的博客文章中，谷歌表示，对 Gemini 模型进行了严格的测试，并评估了它们在各种任务中的表现。

从自然图像、音频和视频理解，到数学推理等任务，Gemini Ultra 在大型语言模型研发被广泛使用的 32 个学术基准测试集中，在其中 30 个测试集的性能超过当前 SOTA 结果。

另外，Gemini Ultra 在 MMLU（大规模多任务语言理解数据集）中的得分率高达 90.0%，首次超越了人类专家。MMLU 数据集包含数学、物理、历史、法律、医学和伦理等 57 个科目，用于测试大模型的知识储备和解决问题能力。

针对 MMLU 测试集的新方法使得 Gemini 能够在回答难题之前利用其推理能力进行更仔细的思考，相比仅仅根据问题的第一印象作答，Gemini 的表现有显著改进。

谷歌还专门公布了在各方面能力上与 OnpeAI 目前最强的大语言模型 GPT-4 进行的对比，结果显示，在文本处理方面，除了在 MMLU 得分 90% 超过 GPT-4 的 86.4% 以外，Gemini Ultra 在推理、数学、代码等方面能力的得分均高过 GPT-4。

在多模态方面，Gemini 也在包括图像、视频、音频等各个方面全面超越了 GPT-4 的能力。

根据谷歌首席科学家、人工智能负责人 Jeff Dean 的描述，Gemini 模型在多模态模型推理能力方面已经达到惊人的程度。

在上述例子中，当用户给一份有学生手写的计算滑雪者滑到山下速度的解题内容提示后，Gemini 能够在读懂题目的同时，指出正确的解答方法应该是怎样。Dean 表示，多模态模型能力仅仅在教育方面体现出的各种可能性就让人非常兴奋，而这样的多模态能力能够在许多不同的领域发挥巨大作用。

在模型架构方面，Gemini 依然采用 Transformer 架构，采用了高效的 Attention 机制，支持 32k 的上下文长度。

在当天的发布中，谷歌方面并没有透露 Gemini Ultra 和 Gemini Pro 的具体参数大小，只是明确称规模最小的 Gemini Nano 的参数分别为 18 亿（Nano-1 ) 和 32.5 亿 ( Nano-2 ) 。

目前外界有传言称，Gemini Ultra 的参数规模达到万亿级别，训练动用的算力是 GPT-4 的 5 倍以上。

在当天同时发布的 Gemini 技术报告中，谷歌称，Gemini 的训练动用了大规模的 TPU 资源，使用 TPU-v5e 和 TPU v4 进行训练，训练使用了跨多个数据中心的大量 TPU v4，这也在某种程度上印证了 Gemini 的训练参数规模十分庞大，此前谷歌的 PaLM 的训练参数规模为 3400 亿。

谷歌 Gemini 的首个“杀手锏”，在于其打造时是“原生的多模态”，这区别于目前主流的其他多模态模型，大多数是通过训练不同的组件，最终将这些组件拼接在一起实现所谓的“多模态”。

因此通过“拼接”的多模态模型虽然能够完成一些特定任务，例如图像识别，但在更为复杂的多模态任务方面可能就有些力不从心。

但谷歌原生多模态的 Gemini，是从预训练就用不同的模态进行，并不断进行微调，谷歌方面表示，这样的训练方法，有助于让 Gemini 从头开始无缝理解和推理各种输入，远远优于现有的多模态模型，而且它的功能在几乎每个领域都是最先进的。

Gemini 的第二大“杀手锏”，在于其使用自家设计的、针对人工智能训练进行优化的 Tensor Processing Units ( TPUs ) 的 v4 和 v5e，谷歌称，将其 TPU 设计为自己最稳定、可扩展以及最有效率的服务。

谷歌表示，目前 Gemini 在 TPU 上运行，比过去规模更小、能力更小的模型的运行速度更快，这些定制的 AI 加速器是谷歌 AI 产品驱动面向数十亿用户的搜索、Youtube、Gmail、谷歌地图等服务的核心。TPU 也让企业能够以更优的成本效率方式训练大规模 AI 模型。

当天，谷歌还宣布了目前为止最强大、最高效、可扩展的 TPU 系统 —Cloud TPU v5p，专为训练尖端的人工智能模型而设计。新一代 TPU 将加速 Gemini 的发展，帮助开发人员和企业客户更快地训练大规模生成式 AI 模型，让新产品和新功能更快地与客户见面。

谷歌 Gemini 的第三大“杀手锏”，在于与谷歌旗下生态的融合，除了发布 Gemini 以外，谷歌在当天也强调，Gemini 将通过谷歌产品推向数十亿用户。

最早上线的便是与 ChatGPT 直接对标的谷歌人工智能语言助手 Bard，谷歌宣布，目前 Bard 将由 Gemini Pro 微调版本驱动，谷歌表示，这是 Bard 推出以来最大的升级。

谷歌还考虑到了端上直接运行大模型，当天同步推出的 Gemini Nano 版本就是针对此推出的适用于移动端的大语言模型版本，谷歌旗下的 Pixel 8 将是第一款直接在端上运行 Gemini 的智能手机。

除此以外，谷歌还计划在未来逐步将 Gemini 的底层人工智能能力推向旗下全线产品，包括核心业务广告、搜索、Chrome 浏览器等。

谷歌称，目前已经在试验用 Gemini 驱动的搜索，已经让 Serach Generative Experience ( SGE ) 在美国英语搜索的延迟降低了 40%，并提高搜索质量。

业界反应热烈 与 OpenAI 竞争进入白热化

谷歌当天发布 Gemini 多少让外界有些意外，在今年 5 月份谷歌的开发者大会上，谷歌便高调对外宣布了下一代大语言模型 Gemini，引发外界的巨大期待。按照原计划，谷歌将在 12 月份对外正式发布 Gemini，但上周有消息称，谷歌将推迟发布 Gemini 至明年 1 月，谷歌方面给出的理由是“在某些非英语任务方面的表现不佳”，这在一定程度上引发外界对于谷歌在 Gemini 研发方面遇到困难和阻力的猜想。

或许是迫于外界的压力和期待，谷歌最终还是在 12 月 6 日按照原计划对外发布了 Gemini。Gemini 一经推出，便引发了业内外广泛关注和讨论，关注最为集中的是 Gemini 所公布的模型能力对 GPT-4 的全面超越。

有人在社交媒体上评论称，谷歌的 Gemini 和 OpenAI 的 GPT-4 正拼的头破血流。

毫无疑问，自从 ChatGPT 在去年底诞生以来 1 年多的时间，行业内又掀起了一轮以生成式人工智能为核心的热潮。ChatGPT 背后公司 OpenAI 成为这一轮人工智能热潮中的领军公司，其与微软的深度合作，也让原先在人工智能领域处于领先地位的谷歌危机感十足。

为了对抗 OpenAI 和微软这一强大联盟，谷歌在内部迅速进行了调整，包括将旗下人工智能部门与谷歌大脑部门进行合并，集中优势资源进行大模型领域的研发以及旗下产品应用的全面升级。

值得一提的是，当天 Gemini 的发布，博客文章的署名人是谷歌首席执行官皮柴和 Deep Mind 创始人兼首席执行官 Demis Hassabis，并且在 Gemini 的详细介绍说明部分，则是 Hassabis 单独署名，可见 Gemini 的研发工作主要由 Deep Mind 主导，而谷歌旗下的 Deep Mind，正是当年推出震惊世界、在围棋界击败人类顶尖选手的 Alpha Go 的背后公司。

前不久，OpenAI 刚刚经历了非常戏剧性的“董事会内乱”，首席执行官 Sam Altman 突遭董事会罢免，但最终迅速回归，经此意外后，OpenAI 的未来发展也萌生了许多新的不确定性，这也意外给了包括谷歌在内其他行业内竞争者更多追赶的时间和机会。

当天谷歌发布的 Gemini，特意将很多项能力直接与 OpenAI 的 GPT-4 进行逐一对比，也彰显了谷歌与 OpenAI 之间在大语言模型领域的竞争已经进入到白热化的程度。

毫无疑问，OpenAI 方面也在密切关注谷歌方面的动作并做出相应的应对，在上个月进行的 OpenAI 历史上首个开发者大会上，OpenAI 已经公布了一系列更新，包括 GPT-4 模型的升级版、以及将打造专属 GPT 的能力赋予每个用户的功能、未来开放 GPT 应用商店等，OpenAI 目前的开放重点在于下一代 GPT-5 上，由于谷歌的 Gemini 已经在很多能力上显示出对 GPT-4 的全面超越，外界对 GPT-5 也增加了更多的期待。