# Google 史上最强大模型 Gemini，真的全面「碾压」GPT\-4 吗？

- 作者：爱范儿
- 发布时间：2023-12-07 15:45
- 分类：产品
- 原文：https://www.ifanr.com/1569868

![](https://s3.ifanr.com/wp-content/uploads/2023/12/94.jpg)

昨天深夜，Google 突然发布重磅 AI 杀手锏——Gemini。

多模态 Gemini 可以理解、操作和结合不同类型的信息，包括文本、代码、音频、图像和视频。

在去年 ChatGPT 发布不到两周后，Google 就已经拉响「红色警报」来应对挑战。可紧急上线的 Bard ，却在首次亮相就出现错误，一夜让 Google 蒸发了 1000 亿美元市值。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/60.png)

在过去的一年里，基于大模型的聊天机器人单月访问量已经超过 20 亿， 其中 ChatGPT 遥遥领先，Google Bard 虽然排在第二，但和几个竞品一起归为「其他」更为合适。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/12-2.png)

▲ 图片来自：The Information



因此，Gemini 早已被寄予了赶超 ChatGPT 的厚望，无论成败，它就是 Google 过去对 AI 大模型孤注一掷的成果。

### 能看、能说、能推理

Gemini 1.0 共官宣中杯、大杯、超大杯三种不同规格。

中杯：Gemini Nano —— 最高效的设备任务模型  
大杯：Gemini Pro —— 适用于广泛的任务扩展的最佳模型  
超大杯：Gemini Ultra ——最大且最能胜任高度复杂任务的模型

![](https://s3.ifanr.com/wp-content/uploads/2023/12/1-1.png)

暂且抛开繁杂的参数信息，先来用几个案例让你全面了解 Gemini 的能力。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/50.gif)

当你随手画个鸭子，从曲线到鸭子成型，Gemini 都可以精准识别。给鸭子画条波浪线，它能理解你的言外之意，精准地指出鸭子在水中游泳的场景答案。

同时它还能人性化地模仿鸭子的叫声，即使是用流利的普通话说出鸭子的叫法也不在话下。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/51.gif)

闲着无聊，也可以和 Gemini 玩个游戏，你的手指指向哪个区域，Gemini 就能说出那个国家及其代表性的事物。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/52.gif)

三仙归洞，猜猜纸球在哪个杯子下面，手速再快，也躲不过 Gemini 的「眼睛」。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/53.gif)

拿到纱线却毫无头绪，别急，Gemini 聪明的大脑在看到纱线的那一刻，就已经把成品给你安排上，你只需要「照猫画虎」就好了。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/54.gif)

识别图像还只是 Gemini 的基础水准，看到乐器，Gemini 还能生成符合环境氛围的音乐，

逻辑和谜题解决、图像序列分析、魔术技巧解释、记忆和逻辑，这些能力 Gemini 样样都有，样样精通。

Google 也发布了文字演示版本，若你不想看视频，可以访问 https://developers.googleblog.com/2023/12/how-its-made-gemini-multimodal-prompting.html 查看。

或许是这个视频过于震撼，部分网友质疑 Google 这个视频存在「造假」的可能性，不过 Gemini 将很快在 Google AI Studio 中向公众开放，届时便能一辩真假。

### 多模态 Gemini VS GPT-4

据 Google 官方显示，从自然图像、音频和视频理解到数学推理，Gemini Ultra 的性能在 32 个广泛使用的大型语言模型（LLM）研究和开发的学术基准测试中，超过了30个当前最先进的结果。

从 Google 放出的测试结果来看，在文本、常规推理、数学、代码等领域，Gemini 的表现几乎是全方位碾压了 OpenAI 的 GPT-4。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/2-1.png)

MMLU（大规模多任务语言理解）是测试 AI 模型知识和解决问题能力的最流行方式之一。Gemini Ultra 在该测试中以 90.0% 的准确率成为首个超越人类专家的模型，作为对比，GPT-4 只有 86.4% 的准确率。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/3-1.jpg)

新的 MMMU 基准测试包含了跨不同领域的多模态任务，对多模态大模型的检验程度更高，但超大杯 Gemini Ultra 同样取得了 59.4% 的高分。

Google CEO Sundar Picha 在接受《麻省理工学院技术评论》的采访时表示，Gemini 之所以令人瞩目，其中一个重要原因是它从根本上就是一个多模态模型，就像人一样，它不仅从文本中学习，还能通过视频、音频和代码进行学习。

多模态特性是 Gemini 花时间打磨的原生特性，Gemini 1.0 能同时识别和理解文本、图像、音频等多种信息，理解信息能力更强，在回答与复杂主题相关的问题也能游刃有余。在多模态 SOTA 的测试中，Gemini 图像、视频、音频的多模态测试水准再次遥遥领先。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/4-1.jpg)

代码是检验大模型水平的重要指标之一，Gemini 1.0 跨语言工作和推理复杂信息的能力是它的强项，能够理解诸如 Python、Java、C++ 等高质量代码。两年前，Google 推出了 AlphaCode，这是首个在编程比赛中达到竞争水平的 AI 代码生成系统。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/5.png)

现在， AlphaCode 推出了第二代，这是一个由 Gemini 微调的竞争性编码模型，在与原始 AlphaCode 在相同的平台上较量时，AlphaCode-2 在人类竞争对手中的得分为 87%，而此前 AlphaCode 的得分只有 46%。

AlphaCode-2 技术报告地址 🔗：https://storage.googleapis.com/deepmind-media/AlphaCode2/AlphaCode2\_Tech\_Report.pdf

在技术报告中，Google DeepMind （AlphaCode 2 出品人）分享了大量关于推理时搜索、过滤和重新排名系统的细节。英伟达高级科学家 Jim Fan 直夸这些最新成果堪称 Google 的 Q\*（可以简单理解为 AI 的大突破）。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/61.jpg)

thehiredai CEO Arman 大胆地作出预测：「Gemini AI 刚刚杀死了 ChatGPT！」

![](https://s3.ifanr.com/wp-content/uploads/2023/12/62.jpg)

值得一提的是，Google 还宣布推出迄今为止最强大、最高效、最可扩展的 TPU 系统：Cloud TPU v5p。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/63.jpg)

▲ Cloud TPU v5p



Gemini 1.0 的训练正是在 Google 内部设计的 Tensor 处理单元（TPUs）v4 和 v5e 的 AI 优化基础设施上进行的。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/64.jpg)

Google Cloud CEO Thomas Kurian 对于自家产品，毫不吝啬地夸赞道：「Cloud TPU v5p 是我们迄今为止功能最强大、可扩展性最强的 TPU 加速器，其训练模型的速度比其前代产品快 2.8 倍。」

### 手机大模型的新玩家

手机是新技术破圈的重要媒介，Gemini 想要大规模走进大众社会，Pixel 8 一定是其不二之选。

Pixel 8 Pro 作为第一款内置人工智能的手机，已经在高新技术民用化的道路上建立了良好的口碑，从已经上手 Pixel 8 Pro 的用户反馈看，Google 把 AI 和手机终端应用结合得相当不错。

在此基础上，Google 官宣中杯大模型 Gemini Nano 从今天开始，将在 Pixel 8 Pro 上正式运行。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/65.jpg)

消息一出，PassionateGenius CTO Morimoto 已经迫不及待想要体验在 Pixel 8 上跑大模型了。

作为首款专为 Gemini Nano 设计的智能手机， Pixel 8 Pro 有两项专属的拓展功能将在后续的更新中加入：「记录器摘要」和「Gboard 智能回复」。

即使没有网络连接，记录器也可以获得手机对话录音、采访、演示等内容的摘要，强大的终端硬件是支撑这个功能的依托，而优化的侧端算法让「断网不断线」成为了可能。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/6.gif)

智能回复功能很像我们挂断电话后的自动回复，但和传统的固定内容相比， Gemini Nano 可以识别来信的内容，根据不同的语句生成对应的回信，语言也会更加自然亲切，有种明星的运营团队在社交平台回复粉丝的即视感。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/7.gif)

这两项功能目前只支持英文文本的识别，但转头一想对本身就买不到 Google 手机的我们好像也没有任何影响，不过能买到 Pixel 8 Pro 的非英语国家的用户，还需要再静候一段时间。

而在生产力方面的优化，在大洋彼岸 Pixel 终于赶上了国内的基本水平。

类似的照片和视频的 AI 编辑功能在新机首发时，就成了 Google 新机的代名词，现在继续优化的 AI 编辑优化，可以让手机再加一件「专业编辑器」的新装。

全新清洁功能可以帮助去除扫描文档中的污迹、污渍和折痕。现在只用在相册里滑动几下，即可消除图片中的污渍。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/8.png)

借助 Google Tensor G3 的强大功能，Pixel 8 Pro上的视频增强模型，可在云端调整颜色、照明、稳定性和颗粒度。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/9.gif)

从官方展示的对比看，视频被加了一层「鲜明」滤镜，颜色更饱满，明暗对比度更高，特别是在夜晚暗光环境中，这种 AI 优化的效果会更明显。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/10.gif)

相较视频的编辑，图像美化应该是更多人的期待，特别是在拍动态物体的时候，模糊的画面总会让你在事后翻阅时留下一些遗憾，升级的 AI 编辑可以将 Google 照片中的模糊全部消除。

以后记录自家宠物的高光时刻，不用担心相机没聚焦带来的焦虑了。

此外，Google 将多设备之间的联动也进行了升级。Pixel Watch 能够成为手机解锁的另一种方式，也能帮你忽略不需要的来电，或接听电话之前确认对象以及通话原因。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/11-2.png)

如果你能买到 Pixel 8 Pro，或者已经是 Google 手机的用户，可以尝试检验一下这些新功能，会不会成为你购买或继续使用 Google 的推动力。

从今天开始，通过全新升级的 Gemini Pro 版本，Bard 将实现更高级的推理、规划、理解等功能。它将在超过 170 个国家和地区提供英文版本。

在接受《麻省理工学院技术评论》的采访时，Sundar Pichai 还说到：「Gemini Pro 在基准测试中的表现非常出色，当将其集成到 Bard 中时，我可以亲身感受到它的优势，我们一直在对它进行测试，所有类别任务的好评率都有显著的提升，因此，我们将其称为迄今为止最大的升级之一。」

![](https://s3.ifanr.com/wp-content/uploads/2023/12/70.png)

▲目前 Bard 已使用 Gemini Pro 版本，图片来自 X 用户 @gijigae



在接下来的几个月里，Gemini 还会陆续上线 Google 旗下更多的产品和服务，比如搜索、广告、Chrome 和 Duet AI 等。

从 12 月 13 日开始，开发者和企业客户可以通过 Google AI Studio 或 Google Cloud Vertex AI 中的 Gemini API 访问Gemini Pro。

目前，Gemini Ultra 已经在内测中，并打算明年初推给开发者和企业用户，明年初，Google 还将推出 Bard Advanced，让更多的普通用户用上最强的 Gemini Ultra。

![](https://s3.ifanr.com/wp-content/uploads/2023/12/73.jpg)

Google CEO Sundar Pichai 在发布 Gemini 时说到：

> 每一次技术转变都是推进科学发现、加速人类进步和改善生活的机会。  
> 我相信我们现在看到的与 AI 有关的转变将是我们一生中最深远的，远大于之前的移动或网络的转变。

想要实现 AGI（通用人工智能），就需要 AI 做到像人类一样从容地解决不同领域、不同模式的复杂任务，在这个过程中，除了基本的计算、推理等基础能力，相对应的文字、图像、视频等多模态能力也要跟上。

DeepMind 曾提出 AGI 的评估和分类的框架，前两个阶段分别是：

AGI-0：基本的人工智能，能够在特定的领域和任务上表现出智能，如图像识别、自然语言处理等，但是不能跨领域和跨模态地进行学习和推理，也不能与人类和其他 AI 进行有效和自然的沟通和协作，也不能感知和表达情感和价值。

AGI-1：初级的通用人工智能，能够在多个领域和任务上表现出智能，如问答、摘要、翻译、对话等，能够跨领域和跨模态地进行学习和推理，能够与人类和其他AI进行基本的沟通和协作，能够感知和表达简单的情感和价值。

Gemini 的演示视频，充分展现了它对各个模态交互的深刻理解，能看、能说、能推理、能够感知和表达简单的情感和价值，也让我们看到了 AGI-1 的潜在可能性。

本文由李超凡、肖凡博、莫崇宇合写