在一段视频中，一个男子做出后仰并躲避的慢动作，AI马上猜出：这是表演《黑客帝国》中“子弹时间”的场景。

当人类拿起画笔在一张纸上勾勒出一只鸭子，并为它涂上了蓝色。这次AI说道：“这可不是鸭子常见的颜色。”

三个空杯并排放在桌子上，一张蓝色纸团被塞进其中一个杯子里，在人类一番眼花缭乱的操作后，AI准确地猜出：“纸团在最左边的杯子里!”

“喂”给AI一张手写的物理题，它不仅能看懂，而且还能分辨手写答案的对错，并且给出解释出一步一步解决问题的细节。

上传食材图像和语音输入，AI不仅可以指导你做菜，还能在不同阶段提出相应的建议。

这些片段，是Google演示其在12月6日最新出炉的AI大模型Gemini的场景。

“我们离新一代人工智能模型的愿景越来越近了。”进行完一系列视频演示后，GoogleDeepMind产品副总裁EliCollins(伊莱·柯林斯)对包括第一财经在内的媒体说，这是Google迄今为止功能最强大、最通用的大模型。

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。在灵活度上，从数据中心到移动设备上，它都能够运行。

Gemini被视作是Google在AI大模型领域放出的“大招”。多年前，Google凭借AlphaGo的惊艳表现在全球掀起了一波AI浪潮。但这一次，在OpenAI的ChatGPT所引发的AI新浪潮中，Google面临不小的压力。眼下，Google迫切需要一款现象级AI产品，证明自己在人工智能领域的实力。

能打败GPT4吗?

就在Google发布最新大模型之前，微软刚刚宣布了旗下AI助手Copilot重大升级，将接入OpenAI的最新模型GPT-4Turbo。

“迟到总比不做好!终于有了OpenAI王座的有力竞争者。”在Google公布消息后，英伟达AI科学家JimFan(范麟熙)就第一时间转发并评论。

GoogleCEOSundarPichai(桑达尔?皮查伊)评价，Gemini这一新时代的模型代表了Google作为一家公司在科学和工程方面所做的最大努力之一。他同时提到，这也是Google今年早些时候成立GoogleDeepMind时的愿景首次实现。

今年4月，或许是感受到了OpenAI联手微软带来的挑战，以及为了加速实现通用人工智能(AGI)的目标，Google将曾经诞生了Tensorflow与Transformer的GoogleBrain团队，和凭借AlphaGo掀起上一轮AI热潮、创造了AlphaFold预测蛋白质折叠的DeepMind团队合并，成立GoogleDeepMind，这一团队也被外界调侃是“AI复仇者联盟”。原GoogleAI产品负责人EliCollins就是在那时开始担任起新团队的产品副总裁。

今日GoogleDeepmind发布第一个版本Gemini1.0，针对不同尺寸进行了优化，分别是Ultra、Pro和Nano。其中GeminiUltra是目前Google规模最大、功能最强大的模型，适用于高度复杂的任务;GeminiPro是适用于可扩展各种任务的模型;GeminiNano主要是端侧设备上的模型。

Gemini发布后，外界最关心的是其对OpenAIGPT4的挑战。在采访中，记者提问EliCollins：“Gemini能打败市面上包括GPT4在内所有的大模型吗?”

EliCollins在回答中表示，团队一直在对Gemini模型进行严格的测试并评估其在各种任务中的性能。从自然图像、音频和视频理解到数学推理，在被大型语言模型(LLM)研究和开发中广泛使用的32项学术基准中，GeminiUltra的性能有30项都超过了目前最先进的水平。

他援引了来自MMLU的测试结果，称GeminiUltra的得分率为90%，是第一个在MMLU测试中超过人类专家的模型，MMLU综合使用了数学、物理、历史、法律、医学和伦理等57个科目，用于测试世界知识和解决问题的能力。作为对比，人类专家的得分率为89.8%，GPT4得分率为86.4%。

在多模态方面，GeminiUltra在新的MMMU基准测试中也获得了59.4%的SOTA分数。这项基准测试是由跨不同领域的多模式任务组成，需要大模型进行一个深思熟虑的推理过程。

GoolgeGemini大模型多模态背后的技术原理也引发业界关注。GoolgeDeepMind首席科学家杰夫·迪恩团队为此撰写了60页技术报告来阐述。

到目前为止，创建多模态模型的标准方法是分别训练不同模态的组件，然后将它们拼接在一起，以粗略模拟某些功能。这些模型有时可以很好地完成描述图像等特定任务，但在概念性更强、更复杂的推理方面却显得力不从心。

据DeepMindCEODemisHassabis(戴密斯·哈萨比斯)透露，团队将Gemini设计为原生多模态，从一开始就在不同模态上进行预训练。然后，利用额外的多模态数据对其进行微调，以进一步提高其有效性。这有助于Gemini从最初阶段就能对输入的各种内容顺畅地进行理解和推理，并优于现有的多模态模型。

复杂的多模态推理能力能够帮助理解复杂的书面和视觉信息。这使得它可以在海量的数据中发掘难以辨别的知识内容，回答与复杂主题相关的问题，尤其擅长解释数学和物理等复杂科目中的推理。

以解题为例，利用Gemini的多模态推理能力，AI能够读懂字迹凌乱的手写内容，正确理解问题