当地时间12月6日，美国科技公司谷歌推出了Gemini大模型。与大语言模型ChatGPT不同，Gemini大模型是原生多模态大模型，不仅可以处理文本内容，还可以无缝丝滑地处理代码、音频、图像和视频等多种模态的信息。据介绍，这是谷歌目前规模最大、能力最强的大模型。

　　Gemini大模型一经推出，便引发了科技圈的“地震”，业内多名人士都对Gemini大模型表达了祝贺与赞美。根据谷歌给出的基准测试结果，Gemini大模型在大部分测试当中都打败了OpenAI的ChatGPT4，显示了先进的性能。

　　今日美股盘前，谷歌A、谷歌C均大幅上涨，一度涨约4%。开盘后，谷歌股价保持高位，截至发稿，谷歌A涨4.88%，谷歌C涨超5%。

　　主打“原生多模态”，30项测试结果超越GPT4

　　“Gemini 是我们迄今为止最强大、最通用的模型，它在许多领先的基准测试中都展现出了最先进的性能。”在Gemini大模型发布的公开信中，谷歌CEO桑达尔·皮查伊如此说道。谷歌DeepMind的CEO和联合创始人德米斯·哈萨比斯代表团队对Gemini大模型进行了详细介绍。

　　综合来看，谷歌此次发布的G emini大模型主要有以下几个亮点：

　　三个版本：提供三种不同的尺寸，实现从云上到手机、平板都可以运行。据谷歌介绍，尺寸由大至小分别为Gemini Ultra（规模最大且功能最强大，适用于高度复杂的任务）、Gemini Pro（适用于各种任务的最佳模型）和Gemini Nano（端侧设备上最高效的模型）。

　　多种模态：据介绍，Gemini大模型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。

　　性能卓越：性能测试方面，在32项性能基准测试中的30项上，Gemini Ultra模型超越了现有最先进的GPT4。其中，在MMLU（大规模多任务语言理解）测试中，Gemini Ultra以90.0%的成绩首次超过了人类专家。

　　具备更强的理解、推理和编码能力：可以在海量的数据中发掘难以辨别的知识内容；尤其擅长解释数学和物理等复杂科目中的推理；可以理解、解释和生成世界上最流行的编程语言（如 Python、Java、C++ 和 Go）的高质量代码，能够跨语言工作并对复杂信息进行推理，这些能力使其成为世界领先的编码基础模型之一。

　　以上这些亮点中，多模态信息识别、理解与处理能力无疑是谷歌Gemini大模型最令人感到惊艳的一个能力。在一个测评视频中，测评人让Gemini看一系列的影像，并要求Gemini推理所看到的内容。记者看到，当测评人绘制一幅图片的时候，Gemini可以实时描述它所“看”到的画面。更奇妙的是，当测评人展示两张斜坡上的车辆图片，问“从设计上看，哪个车会跑得更快？”时，Gemini会问答：“右边的车更快，它更符合空气动力学。”

　　Gemini大模型卓越的性能引得科技圈人士纷纷点赞。比如，特斯拉CEO埃隆·马斯克在桑达尔·皮查伊社交平台X上的发布帖下评论称：“令人印象深刻。”除此以外，马斯克还对谷歌DeepMind的CEO、Gemini团队代表德米斯·哈萨比斯表示了祝贺。

　　AI进入多模态时代，带动算力赛道持续繁荣

　　一名人工智能研发人员向记者表示，谷歌Gemini模型的核心优势在于其原生多模态的特性。具体而言，以往的多模态大模型是通过针对不同模态训练单独的组件，然后把这些组件组合起来，模拟多模态功能。虽然在单独和具体的任务上表现良好，但在处理需要更深层次概念理解和复杂推理的任务时，表现往往不尽人意。

　　“不像OpenAI那样为图像和语音训练独立的DALL-E和Whisper模型，谷歌从一开始就构建了一个多感官模型。”该研发人员表示。

　　近期，以语音、图片、视频等为主要代表的多模态大模型站上风口。记者梳理发现，多家国内外科技公司密集发布了相关产品。

　　语音方面，11月22日，Meta官网发出公告，推出了一款多语言和多任务模型SeamlessM4T，可用于无缝翻译和转录语音和文本。据悉，SeamlessM4T的主要能力包括自动识别近百种语言的语音、语音翻译、文本转语音翻译等。

　　图像及视频方面，11月16日，Meta官网发布文生视频模型Emu Video和图像编辑模型Emu Edit。11月29日，美国初创公司Pika Labs发布了文生视频工具Pika1.0，支持对视频进行实时编辑和修改；12月5日，美图发布AI视觉大模型MiracleVision的4.0版本，新增AI设计与AI视频两大能力。其中，AI设计具备四大功能，包括矢量图形、文字特效、智能分层和智能排版，可以满足AI设计的基础需求。

责任编辑：杨赐