2023-12-07 | 실리콘밸리=윤민혁 기자

摄像头观察行为给出最优答案…语言理解力90%创历史最高

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

谷歌推出的Gemini性能出色,足以抹去“超大规模人工智能(AI)后来者”的污名以及一度推迟发布带来的遗憾。此前一度流传“谷歌因忌惮OpenAI的GPT-4 Turbo而推迟发布”的传闻,但谷歌展示了压倒性的实时视觉识别能力,证明这份等待并非徒劳。谷歌决心把Gemini应用到从智能手机“Pixel”到搜索、电子邮件、云端硬盘、文档等所有服务中,超越AI领跑者OpenAI和微软(MS)。

5日(当地时间)谷歌公开的Gemini在超大规模AI性能测试MMLU(大规模多任务语言理解)中,以最高性能模型Ultra为准录得90%。这超过了OpenAI的GPT-4所录得的86.4%,为历史最高分。OpenAI应用于GPT-4 Turbo的多模态(图片、视频、语音)指标也被压倒,在多数基准测试中均超越GPT-4。Gemini还具备GPT-4 Turbo所没有的实时视觉识别能力。目前公开的GPT-4 Turbo多模态功能,是把图像或视频文件输入GPT-4进行识别的方式。而Gemini则是AI通过摄像头观看真人的动作并作出相应互动。

这不只是识别物体的水平。用笔在纸上画一只鸭子,Gemini会判断是“鸟”;在鸭子旁画上波浪线,它便判断出是“鸭子”。把鸭子身体涂成蓝色,它会说“虽然不常见,但也有蓝色的鸭子”,并介绍蓝色的品种;给它看蓝色的洗澡玩具鸭,它则回答“原来你画的不是真鸭子,而是玩具鸭”。问这个玩具会不会浮在水上时,它当下无法回答,但当看到用手挤压的样子后,便给出“是塑料的且内部空心,会浮起来”的答案。

对数学和物理的认知更加精细。画出方形车辆和车头为三角形的车辆后问哪一辆更快,它回答“应用了空气动力学的尖头车更快”。给它看带图表的数学题和给出错误答案的解题过程,它能指出错在哪一步,并给出正确的公式。

它还学习了YouTube视频和音乐。有人模仿《黑客帝国》主角躲子弹的场景,它回答“这是电影《黑客帝国》的著名场景”。画吉他,它就演奏只用吉他的音乐;画鼓和贝斯,它就演奏乐队音乐。物体识别与判断力与人无异。

谷歌按参数规模将Gemini分为三种模型。当天谷歌演示的Gemini是完整版“Ultra”,将于明年初推出。曾有传闻称因英语以外其他语言支持不足而推迟发布,但谷歌DeepMind产品副总裁Eli Collins否认称:“支持100种以上语言,Ultra推迟发布是为了更确保安全性。”

面向开发者和企业的Pro已立即应用于今年5月推出的谷歌AI助手Bard,可在各类谷歌服务中使用。从下个月起,将扩展到搜索、广告乃至Chrome浏览器。谷歌表示:“应用Gemini后,内部测试中搜索耗时减少了40%。”面向个人的Nano自6日起可供一般使用。在搭载谷歌TPU(张量处理单元)的智能手机Pixel 8 Pro上,即便没有互联网和通信连接也可使用Gemini。

这得益于Gemini由TPU训练而成。当天谷歌还公开了用于训练Gemini的TPUv5。其浮点运算(FLOPS)速度比上一代快2倍,在Gemini等新一代AI上更号称快4倍的运算处理能力。这意味着在硬件层面也对英伟达图形处理器(GPU)及使用该产品的OpenAI发起攻势。

随着Gemini发布,超大规模AI竞争预计将更加激烈。战场看来将从单纯的性能比较扩大到最终用户接触的服务领域。与OpenAI携手的微软已在Windows操作系统(OS)和Edge浏览器中应用AI Copilot,率先出招。谷歌的战略是把Gemini引入平台、硬件乃至智能手机,实现AI的“垂直一体化”以占据优势。稍显落后的Meta则于前一天与IBM、英特尔、AMD等50余家企业联手,构建“AI联盟”,试图反击。Gemini支持包括韩文在内的100种以上语言。

阅读韩文原文