繼ChatGPT上線一周年之后，近日，谷歌的多模態(tài)Gemini忽然上線，被業(yè)界視為“谷歌最強反擊戰(zhàn)開啟”。投資機構針對Gemini的討論“炸開了鍋”。業(yè)內人士認為，Gemini在視覺識別和推理推斷方面有顯著優(yōu)化，落到商業(yè)場景上，實時交互場景或成為多模態(tài)人工智能模型應用的焦點。

Gemini“太震撼”

近日，谷歌CEO桑達爾·皮查伊宣布Gemini1.0版正式上線。Google DeepMind產品副總裁伊萊·柯林斯表示，這是Google迄今為止功能最強大、最通用的大模型。

據了解，和市面上現有大模型相比，Gemini從一開始就被創(chuàng)建為多模態(tài)的模型，這意味著它可以歸納并流暢地理解、操作以及組合不同類型的信息，包括文本、代碼、音頻、圖像和視頻。在靈活度上，從數據中心到移動設備上，它都能夠運行。

在觀看Gemini系列演示視頻后，不少投資人表示“太震撼”?！翱戳薌emini的演示視頻，其所表現出來的對多模態(tài)理解的能力非常驚人，此外，Gemini所表現出來的推理能力目前看來是超過ChatGPT的?！北本┼]電大學計算機學院副教授孫海峰表示，一方面，在多模態(tài)信息處理上，Gemini遠超OpenAI的ChatGPT。Gemini既可以支持多模態(tài)信息輸入，也支持多模態(tài)信息輸出。Gemini一個典型的特點是支持文本、圖像、音頻和視頻的交錯序列作為輸入，這對于ChatGPT或者傳統(tǒng)架構的多模態(tài)大模型來講，是很難實現的。通常來講，ChatGPT僅僅支持文字的輸出，其他模態(tài)的輸出需要調用第三方API來實現。Gemini這種交錯序列的輸入方式更符合絕大多數場景的需求。另一方面，在Gemini的技術報告中，其在MMLU數據集測試中的準確率達到了90.04%，超過了人類專家，其推理能力的進化具有里程碑意義。

在Gemini上線后的一天，谷歌被外界質疑稱，多模態(tài)視頻是剪輯拼貼的，Gemini涉嫌夸大宣傳。谷歌官方也給予了解釋：視頻的確有后期制作和剪輯的成分，Gemini所有交互不是實時感知到，而是工作人員給予圖片和提示之后的效果，即Gemini在讀取視頻方面還有待進一步發(fā)展。

實時交互場景或是商業(yè)化焦點

受此消息的影響，國內投資人針對多模態(tài)技術及其應用展開熱議。

某科技賽道的一級投資人表示，相較ChatGPT-4，Gemini的識圖和推理能力，以及目前看上去的響應速度有很大進步。他個人認為，Gemini與OpenAI的產品各有千秋，商業(yè)化落地方面還需要找到合適的場景。“有合適的場景適配，并找到增值需求還是關鍵，但Gemini確實是將AI模型的想象空間進一步打開了?！?/span>

“可以大膽想象，當多模態(tài)模型運行在機器人(11.640, -0.05, -0.43%)身上，可能實現具身智能，另外，當多模態(tài)模型和谷歌眼鏡結合時，或將升級為超級智能體。”另一位投資人表示。

某技術人士介紹，人類有五種感官，我們所建造的世界、所消費的媒體，都是以這樣的方式所呈現。而多模態(tài)模型意味著Gemini可以用和人類一樣的方式理解周圍的世界，并且吸收任何類型的輸入和輸出——無論是文字，還是代碼、音頻、圖像、視頻。其中最關鍵的技術，是如何混合所有這些模式，如何從任意數量的輸入和感官中收集盡可能多的數據，然后給出同樣多樣化的響應。

“Gemini更像人了，更貼近人的視覺識別和一些推理判斷，OpenAI的ChatGPT更多像一個大知識庫，它能夠給人提供信息參考。兩者不是誰超越誰，而是側重方向有顯著不同?！蹦惩顿Y人表示。

孫海峰表示，目前還不太清楚Gemini的具體實現結構是什么樣的，但是這種對多種模態(tài)信息可以交錯序列作為輸入方式的模式，是許多場景、尤其是實時交互場景非常需要的。

另一位科技投資人認為，Gemini的發(fā)布意味著大廠在人工智能方面具有先發(fā)優(yōu)勢更加確定，比如谷歌的Gemini視覺推理方面能力突出，是因為他們有基于搜索引擎的各種資料作為大量的訓練數據。此外，大廠在數據、流量、資金、算力以及應用場景上的優(yōu)勢都很明顯。

來源：中證網