xiaoming
千呼万唤始出来，谷歌终于释放了大模型的新大招——Gemini。
当地时间12月6日，谷歌正式发布了Gemini大模型。在一份声明中，谷歌CEO桑达尔·皮查伊（Sundar Pichai）称，这是谷歌迄今为止“功能最强大、最通用”的模型。
对于Gemini，谷歌就差说出“遥遥领先”四个大字。皮查伊描述其意义是人工智能发展的一个重要里程碑，也是谷歌新时代的开始：“这个新时代的模型代表了我们作为公司所进行的最大的科学和工程努力之一。我对即将到来的发展和Gemini为全球人民带来的机遇感到无比激动。”
演示视频中Gemini的表现的确称得上“惊艳”。在一段视频中，谷歌的人员用视频给Gemini 画画、展示物品，并和它对话。Gemini用语音和文字进行回答，不仅可以识别出工作人员手绘的简笔画是什么，还能“看”出其手持的玩具鸭子的材质是“橡胶”，并且还和其玩起了互动小游戏。甚至在工作人员询问鸭子一词的普通话发音时，Gemini也精准读出，还顺带科普了普通话的四个音调。
这则演示之所以惊艳，是因为它融合展示了Gemini不俗的多模态能力。在图像、视频、音频等的输入和输出中，Gemini不需要特别做切换，更贴近人与人交互的体验。皮查伊在一篇博文中提到：“Gemini一开始就是为多模态打造的，这意味着它可以生成并理解、操作和组合成不同类型的信息，包括文本、代码、音频、图像和视频。”
谷歌也拿出数据展示Gemini的能力，比如在MMLU多任务语言理解数据集测试中，Gemini Ultra不仅超越了GPT-4，也比人类专家强。
眼尖的朋友不会忽略后缀“Ultra”。这次Gemini发布提供了三个版本，分别是轻便的Gemini Nano，可以在安卓设备上原生离线运行；Gemini Pro，已经接入Bard；Gemini Ultra，本次发布的最强版本。
实际上，这次发布Gemini最亮眼的表现由Gemini Ultra贡献，也是这个版本对标了GPT-4，但这个版本计划2024年才会正式推出。而Gemini Pro已经接入Bard，但目前只可在英文交互中被调动，该模型对标GPT-3.5，后者是OpenAI在2022年初就释放的模型。至于Gemini Nano，“谷歌亲儿子”Pixel手机的最新版Pixel 8 Pro的用户将很快体验到。
总而言之就是，Gemini挺好的，就是“但是”有点多，承诺也多于当下的应用。更要命的是，在Gemini发布不久，就被外界扒出展示视频疑似拼接剪辑的产物、Gemini Ultra和GPT-4的测试疑似被谷歌“双标”等问题。
Gemini也许真的强，但是否达到了谷歌需要的“遥遥领先”？
A
先来看看Gemini在发布之后遭遇了什么质疑。
首先是那个颇为惊艳的展示视频，视频中Gemini流畅地与工作人员对话，用多模态的方式进行着交互。
但很快，展示视频的声明就被关注到了。声明是这样说的：“为了演示的目的，（视频中）延迟已经减少，Gemini的输出已经进行精简。”而这个声明并没有放在显眼的位置，而是在谷歌发布的YouTube视频的描述文本中，不仔细看很容易忽略。
难道谷歌的展示视频并不是实时录制，而是经过编辑的？可能更糟。彭博社（Bloomberg）的专栏作家奥尔森（Parmy Olson）就此事问询谷歌，得到了一位发言人的回应：这段视频是通过“使用视频中的静态图像，并通过文字提示”制作的。
也就是说，演示视频虽然给人一种人类和Gemini“视频通话”畅聊的感觉，但这只是感觉，实际上视频中工作人员所说的话，是在念给Gemini的文字提示，而展示的也不是视频，而是静态图像。
另有谷歌员工匿名向彭博社吐槽，对演示视频并不感到惊讶，因为他们已经习惯了某种程度的营销炒作：“我认为，大多数使用过LLM（大语言模型）技术的员工都知道，要对这一切持保留态度。”
面对外界的质疑，谷歌选择放低姿态，不仅放出了演示视频背后详细的交互过程，谷歌DeepMind的产品副总裁伊莱·柯林斯（Eli Collins）还明确表示，画鸭子的演示展示的是一种研究层面的努力，至少目前不在谷歌的产品中。
其次是Gemini Ultra在测试中的表现。依据谷歌的展示，Gemini Ultra在大规模多任务语言理解测试MMLU中，得分高达90%，是首个在该测试中超越人类专家的模型。MMLU综合运用了数学、历史、法律、物理、医学和伦理等57个科目，是测试AI世界知识和问题解决能力的重要工具。
其中，谷歌展示的一张图令人印象深刻，图中Gemini的得分“遥遥领先”于GPT-4和人类专家，图中GPT-4的得分在最底部，人类专家的得分大约在中间的位置，而Gemini Ultra的得分在顶部。
但人们很快就发现不对，GPT-4在MMLU中的得分为86.4%，人类专家是89.8%，而Gemini Ultra的得分为90%，何至于在折线图中展示出均分画面的效果？
这不是纵轴尺度不均的把戏吗？这个把戏骗不了打工人，毕竟大家在工作汇报的时候都熟练运用了。
当红的AI初创公司HuggingFace的CEO菲利普·施密德（Philipp Schmid）在社交平台上吐槽“永远别相信营销”，并贴出了他帮谷歌修正后的折线图，Gemini Ultra的领先优势立刻变得不那么明显了。
此外，施密德还发现了一个关键点，虽然同样是对MMLU的测试，但GPT-4和Gemini的“待遇”不大相同。Gemini Ultra的得分是基于CoT思维链提示技巧，尝试32次后取的最佳得分，但GPT-4是在无提示词技巧下，尝试了5次拿到的得分。
施密德也提到，其实同样是用CoT@32（思维链提示技巧下尝试32次），GPT-4的得分为87.29%，的确不如Gemini Ultral；但要是同样在无提示词技巧下尝试5次，Gemini Ultra的得分其实只有83.7%，低于GPT-4的86.4%。
相当于Gemini Ultra和GPT-4分别参加了两场考试，都拿到了两个分数。明明是各自赢了一场考试，谷歌宣传自己赢的那场考试就算了，还偏偏用自己在一场考试中的高分，去对阵GPT-4在另一场考试中的低分，怎么看都有点“不讲武德”了。
B
自从ChatGPT出现，谷歌踏入尴尬之境。
一方面，谷歌在AI领域的野心与成就有目共睹。早在2011年，谷歌大脑Google Brain就已经成立，目标是研究深度学习和神经网络。次年，谷歌大脑由1.6万台电脑集群组成的人工神经网络，在学习了10万个YouTube视频后，没有学习“猫”为何物而自行精准识别出“猫”，震惊四座。
2014年，谷歌又以6亿美元价格收购DeepMind，当时后者还是仅有50名员工的小公司。谷歌对AI如此舍得下血本，也直接促成了马斯克等人应激式地成立OpenAI，以对抗谷歌未来在AI领域可能形成的垄断局面。
仅仅两年后，已经被谷歌收入麾下的DeepMind就推出了AlphaGo，击败围棋顶尖选手李世石，一炮而红。谷歌就此成为AI领域不可忽视的、第一梯队的力量。
其后数年，做研究、发论文、推产品，谷歌没有停下在AI领域的脚步。OpenAI的GPT模型之“T”，正是Transformer模型之意。Transformer模型是一种用于自然语言处理中的神经网络模型，是由谷歌的研究人员在2017年提出的，那一年皮查伊喊出“从移动优先转向AI优先”的口号。当年写就Transformer论文的研究人员，也被冠以“Transformer八子”的称号，可见其分量之重。
但另一方面，ChatGPT推出之后，谷歌就陷入了被动。
如果说几年前做“谁会造出一个轰动世界的大模型驱动的聊天机器人”，那谷歌八成是猜测的大热门。但这并不是故事的走向，OpenAI推出了ChatGPT，而谷歌至今没有能与之抗衡的产品。
今年2月，在外界的瞩目下，谷歌推出了聊天机器人Bard。作为ChatGPT的直接竞品，Bard被寄予厚望，却不如预期。先是演示中出现事实错误，让谷歌母公司一夜之间市值蒸发千亿美元。而后也没能以性能表现吸引足量用户，据Similarweb的数据，Bard全球月访问量只有2.2亿次，仅为ChatGPT的八分之一。
谷歌在AI领域明明素有“遥遥领先”之态，为什么这次不能“遥遥领先”了，问题到底出在哪儿？
“Transformer八子”也许能掀开谷歌难题的一角。这八子目前已经全部从谷歌出走，其中1位加入OpenAI，其余7人创业。彭博社引用谷歌科学家和工程师称，谷歌规模庞大，任何创意都要经过多层确认。就算创意通过，从创意到产品的门槛也很高。在谷歌，高级研究人才想将想法变为现实，难度颇大。
换句话说，谷歌多少有点“大公司病”，这也可以解释为何谷歌在应对OpenAI和微软的挑战时显得有些“迟缓”。
ChatGPT的推出，使得AI的战场更加瞬息万变，看看OpenAI和微软过去一年对模型和产品的迭代速度就知道了——今年2月微软推出新必应，3月OpenAI就正式推出了GPT-4，9月微软推出微软“智能副驾”Microsoft Copilot，10月就开始向Windows 11用户推送更新，11月OpenAI又推出了GPT-4 Turbo。况且OpenAI每次的发布会还会有真枪实弹的演示，动辄就是“即日起可用”。在这样的竞争环境下，谷歌的“谨慎”就变成了一种诅咒。
C
谷歌有足够的理由着急。
在AI驱动的云计算竞赛中，谷歌一直落后于微软。今年两大巨头多次同日发布财报，让对比更加明显。截至9月底的2023年第三季度财报显示，谷歌云营收低于华尔街预期，且为11个季度以来增长最慢的一季。而微软同样截至9月底的2024财年第一财季业绩报告则显示，微软智能云部门收入同比增长19%，其中Azure更是同比增长29%。
在Bard效果不佳的情况下，Gemini是谷歌寻求突破的一枚关键棋子，这也是Gemini还没推出就备受瞩目的原因。
今年4月，谷歌将谷歌大脑Google Brain和DeepMind合并，成为新的部门谷歌DeepMind。此前谷歌原生孵化的谷歌大脑与收购而来且一直享有高度自主权的DeepMind之间，一直有资源抢夺和内部竞争的问题，这与“Transformer八子”出走暴露出的谷歌的问题一致。
而合并二者，显示出了谷歌从组织层面上入手，扫清AI竞赛上的障碍之决心。合并之后，DeepMind联合创始人德米斯·哈萨比斯（Demis Hassabis）成为谷歌DeepMind的CEO。
不出两个月，哈萨比斯就在采访中透露了Gemini项目，并放出豪言，称Gemini的能力将强过OpenAI的GPT-4。
在今年年中的谷歌I/O开发者大会上，谷歌共提及143次AI，皮查伊首次承认Gemini的存在。从那时起，全世界都在等着谷歌“憋大招”。
如此看来，就能理解谷歌为什么在那么多“但是”的情况下，就发布Gemini，又为什么要如此用力地营造“遥遥领先”的形象。
好消息是，尽管外界质疑颇多，但市场对谷歌Gemini的发布给出了正反馈。当地时间周四，谷歌母公司Alphabet的股价大幅上涨了5.3%，市值上涨800亿美元。巧合的是，今年9月传出的OpenAI最新估值正在800亿美元到900亿美元之间。谷歌一夜涨出了一个OpenAI。
坏消息是，承诺大过落地的Gemini，需要实实在在地兑现承诺，2024年Gemini Ultra的正式推出将是一个关键节点。
而在那之前，只能默默祈祷OpenAI的GPT-5来得慢一些。就在上个月，OpenAI的CEO山姆·阿尔特曼（Sam Atlman）透露，GPT-5正在开发中。
参考资料：
1、新浪科技：《两个小时：谷歌说了143次AI，股价连涨两天》
2、财联社：《OpenAI承认正开发GPT-5 终极目标是相当于人脑的超级AI》
3、极客公园：《谷歌 25 周年｜3.0——从 AI 弄潮儿到追赶者》
4、北京商报：《同日发财报：微软赢了谷歌》