Google Gemini
Google Gemini είναι Google η οικογένεια των εγγενών πολυτροπικών μοντέλων τεχνητής νοημοσύνης της DeepMind που μπορούν να αιτιολογήσουν κείμενο, εικόνες, ήχο, βίντεο και κώδικα.
Επισκόπηση
It powers Google's chatbot, Search overviews, and Workspace, and competes head-to-head with OpenAI's GPT models.
Βαθιά κατάδυση
Το Gemini κυκλοφόρησε τον Δεκέμβριο του 2023 σε τρία μεγέθη: Ultra, Pro και Nano (η έκδοση στη συσκευή που εκτελείται σε τηλέφωνα Pixel). Σε αντίθεση με προηγούμενα μοντέλα που βιδώθηκαν σε ξεχωριστό κωδικοποιητή όρασης, το Gemini εκπαιδεύτηκε από την αρχή σε παρεμβαλλόμενο κείμενο, εικόνες, ήχο και βίντεο, ώστε να μπορεί, για παράδειγμα, να παρακολουθεί ένα σιωπηλό βίντεο και να εξηγεί τι συμβαίνει. Η γενιά Gemini 1.5 εισήγαγε μια σχεδίαση Mixture-of-Experts και ένα τεράστιο παράθυρο περιβάλλοντος, πρώτα 1 εκατομμύριο και μετά έως 2 εκατομμύρια διακριτικά, αρκετά για να απορροφήσει ολόκληρες βάσεις κωδικών, μεγάλα PDF ή ώρες βίντεο ταυτόχρονα. Το Gemini αντικατέστησε τόσο το Bard (το chatbot) όσο και τα παλιά API προγραμματιστών που βασίζονται σε PaLM, ενοποιώντας την καταναλωτική και επιχειρηματική τεχνητή νοημοσύνη του Google κάτω από μια επωνυμία και ενισχύοντας λειτουργίες σε Android, Chrome και Workspace.
Τεχνική διορατικότητα
Το Gemini είναι ένα μοντέλο σε στυλ αποκωδικοποιητή που βασίζεται σε μετασχηματιστή και έχει εκπαιδευτεί με αρχιτεκτονική Mixture-of-Experts (MoE) στις 1,5+ γενιές του: αντί να ενεργοποιεί όλες τις παραμέτρους για κάθε διακριτικό, ένας δρομολογητής στέλνει κάθε διακριτικό σε ένα μικρό υποσύνολο εξειδικευμένων υποδικτύων κοπής «ειδικών» υπολογιστών. Η εγγενής πολυτροπικότητά του σημαίνει ότι οι εικόνες, ο ήχος και το βίντεο προσαρμόζονται στην ίδια σειρά με το κείμενο, επιτρέποντας σε έναν ενιαίο μηχανισμό προσοχής να συλλογιστεί από κοινού σε όλους τους τρόπους αντί να συρράπτει ξεχωριστά μοντέλα μεταξύ τους.
Στρατηγικός αντίκτυπος
Στρατηγική προμηθευτή
Οι χάρτες πορείας προμηθευτών επηρεάζουν τα χαρακτηριστικά που μπορεί να δημιουργήσει η ομάδα σας στη συνέχεια.
Κόστος και προϋπολογισμός
Οι εμπορικοί όροι και οι επιλογές ανάπτυξης επηρεάζουν το μακροπρόθεσμο κόστος και τον κίνδυνο.
Κίνδυνος και ασφάλεια
Τα κίνητρα της εταιρείας διαμορφώνουν τις προεπιλογές προϊόντων, τη στάση ασφαλείας και τη διαφάνεια.
Το μέλλον του Google Gemini
Ο Google ωθεί το Gemini προς την αντιπροσωπευτική συμπεριφορά, τα μοντέλα που σχεδιάζουν, χρησιμοποιούν εργαλεία και αναλαμβάνουν ενέργειες πολλαπλών βημάτων εκ μέρους ενός χρήστη, όπως παραδειγματίζονται από ερευνητικές προσπάθειες όπως το Project Astra (ένας πολυτροπικός βοηθός σε πραγματικό χρόνο) και ο Project Mariner (web). Αναμένετε βαθύτερη ενοποίηση σε Android, Chrome και Workspace, μεγαλύτερα και φθηνότερα παράθυρα περιβάλλοντος και παραλλαγές Nano στη συσκευή που κάνουν περισσότερα τοπικά για το απόρρητο. Η στενότερη σύζευξη με το Google Search και το βελτιστοποιημένο για τανυστήρα υλικό TPU πιθανότατα θα μειώσει τον λανθάνοντα χρόνο και το κόστος.
Υλοποίηση σε πραγματικό κόσμο
Συνοψίζοντας ένα PDF 1.500 σελίδων ή ένα βίντεο διάλεξης διάρκειας μιας ώρας που μεταφορτώθηκε απευθείας στην εφαρμογή Gemini
Δημιουργία επισκοπήσεων AI στην κορυφή των Google αποτελεσμάτων αναζήτησης για σύνθετα ερωτήματα
Σύνταξη μηνυμάτων ηλεκτρονικού ταχυδρομείου, σύνοψη νημάτων και ανάλυση υπολογιστικών φύλλων εντός του Gmail, των Εγγράφων και των Φύλλων μέσω Gemini στο Workspace
Εκτέλεση λειτουργιών στη συσκευή, όπως περιλήψεις κλήσεων και έξυπνες απαντήσεις μέσω Gemini Nano σε τηλέφωνα Pixel χωρίς αποστολή δεδομένων στο cloud
Κίνδυνοι & προστατευτικά κιγκλιδώματα
Οι ανακοινώσεις κυκλοφορίας ενδέχεται να ξεπεράσουν τη σταθερότητα στις πραγματικές ροές εργασιών παραγωγής.
Η τιμολόγηση API ή οι αλλαγές πολιτικής μπορούν να σπάσουν τις υποθέσεις από τη μια μέρα στην άλλη.
Η εξάρτηση από έναν προμηθευτή αυξάνει το κόστος κλειδώματος και μετεγκατάστασης.
Οδικός Χάρτης Εφαρμογής
Αξιολογήστε τους παρόχους χρησιμοποιώντας τις δικές σας εργασίες και σύνολα δεδομένων.
Ελέγξτε το απόρρητο, την ασφάλεια και τους νομικούς όρους πριν από την ενσωμάτωση.
Διατηρήστε ένα εναλλακτικό σχέδιο σε μοντέλα ή προμηθευτές.
Παρακολουθήστε τις σημειώσεις έκδοσης, ώστε οι αλλαγές στον οδικό χάρτη να μην εκπλήσσουν τις ομάδες.
Συνεχίστε την εξερεύνηση
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Google Gemini quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Επόμενος οδηγός
Google DeepMind
Συχνές ερωτήσεις
What is Google Gemini?
Google Gemini είναι Google η οικογένεια των εγγενών πολυτροπικών μοντέλων τεχνητής νοημοσύνης της DeepMind που μπορούν να αιτιολογήσουν κείμενο, εικόνες, ήχο, βίντεο και κώδικα. Τροφοδοτεί το chatbot, τις επισκοπήσεις αναζήτησης και τον χώρο εργασίας του Google και ανταγωνίζεται τα μοντέλα GPT του OpenAI.
Τι σημαίνει ότι το Gemini είναι «εγγενώς πολυτροπικό»;
Η εγγενής πολυτροπικότητα σημαίνει ότι οι εικόνες, ο ήχος και το βίντεο κωδικοποιούνται στην ίδια σειρά με το κείμενο και εκπαιδεύονται από κοινού, αντί να συνδέουν έναν ξεχωριστό κωδικοποιητή όρασης με ένα μοντέλο μόνο κειμένου.
Ποιο μέγεθος Gemini έχει σχεδιαστεί για εκτέλεση απευθείας στη συσκευή, όπως σε τηλέφωνα Pixel;
Gemini Το Nano είναι η μικρότερη παραλλαγή, βελτιστοποιημένη για να εκτελείται τοπικά σε συσκευές όπως τα τηλέφωνα Pixel για λειτουργίες όπως περιλήψεις κλήσεων και έξυπνες απαντήσεις.
Ποιο προϊόν αντικατέστησε το Gemini ως καταναλωτικό chatbot του Google;
Η Google μετονόμασε το chatbot Bard σε Gemini, ενοποιώντας τον βοηθό τεχνητής νοημοσύνης καταναλωτών με το όνομα Gemini.
Ποια αρχιτεκτονική τεχνική χρησιμοποιούν τα μοντέλα Gemini 1.5+ για τη βελτίωση της απόδοσης;
Το Mixture-of-Experts δρομολογεί κάθε διακριτικό σε ένα μικρό υποσύνολο εξειδικευμένων υποδικτύων ειδικών, επομένως δεν ενεργοποιούνται όλες οι παράμετροι για κάθε διακριτικό, εξοικονομώντας υπολογισμούς.
Πόσο μεγάλο μπορεί να είναι περίπου το παράθυρο περιβάλλοντος του Gemini 1.5, που του επιτρέπει να απορροφά ολόκληρες βάσεις κώδικα ή ώρες βίντεο;
Gemini 1.5 εισήγαγε παράθυρα περιβάλλοντος 1 εκατομμυρίου διακριτικών, τα οποία αργότερα επεκτάθηκαν σε 2 εκατομμύρια, αρκετά μεγάλα για την επεξεργασία πολύ μεγάλων εγγράφων, βάσεων κωδικών ή βίντεο.