嘿！GPT这下危险了

这是一个比ChatGPT有趣更多的新家伙。先来看看他们的演示（不是聊天框，而是实时的视频和语音互动）：

一张纸、一条弯曲的线、看到喙和爪子觉得是鸟，有了水波纹立刻就认出了鸭子（当然，你要非抬杠说是大鹅，也行……）。整个过程就像那个著名的超人梗“It's a Bird... It's a Plane... It's Superman”——简直和人分辨视觉信息的感觉一模一样。

接下来它看出了颜色，而且清楚地知道“蓝鸭子”这玩意可不多见；当画面中沧桑的双手拿出了一个“小蓝鸭”，它也认出了材质，并知道这个“蓝鸭”可以浮在水上——而这是通过挤捏的动作确认的。

它非常清楚，这是一个立体的鸭子放在平面的世界地图上（它还知道蓝色是的海洋，黄绿色的是大陆）。

最有趣的是这部分：三个杯中扣纸团，猜猜是哪个？（后面还有一个猜手中硬币的环节，啥都瞒不过）

它可以识别手势，无论你是在猜拳，还是模仿动物。

还可以识别视频中不断变换的物体，并归类说明。

甚至可以做编织刺绣爱好者的“设计指导”。

还记得这个么？小时候我最爱玩了，一下子被它整得没乐趣了！

可以看懂手绘乐器和与之关联的背景（难为它了，绘得的确太糙了……），并随之变换不同音乐风格（后面的完整视频中，你可以听到）。

还能够看懂视频中的视频。

完整演示视频在这里：

上面演示的，是Google刚刚发布的Gemini（本意为双子座，就是上面演示视频最后出现的那个星座）大模型——这是一款“天生多模态”的AI大模型。

官方称其为“Google 迄今为止规模最大、能力最强以及最灵活的AI模型”。

你大概在过去一年里，伴随着各种“大模型”，反复听到过“多模态”这个词：简而言之，如果一个AI和你的交流方式包括文字、语音、图像等，就是“多”；只有一种，就是“单”。

但这里有一个问题，我们在这一年接触到的大多数“多模态”，其实都是单一模态的不停切换：先在对话框里聊两句天，再来个语音识别转文字，最后整一张画给AI看，或者让AI整一张画给你看——是不是很熟悉的流程？

举个例子，你身边是不是有很多这样的同事：一下午只能做一件任务，剪了视频就不能做表格；做了表格就没法找客户；找了客户就没法剪视频……（除非是摸鱼，一次能摸好几种）这时候你老板通常会表扬他：倒霉孩子，真是一根筋！

但如果优秀如你，也许可以并行同时完成两到三项工作——Gemini就是AI中的你。在上面的演示视频中就可看出，既然号称“天生多模态”，它展现出的其实是一种“跨模态”的“天赋”。文字、语言、画面、声音……做到同时接受和表达，这就非常接近人类天然对于外部世界的理解和交互方式了。

Gemini这次公布了三种尺寸：

以保障它能高效运行在从数据中心到移动设备的多平台上。

在这次的发布和展示中，Google公布了Gemini最具先进性的几个特质：

目前，在 Bard 已经可以体验 Gemini 的 Pro 版本（暂时限英语），未来几个月将扩展不同的模态，并支持新的语言和地区；手机端，Pixel 8 Pro 是首款搭载 Gemini Nano 的智能手机，它可以支持录音应用中的“总结”等新功能，并在 Gboard 中推出“智能回复”功能；未来几个月，Gemini 也将出现在Google的搜索、广告、浏览器和智能办公助手当中。

大概是过去一年OpenAI占据的太多眼球（无论是技术、产品，还是人），有趣的是，这似乎暗合了Google当年推出Transformer架构时的论文题目Attention is all you need。一年之中，凡谈及AI，则言必称OpenAI和GPT，很多人似乎忘记了Google在AI方面雄厚的基础和持续进步。

看看这张Gemini之前Google的AI里程图：

如今面对Gemini，刚刚动荡平息的OpenAI又将如何应对呢？是传说中的Q*还是人们翘首期盼的GPT-5？

作者：卧虫

编辑：malt

内文插图及视频来自google

封面图来源：Giphy

本文来自果壳，未经授权不得转载.

如有需要请联系[email protected]