谷歌Gemini被曝视频造假！多模态视频竟是剪辑配音，击败GPT-4靠「作弊」？

---

  新智元报道  

谷歌的宣传视频，竟然作假了？

在谷歌昨天发布的Gemini的宣传视频中，所有人都被那一段6分钟一镜到底的互动视频惊艳到了。

一天之内有720万的播放量。网友惊呼，Gemini看起来就像一个能随时事无巨细地向你解释一切的朋友。

视频中看起来，好像Gemini能够实时地感知人类的动作，并且直接做出语音回应。

然而，有越来越多的人质疑demo的真实性。

彭博社的Parmy Olsen，第一个质疑视频造假。

随后，谷歌官博也放出了解释——

是的，视频的确有后期制作和剪辑的成分。

根据官方发布的一个技术文档，Gemini所有的这些交互都不是实时感知到的，而是通过提示词问出来的。比如：

‍视频中显示，似乎Gemini能直接看懂人类在玩石头剪子布，

但其实，真实的过程是，向Gemini上传一张手比剪刀的照片，问它看到了什么。然后用人声把它的回复读了出来。

而石头剪子布的视频，则是把三张照片依次传给Gemini，让它把这三张照片连在一起推理，它直接给出回答，这是在玩石头剪子布。

所以，实际上并不是Gemini看懂了一段视频，它只是看懂了三张图片，并且做出了推理而已。

人类给Gemini传了一张「剪刀」的照片，Gemini回复说：「这似乎是伸出了两个指头的手势，一般来说这个手势代表着数字2」。然后人类又传了3张「石头剪刀布」的手势照片，问它这三张照片合在一起是什么意思。Gemini才说了这是「石头剪子布」游戏

同样，在识别行星的演示，视频给人营造的感觉仿佛是直接问Gemini「这个顺序正确吗」，它就能回答不正确，应该是太阳、地球、土星。

但实际上，是谷歌给了Gemini一句prompt：「这个顺序正确吗？请考虑它们与太阳的距离，并且解释你的理由」，随后，Gemini才回答了那样一句话。

很多网友也认为，谷歌这种有意地误导性呈现，反而让用户会怀疑，到底模型的真实能力有多强。

毕竟，产品不能永远停留在宣传视频里，最终都要交到用户手上去体验。

这个视频最大的误导性在于，似乎让用户误以为Gemini能实时的读取视频信息，并且能够通过自己的理解直接推测用户的问题并直接回复。

而实际情况是，谷歌员工是通过读取图片+良好的提示词工程才能让Gemini生成这些回复的。

虽然说从技术原理上来看，能够读取图片和能够看懂视频之间，并没有技术上的鸿沟。

但是从产品实现落地的角度看，把读取图片约等于能实时看懂视频，并且过于强调实时性而压缩了交互过程中的延迟，这几乎已经可以理解为虚假宣传了。

而是否需要良好的提示词工程，更是评价模型能力的关键问题。

谷歌的这些「后期加工」，只能说明，他们太想让Gemini「看起来」比竞品好太多了。

毕竟，起了个大早却赶了个晚集的谷歌，在大模型上确实太需要流量了。

在YouTube描述中，谷歌也承认了该视频被编辑为延迟，这样就能使得模型看起来响应速度比实际更快。

Olson表示，谷歌的营销非常巧妙，所以我们真的应该在AI炒作中更加谨慎，保持清醒的头脑和判断力。

本来，昨天Gemini的演示一出立马惊艳了众人，本来是多模态理解领域的一次令人兴奋的展示。

现在被扒出伪造，显然会让用户对谷歌的诚信失去信心。谷歌这一出，着实得不偿失。

其实本来，Gemini确实输出了视频中显示的回应。

但视频的剪辑效果，却会让用户对于Gemini的交互速度、准确性和基本模式产生误解。

石头剪子布的demo，和实际上Gemini对于三张图片的识别，是完全不同的交互。

前者是一种直观的反应，表示Gemini可以即时捕捉一个抽象的想法；而后者，则是经过精心设计、充满大量暗示的交互，虽然的确体现了Gemini的能力，但也具有不少局限性。

如果视频一开始就明确指出，「这是研究人员测试Gemini互动的一种风格化演示」，可能会让公众的期待者降低一些，也就不会像如今这样失望。

而且，视频名叫「Hands-on with Gemini」，暗示了视频中展示的就是和Gemini的原样互动。然而实际上Gemini的参与程度，是掺了水分的。

视频中也没有明说，视频中的模型，到底是Gemini的哪个版本。

总的来说，这段视频半真半假，尽管包含一些真实的成分，但它根本没有反映现实。

Perplexity AI的首席执行官将网友对谷歌Gemini造假视频，做了客观的分析。

当前有两种激进派的人，是这样看待Gemini的发布：

极端看法1：「DeepMind伪造了评估和演示。Gemini很糟糕」。

极端看法2：「OpenAI 完蛋了。谷歌回来了。Bard将免费运行Gemini，因为计算芯片的利润空间，它会击败 ChatGPT」。

而现实情况是，Gemini很酷，是第一个真正可以与GPT-4媲美的模型，也是谷歌真正的成就之一。尤其它仅仅是一个密集型模型（原生模型）。

这次，只能说谷歌的市场营销手段过火了，但众所周知DeepMind喜欢高调公关。

而谷歌视频演示的多模态能力，实际上在一年内就能实现。

一位网友对此表示深度赞同，太多人想要给谷歌扣上「伪造」视频的黑帽。

还有人表示完全理解炒作的行为，毕竟谷歌对微软OpenAI的反击晚了一步。

另外，谷歌发布的这个表格，显示出Gemini Ultra在大多数标准基准测试中击败了GPT-4。

可是这种比较并不公平。

GPT-4的86.4%分数是基于行业评估标准，即「5-shot」。

然而，Gemini Ultra 90%的得分是基于谷歌研究人员开发的一种基于「32个样本的思维链」的方法。

对于同一个问题，Gemini Ultra会生成32个答案以及这些答案的推理。然后，模型会选择最常见的答案作为最终答案。

或许就是这种新方法，让Gemini能够更好地「推理」。

但是，在使用行业标准5-shot MMLU的情况下，GPT-4的86.4%要高于Gemini Ultra的83.7%。

HuggingFace技术主管Philipp Schmid特意从Gemini的技术报告中扒了数据，重做了一张新图——如果使用5-shot，Gemini的得分实为83.7%，而非90.0%。

而且，Gemini Ultra对于GPT-4仅有几个百分点的优势，但是GPT-4，是OpenAI差不多一年前的产品。

外媒The Information发布了题为《Gemini可能并不像谷歌说的那么好》的文章，表示谷歌的员工一定是压力太大了，因为他们用了一些额外的措施，让Gemini看起来比竞争对手更出色。

如果真如谷歌所说，Gemini Ultra是在明年一月发布，那它可能SOTA不了多久。

要知道，OpenAI的GPT-5，应该已经在路上了。

似乎是内部知情人士艾特了Sam Altman，问他还要把宝贝捂到什么时候？还不赶快拿出来？

我让Gemini画了一幅一个人开着电卡车在树林里露营的图，它生成的样子如下。

还是需要稍加修改，有待进步。

这位网友发出了自己测试基于Gemini Pro的Bard，对于很多事实类问题还是有错误。

他问了两遍Bard奥斯卡2023年的获奖情况，Bard给了两个不同的错误获奖名单。

另一个网友又问了一个和翻译有关的问题，结果也不太对。

似乎它对语言中单词字数非常不敏感，经常会数错。

而对于谷歌重点宣传的代码能力，似乎Bard的表现也不够好，难道原因是在Stackoverflow上没有对应的答案？

还有人也模仿谷歌的行为，让ChatGPT从MP4中提取视频帧，然后解释视频......

ChatGPT自主从从视频中提取帧，然后网友上传6张对应图片，让ChatGPT给出具体的解释。

作为谷歌DeepMind的领导人，Demis Hassabis也是兴奋不已，并表示「Gemini的时代来临了」。

最新Wired的采访中，Hassabis直言道，谷歌今天宣布的人工智能模型Gemini为人工智能开辟了一条未被实践的道路，可能会带来重大的新突破。

「作为一名神经科学家和计算机科学家，多年来我一直想尝试创造一种新一代的人工智能模型。而这些模型的灵感来自我们所有感官互动和理解世界的方式」。

「Gemini是向这种『多模态』模型迈出的一大步」。

他继续道，「到目前为止，大多数模型都是通过训练单独的模块，然后将其拼接在一起，来实现多模态能力」。

「对于某些任务来说，这是可以的，但是在多模态空间中，无法进行深度复杂推理」。

这似乎是在暗指OpenAI的技术。

我们都知道，ChatGPT的多模态能力，是由GPT-4、DALL·E 3、Whisper多个模型组合而实现的。

今年5月的谷歌开发者大会I/O上，劈柴首次官宣，谷歌正在训练一个新的、更强大的PaLM继任者，名为Gemini。

Gemini的命名也有深层的寓意，是为了纪念谷歌大脑和DeepMind两个团队实验室的合体，并向美国宇航局Gemini致敬。

7个月的时间，关于Gemini的各种爆料也是层出不穷。

而现在，谷歌以惊人的速度研发出Gemini，着实在年底之前来了一次重磅反击。

Hassabis说，新模型能够处理不同形式的数据，包括文本之外的数据，这是该项目从一开始就愿景的关键部分。

许多人工智能研究人员认为，能够利用不同格式的数据是自然智能的一项关键能力，而这正是机器所缺乏的。

ChatGPT等AI大模型因从强大的互联网数据中学习，获得了灵活且强大的泛化能力。

但是，尽管ChatGPT和类似的聊天机器人可以用同样的技巧，来讨论或回答有关物理世界的问题，但这种表面上的理解很快就会瓦解。

许多人工智能专家认为，要使机器智能取得重大进步，就需要AI系统在物理现实中赋予身体，即「具身」。

Hassabis表示，谷歌DeepMind已经在研究，如何将Gemini与机器人技术相结合，与世界进行物理互动。

「要实现真正的多模态，你需要包括触觉和触觉反馈。将这些基础型模型应用于机器人技术有很多希望，我们正在大力探索」。

目前，谷歌已经朝着这个方向迈出了一小步。

5月，该公司宣布了一款名为Gato的AI模型，能够学习执行各种任务，包括玩Atari游戏、为图像添加字幕，以及使用机械臂堆叠积木。

今年7月，谷歌RT-2机器人模型，便是通过语言模型来帮助机器人理解和执行动作。

为了让AI智能体更可靠，就需要为其提供动力的算法必须更加智能。

前段时间，OpenAI曾被曝出开发一个名为「Q*」的项目，网友纷纷猜测可能用到了「强化学习」，这是AlphaGo的核心技术。

不过，Hassabis称，谷歌目前正在按照类似的思路进行研究。

AlphaGo的进步有望帮助改善未来模型的规划和推理，就像今天推出的模型一样。我们正在努力进行一些有趣的创新，以将其带入Gemini的未来版本。

「明年，你将会看Gemini超强进化」。

看来，正如网友所说，我们离GPT-5降临的那一天也不远了。

现在，谷歌有Gemini，微软有GPT，Meta有LLaMA，Anthropic有Claude，这是否意味着苹果iPhone时代的终结？