Auf der Google I/O 2023-Konferenz im Juni zeigte uns das Unternehmen einen Einblick in Gemini, sein leistungsfähigstes KI-Modell. Und schließlich stellte Google noch vor Ende 2023 die Gemini-KI-Modelle der Öffentlichkeit vor. Google nennt es „die Gemini-Ära“, da es ein bedeutender Meilenstein für das Unternehmen ist. Aber was genau ist Google Gemini AI und kann es den langjährigen König GPT-4 entthronen? Um das herauszufinden, schauen wir uns unsere ausführliche Erklärung zu den Gemini-KI-Modellen an.
Was ist Google Gemini AI?
Zwillinge sind die neuesten und leistungsfähigstes großes Sprachmodell (LLM) entwickelt vom Google Deepmind-Team, einer Tochtergesellschaft von Google mit Hauptsitz in London. Es kommt als Nachfolger des PaLM 2-Modells auf den Markt, das von der hauseigenen Google AI-Abteilung entwickelt wurde. Dies ist das erste Mal, dass das Deepmind-Team ein vollwertiges KI-System der Öffentlichkeit zugänglich macht.
Es ist wichtig zu beachten, dass Google seine zusammengeführt hat Google Brain-Abteilung und das Deepmind-Team im April 2023, um ein leistungsstarkes Modell zu entwickeln, das mit den besten Modellen von OpenAI konkurrieren kann. Und Gemini ist der Höhepunkt dieser gemeinsamen Anstrengung.
Kommen wir nun zur entscheidenden Frage: Was unterscheidet Gemini AI von OpenAIs GPT-4 oder seinem eigenen PaLM 2-Modell? Nun, zunächst einmal sind es die Zwillinge wirklich ein multimodales Modell. Obwohl PaLM 2 die Bildanalyse unterstützte, stützte es sich auf Google Lens und semantische Analyse, um Datenpunkte aus einem hochgeladenen Bild abzuleiten. Im Grunde handelte es sich um eine Notlösung von Google, um Bard mit Bildunterstützung zu versorgen.
Im Vergleich zu GPT-4, das ebenfalls ein multimodales Modell ist, unterscheidet sich Gemini AI auch hier. In unserem ausführlichen Artikel zum kommenden GPT-5-Modell haben wir erklärt, dass es sich bei GPT-4 nicht um ein dichtes Modell handelt. Stattdessen basiert es auf dem „Mischung aus Experten„Architektur mit 16 verschiedenen Modellen, die für unterschiedliche Aufgaben zusammengefügt wurden. Für vielfältige Aufgaben wie Bildanalyse, Bilderzeugung und Sprachverarbeitung stehen verschiedene Modelle wie GPT-4 Vision, Dall-E, Whisper usw. zur Verfügung.
Und darin unterscheidet sich Google Gemini von anderen multimodalen Modellen. Zwillinge sind „nativ multimodales KI-Modell„Und es wurde von Grund auf als multimodales Modell mit Text, Bild, Audio, Video und Code konzipiert, die alle zusammen trainiert wurden, um ein leistungsstarkes KI-System zu bilden.
Aufgrund der nativen multimodalen Fähigkeit von Gemini kann es gleichzeitig Informationen über verschiedene Modalitäten hinweg nahtlos verarbeiten.
Wenn Sie sich fragen: Welchen Unterschied macht das für einen Endbenutzer wie Sie? Nun, ein natives multimodales KI-System bietet jede Menge Vorteile, die wir weiter unten im Detail besprochen haben. Aber lassen Sie uns vorher einen Blick auf die multimodalen Fähigkeiten von Gemini werfen.
Gemini AI ist wirklich multimodal
Um zu verstehen, wie sich Gemini AI von anderen multimodalen Modellen unterscheidet, nehmen wir ein Beispiel der Audioverarbeitung. Eines der beliebtesten Spracherkennungsmodelle, die heute angeboten werden, ist Whisper v3 von OpenAI. Es kann mehrsprachige Sprache erkennen, die Sprache identifizieren, die Sprache transkribieren und auch Übersetzungen durchführen. Was es jedoch nicht kann, ist Identifizieren Sie den Ton und den Tenor und subtile Nuancen der audioähnlichen Aussprache.
Jemand mag traurig oder glücklich sein, während er „Hallo“ sagt, aber Whisper kann die Stimmung des Sprechers nicht entschlüsseln, da es nur den Ton transkribiert. Aber Zwillinge hingegen können es Verarbeiten Sie das rohe Audiosignal End-to-End, um auch die Nuancen und die Stimmung einzufangen. Das KI-Modell von Google kann Aussprachen in verschiedenen Sprachen unterscheiden und mit den richtigen Anmerkungen transkribieren. Dies macht Gemini AI zu einem leistungsfähigeren multimodalen System.
Abgesehen davon kann Gemini Bilder sowohl analysieren als auch generieren (wahrscheinlich mit integriertem Imagen 2). Bei der visuellen Analyse Zwillinge sind hervorragend. Es kann Verbindungen zwischen Bildern finden, Filme aus Standbildern erraten, Bilder in Code umwandeln, die Umgebung um Sie herum verstehen, handgeschriebene Texte auswerten, die Argumentation bei mathematischen und physikalischen Problemen erklären und vieles mehr. Dies wird wahrscheinlich auch bei Google zutreffen hat die Gemini AI-Demo gefälscht.
Nicht zu vergessen: Es kann auch Videos verarbeiten und verstehen. Was das Codieren betrifft, unterstützt Gemini AI die meisten Programmiersprachen, einschließlich beliebter Sprachen wie Python, Java, C++, Gousw. Es ist viel besser als PaLM 2 bei der Lösung komplexer Codierungsprobleme. Gemini kann beim ersten Versuch etwa 75 % der Python-Funktionen lösen, während PaLM 2 nur 45 % lösen konnte. Und wenn der Benutzer eine Debug-Eingabe zurückgibt, liegt die Lösungsrate bei über 90 %.
Darüber hinaus hat Google eine spezielle Version von Gemini für die erweiterte Codegenerierung erstellt, und das war auch der Fall genannt AlphaCode 2. Es zeichnet sich durch kompetitives Programmieren aus und kann unglaublich schwierige Probleme lösen, die komplexe Mathematik und theoretische Informatik erfordern. Im Vergleich zu menschlichen Konkurrenten schlägt AlphaCode 2 85 % der Teilnehmer an Wettbewerbsprogrammen.
Insgesamt ist Google Gemini ein bemerkenswertes multimodales KI-System für verschiedene Anwendungsfälle, darunter Textgenerierung/-begründung, Bildanalyse, Codegenerierung, Audioverarbeitung und Videoverständnis.
Gemini AI gibt es in drei Geschmacksrichtungen
Google hat Gemini AI in drei Varianten angekündigt – Ultra, Pro und Nano – hat aber ihre Parametergröße nicht bekannt gegeben. Gemini Ultra, das dem GPT-4-Modell am nächsten kommt, ist Googles größtes und leistungsstärkstes Modell mit einer vollständigen Palette multimodaler Funktionen. Nach Angaben des Unternehmens eignet sich das Ultra-Modell am besten für hochkomplexe und äußerst anspruchsvolle Aufgaben.
Allerdings wurde das Gemini Ultra-Modell noch nicht veröffentlicht. Das Unternehmen gibt an, dass Ultra strengen Vertrauens- und Sicherheitsprüfungen unterzogen wird und Anfang nächsten Jahres für Entwickler und Unternehmenskunden eingeführt wird.
Darüber hinaus wird Google starten Barde Fortgeschritten damit Verbraucher Anfang nächsten Jahres Gemini Ultra mit vollständigen multimodalen Funktionen erleben können. Benutzer erhalten wahrscheinlich auch Zugriff auf AlphaCode 2.
Gemini Pro ist bereits auf der ChatGPT-Alternative Google Bard verfügbar und der Übergang von PaLM 2 zu Gemini Pro wird bis Ende Dezember abgeschlossen sein.
Das Pro-Modell ist für ein breites Aufgabenspektrum konzipiert übertrifft das GPT-3.5-Modell von OpenAI auf mehreren Benchmarks (mehr dazu weiter unten). Google hat außerdem APIs für das Gemini Pro-Modell veröffentlicht, darunter sowohl Text- als auch Vision-Modelle.
Derzeit ist das Modell Gemini Pro nur auf Englisch verfügbar in über 170 Ländern weltweit. Darüber hinaus wird Bard in Kürze um multimodale Unterstützung für Gemini Pro und neue Sprachunterstützung erweitert. Darüber hinaus sagt Google, dass Gemini in den kommenden Monaten in weitere Google-Produkte integriert werden wird, darunter Search, Chrome, Ads und Duet AI.
Endlich das kleinste Gemini Nano-Modell bereits auf dem Pixel 8 Pro angekommen und wird auch anderen Pixel-Geräten hinzugefügt. Das Nano-Modell wurde für ein geräteinternes, privates und personalisiertes KI-Erlebnis auf Smartphones entwickelt.
Es unterstützt Funktionen wie „Zusammenfassen“ in der Recorder-App und „Smart Reply“ in Gboard, beginnend mit WhatsApp, Line und KakaoTalk. Die Unterstützung für andere Messaging-Apps wird Anfang nächsten Jahres hinzugefügt.
Google Gemini AI ist effizient in der Ausführung
Kommen wir nun zunächst zu den Vorteilen eines nativen multimodalen KI-Systems viel schneller und effizienter um das Modell auszuführen und das Produkt für Millionen von Benutzern zu skalieren. Wir wissen bereits, dass GPT-4 von OpenAI relativ langsamer läuft, und vor Kurzem hat das Unternehmen sein ChatGPT Plus-Abonnement pausiert, um die Hardwareanforderungen zu erfüllen. Die Ausführung verschiedener Nur-Text-, Nur-Bild- und Nur-Audio-Modelle und deren suboptimale Kombination erhöht die Kosten der gesamten Infrastruktur. Letztendlich beeinträchtigt es die Benutzererfahrung.
Google in seinem Blogbeitrag sagt, dass Gemini auf Hochtouren läuft effizientes TPU-System (v4 und v5e), die deutlich schneller und skalierbar ist. Der Betrieb des Gemini-Modells auf KI-Beschleunigern ist schneller und kostengünstiger als das ältere PaLM 2-Modell. Daher bietet ein natives multimodales Modell zahlreiche Vorteile und ermöglicht es Google, Millionen von Nutzern zu bedienen und gleichzeitig die Rechenkosten niedrig zu halten.
Gemini Ultra vs. GPT-4: Benchmarks
Schauen wir uns nun einige Benchmark-Zahlen an und finden wir heraus, ob es Google mit der Veröffentlichung von Gemini gelungen ist, OpenAI zu übertreffen. Laut Google schlägt Gemini Ultra das GPT-4-Modell in 30 der 32 Benchmark-Tests, die allgemein zur Bewertung der LLM-Leistung verwendet werden. Google wirbt für Gemini Ultra höchste Punktzahl von 90,04 % beim beliebten MMLU-Benchmark-Test, bei dem GPT-4 86,4 % erreichte. Beim MMLU-Benchmark übertrifft es sogar menschliche Experten (89,8 %).
Beim MMLU-Benchmark-Wert von Gemini Ultra hagelt es von vielen Seiten Kritik. Google hat es geschafft, einen Wert von 90,04 % zu erreichen CoT@32 (Gedankenkette) Aufforderung, genaue Antworten zu erhalten. Mit der standardmäßigen 5-Schuss-Eingabeaufforderung verringert sich die Punktzahl von Gemini Ultra auf 83,7 %, und die GPT-4-Punktzahl liegt bei 86,4 %, womit GPT-4 immer noch der höchste Punktezähler im MMLU-Test ist.
Dies schmälert zwar nicht die Leistungsfähigkeit von Gemini Ultra, bedeutet aber, dass eine bessere Eingabeaufforderung erforderlich ist, um genaue Antworten vom Modell zu erhalten.
Mit der standardmäßigen 5-Schuss-Eingabeaufforderung verringert sich die Punktzahl von Gemini Ultra auf 83,7 %, und die GPT-4-Punktzahl liegt bei 86,4 %, womit GPT-4 immer noch der höchste Punktezähler im MMLU-Test ist.
Wechsel zu anderen Benchmarks in HumanEval (Generierung von Python-Code), Gemini Ultra erreicht 74,4 %, während GPT-4 67,0 % erreicht. Im HellaSwag-Test, der zur Bewertung des gesunden Menschenverstands verwendet wird, verliert Gemini Ultra (87,8 %) gegen GPT-4 (95,3 %). Im Big-Bench-Hard-Benchmark, der anspruchsvolle mehrstufige Denkaufgaben testet, schlägt Gemini Ultra (83,6 %) GPT-4 (83,1 %).
Übergang zu multimodalen Tests, Gemini Ultra gewinnt gegen GPT-4V (Vision) in fast allen Belangen. Im MMMU-Test erreicht Gemini Ultra 59,4 % und GPT-4V 56,8 %. Beim natürlichen Bildverständnis (VQAv2-Test) erreicht Gemini Ultra 77,8 % und GPT-4V 77,2 %. Im OCR-Test für natürliche Bilder (TextVQA) erreicht Gemini Ultra 82,3 % und GPT-4V 78 %. Im Dokumentenverständnistest (DocVQA) erreicht Gemini Ultra 90,9 % und GPT-4V 88,4 %. Im Infografik-Verständnis schließlich erreicht Gemini Ultra 80,3 % und GPT-4V 75,1 %.
Ausführlichere Vergleiche zwischen Gemini Ultra und GPT-4 finden Sie im Forschungsarbeit veröffentlicht von Google Deepmind. Die wichtigste Erkenntnis aus den Benchmark-Zahlen ist, dass Google tatsächlich eine Lösung gefunden hat leistungsfähiges Modell das mit den besten LLMs auf dem Markt konkurrieren kann, einschließlich GPT-4. Und was die Multimodalität angeht, scheint Google wieder im Geschäft zu sein.
Gemini AI: Sicherheitskontrollen vorhanden
Wenn es um KI-Sicherheit geht, vertritt Google immer seine „mutig und verantwortungsbewusst”Sprichwort. Und das Google Deepmind-Team folgt dem gleichen Prinzip. Google gibt an, die Modelle sowohl intern als auch extern getestet zu haben, bevor es sie der Öffentlichkeit zugänglich machte.
Es wurden proaktive Richtlinien rund um die Gemini-Modelle festgelegt, um die Benutzereingaben und -reaktionen auf Voreingenommenheit und Toxizität zu prüfen. Die Gemini-Modelle können immer noch halluzinieren, allerdings in viel geringerem Maße.
Es hat auch Red-Teams mit externen Unternehmen wie gemacht MLCommons KI-Systeme zu bewerten. Google entwickelt außerdem ein Secure AI Framework (SAIF) für die Branche, um die mit KI-Systemen verbundenen Risiken zu mindern. Das Unternehmen führt derzeit Sicherheitsprüfungen für sein leistungsstarkes Modell Gemini Ultra durch und wird es Anfang nächsten Jahres auf den Markt bringen, sobald alle Prüfungen abgeschlossen sind.
Urteil: Die Gemini-KI-Ära ist da
Obwohl Google vor einem Jahr von der Veröffentlichung von ChatGPT überrascht wurde, scheint es, als hätte Google mit den Gemini-Modellen endlich zu OpenAI aufgeschlossen. Der Vor allem das Ultra-Modell ist beeindruckendund wir können es kaum erwarten, es auszuprobieren, ungeachtet einiger dürftiger Benchmark-Zahlen. Seine multimodale visuelle Fähigkeit ist bemerkenswert und die Codierungsleistung ist erstklassig, wie wir in der Forschungsarbeit sehen können.
Die Gemini-Modelle unterscheiden sich deutlich von dem, was wir bisher von Google gesehen haben. Sie fühlen sich eher so an Von Grund auf neu entwickelte KI-Systeme. Allerdings könnte OpenAI GPT-5 herausbringen, wenn Google Anfang nächsten Jahres das Gemini Ultra-Modell herausbringt, was Google erneut in einen Wettlauf gegen die Zeit befördern wird. Was halten Sie dennoch von den neuen Gemini-KI-Modellen von Google? Teilen Sie Ihre Gedanken im Kommentarbereich unten mit.
Unterstützen Sie unsere Arbeit ❤️
Wenn Ihnen dieser Artikel gefallen hat, können Sie uns mit einem Trinkgeld unterstützen, damit wir weiterhin großartige Inhalte veröffentlichen können.
