След като по-рано тази година Google представи чатбота Bard, сега компанията пусна и новия си модел за генеративен изкуствен интелект (GenAI) – Gemini. Той трябва да коригира недостатъците на Bard и след това да ги надгради с много повече възможности. Освен това Gemini ще бъде интегриран и в търсачката на Google, както и в Google Assistant, Google Workspace и други услуги на интернет гиганта.
Затова и очакванията към Gemini са много големи. Те бяха малко „попарени“ в първите дни след пускането на алгоритъма, тъй както потребителите отново откриха множество грешки в отговорите на Gemini. Това напомни и за проблемите с пускането на Bard. Но въпреки това Google са уверени, че Gemini ще се докаже, като значително по-добър и усъвършенстван модел от този на конкурентите.
Gemini за всички
Основната характеристика, която отличава Gemini от други AI модели, е, че той е създаден от самото начало да бъде мултимодален. Това означава, че Gemini може да работи с различни видове съдържание, като текст, изображения, видео, аудио и код, и да ги комбинира по интелигентен и смислен начин. Gemini не е просто AI, който може да генерира текст или изображения, а AI, който може да разбира, интерпретира и създава съдържание в различни формати и контексти. Например да изработи графика или дори анимация, която да показва нагледно обяснението на даден физичен закон, когато ученик попита за повече пояснения. Или да напише стихотворение и да го илюстрира с картинка, да създаде видео клип със собствена музика и текст, или да напише програма, която да реши даден проблем.
Gemini също така използва мета-учене, за да се адаптира към нови ситуации и казуси, като използва малко или никакви данни за трениране. Той е способен да учи от себе си, от други AI модели и от обратна връзка от потребителите.
Алгоритъмът ще има три версии – Gemini Ultra, Gemini Pro и Gemini Nano. Първият е най-големият и сложен модел, предвиден за най-сложните задачи. Той ще е директен конкурент на GPT-4 на OpenAI. Вторият е за интеграция в Bard и други услуги, като ще е най-масовата версия в началото. Gemini Pro е конкурент на GPT-3.5. Gemini Nano е „олекотен“ модел, който ще може да се използва от смартфони и други устройства, т.е. няма да се налага пренос на данни до центрове за данни.
По-бърз и способен
Амбицията на Google e да общува с потребителите в различни формати, като текст, изображения, видео, аудио и код, и да се адаптира към техните предпочитания, стил и контекст. Например, Gemini може да води разговор с потребителя на естествен език, да му показва изображения или видео, свързани с темата, да му пее песен или да му пише код, ако е необходимо.
Google също така казва, че Gemini е много щателно тестван и ще работи по-бързо и ефикасно от другите алгоритми. Компанията публикува резултати от тестове спрямо конкурентните алгоритми, според които Gemini има по-добра производителност в 30 от 32 теста. Google твърди още, че Gemini е първият модел, който се справя по-добре от човека в 57 основни теми, включително математика, физика, история, право, медицина, етика и др.
Повечето способности на Gemini ще разгърнат своя потенциал по-натам. Gemini е едва в своята първа версия, като версията Ultra дори ще бъде пусната след няколко месеца. Тя ще е и платена, докато Gemini Pro вече е внедрена в Bard и експериментално в Search. И за двете услуги Pro работи само на английски засега, като в близките седмици и месеци ще бъдат добавяни и други езици.
Битката с OpenAI и GPT алгоритмите няма да е лесна. Още в първите дни потребителите критикуваха способностите на Gemini Pro и публикуваха в социалните мрежи множеството разнообразни грешки, които Bard допуска въпреки помощта на новия алгоритъм. С времето компанията ще ги поправи, но паралелно с това ще трябва да е по-бърза, тъй като и конкуренцията не чака. Затова следващата година ще е още по-динамична. Ако през 2023 г. Gen AI направи своите първи стъпки, през 2024 г. тези алгоритми ще започнат да „ходят“ все по-уверено.
