Gemini

谷歌于2023年12月推出的人工智能多模态大模型

Gemini是一款由Google DeepMind（谷歌母公司Alphabet下设立的人工智能实验室）于2023年12月6日发布的人工智能模型，可同时识别文本、图像、音频、视频和代码五种类型信息，还可以理解并生成主流编程语言（如Python、Java、C++）的高质量代码，并拥有全面的安全性评估。首个版本为Gemini 1.0，包括三个不同体量的模型：用于处理“高度复杂任务”的Gemini Ultra、用于处理多个任务的Gemini Nano和用于处理“终端上设备的特定任务”的Gemini Pro。

发展历程

从搜索引擎到成为AI领域领导者，谷歌不仅重新定义了公司的发展轨迹，也对全球科技格局产生了深远影响。以下是其AI技术发展历程中的重大节点：

2001年：机器学习帮助搜索用户纠正拼写

2001年，谷歌开始使用简单版本的机器学习技术，来为网络搜索提供拼写建议。即使在用户输入不完整的情况下搜索，谷歌仍可以为用户提供所需的内容。

2006年：谷歌翻译

2006年，谷歌推出了翻译功能。从阿拉伯语到英语和英语到阿拉伯语的互译开始，截至2023年，可支持全球共计133种语言。这项技术可以实现实时文本、图像甚至对话翻译，打破全球语言障碍的同时扩大了信息获取的范围。

2015年：TensorFlow框架

2015年，Google Brian团队推出全新开源机器学习框架TensorFlow，使AI变得更易于访问、可扩展且高效。这一框架加快了全球人工智能研发的进程。TensorFlow是现如今的主流机器学习框架之一，已被用于开发广泛的人工智能应用程序，如图像识别、自然语言处理和机器翻译等。

2016年：AlphaGo获胜

作为Google DeepMind挑战赛的一部分，2016年，超过2亿人在线观看了AlphaGo成为第一个在围棋比赛中击败人类世界冠军的围棋人机大战。AlphaGo战胜了世界上最好的围棋棋手之一李世石，这一里程碑式的胜利证明了深度学习有潜力解决曾经被认为对计算机来说不可能解决的复杂问题，并表明人工智能系统可以学习掌握需要战略思维和创造力的复杂游戏。

同年，谷歌TPU（张量处理单元）实现了更快、更高效的AI部署，TPU是谷歌专门为机器学习发明并针对TensorFlow进行优化的定制设计硅芯片。它可以更快地训练和运行人工智能模型，非常适合大规模人工智能应用。TPU v5e版本于2023年8月发布，是迄今为止最具成本效益、多功能且可扩展的Cloud TPU。

2017年：Transformer模型

2017年，Google Research推出了Transformer模型。谷歌官方论文“Attention Is All You Need”介绍了Transformer——一种有助于语言理解的新神经网络架构。在Transformer出现之前，机器不太擅长理解长句子的含义，也无法看到相距较远单词之间的关联。Transformer极大地改善了这一点，并成为当今语言理解和生成式人工智能系统的基石。Transformer彻底改变了机器执行翻译、文本摘要、问题回答甚至图像生成和机器人技术的含义。

2019年：BERT帮助搜索理解查询意图

2019年，谷歌对Transformers的研究促成了 Transformers 的双向编码器表示法（Bidirectional Encoder Representations from Transformers）（简称 BERT）的推出，它帮助搜索能更好地理解用户的查询意图。谷歌的BERT算法不是以单独理解单词为目标，而是帮助Google理解上下文中的单词。这大大提高了整个搜索的质量，使人们更容易自然地提出问题，而不是将关键词串联在一起。

2020年：AlphaFold医学应用

2020年，DeepMind凭借其系统AlphaFold在人工智能领域实现了飞跃，该系统被认为是“蛋白质折叠问题”的解决方案。蛋白质是生命的基石，它的折叠方式决定了其功能，错误折叠的蛋白质可能会导致疾病的产生。50年来，科学家们一直试图预测蛋白质如何折叠，以帮助理解和治疗疾病。2022年，AlphaFold做到了这一点：谷歌通过AlphaFold蛋白质结构数据库，与科学界免费共享了2亿个AlphaFold蛋白质结构，几乎涵盖地球上所有进行过基因组测序的生物。截至2022年，已有100多万名研究人员利用该数据库开展了各种研究，如加速新型疟疾疫苗的研发、推动癌症药物的发现和塑料分解酶的开发等。

2023年：Gemini问世

2023年1月，为应对ChatGPT的挑战，已隐退的谷歌联合创始人拉里·佩奇（Larry Page）和谢尔盖·布林（Sergey Brin）回归，并将优化谷歌自身人工智能能力的问题作为优先事项。2月，谷歌首席执行官桑达尔·皮查伊要求谷歌旗下用户超10亿的产品尽快接入生成式AI，由此催生了数十个生成式AI集成计划。

2023年3月，谷歌推出Bard，在全球大部分地区提供40多种语言版本。Bard将与用户每天使用的Google服务（如Gmail、文档、云端硬盘、航班、地图和YouTube）相结合，为用户完成旅行计划、信息复核等任务，提供更多帮助，如文本总结、书写文档或电子邮件。

2023年5月，谷歌推出PaLM 2，它优化了多语言、推理及编码能力，比前代产品功能更强大、速度更快、效率更高，且已经为超过25种Google产品和功能提供支持，包括Bard、Gmail和Workspace中的生成式AI功能，以及SGE（谷歌将生成式AI深度集成到Google搜索中的实验）。谷歌还使用PaLM 2推进从医疗保健到网络安全等各方面的研究。

2023年9月，Gemini开启小范围内测；12月6日，谷歌正式发布Gemini，成为AI领域一项重大突破。

2024年：Gemini推出

2024年2月8日，谷歌Gemini体验与谷歌助理业务副总裁暨总经理Sissie Hsiao在谷歌官网发表博客指出，聊天机器人Bard将会直接称为Gemini，网页版支持40种语言，并将在Android和iOS的Google应用程序上推出新的Gemini应用程序。此外，谷歌还推出了Gemini Advanced，透过Ultra 1.0模型，Gemini Advanced能够处理更复杂的任务与指令，像是程序编写、逻辑推理、遵循细微与精确的指示，以及进行创意协作。

2024年2月16日，谷歌升级了Gemini系列模型，并发布用于早期测试的Gemini 1.5版本。Gemini 1.5建立在谷歌基础模型开发和基础设施之上，采用包括通过全新稀疏专家混合 (MoE) 架构，第一个版本Gemini 1.5 Pro配备了128000个token 上下文窗口，可推理100,000行代码，提供有用的解决方案、修改和注释，使Gemini 1.5的训练和服务更加高效。

2024年4月，谷歌在 Google Next 大会上宣布将首次通过其 AI 应用平台 Vertex AI 向公众开放 Gemini 1.5 Pro。

2024年4月，在拉斯维加斯举行的谷歌年度云计算大会上，云业务首席执行官Thomas Kurian展示了人工智能模型Gemini如何用于制作广告、抵御网络安全威胁以及制作短视频和播客。企业客户可以将Gemini的查询回复与可靠的信息来源挂钩。

2024年5月，谷歌推出由 Gemini 驱动的网络安全产品强化网络钓鱼防御。

当地时间2024年5月14日，谷歌在其年度I/O开发者大会上宣布推出Gemini 1.5闪电模型，该模型能够兼顾快速和成本效益。

北京时间2024年5月15日凌晨，谷歌I/O开发者大会主题演讲上，谷歌CEO桑达尔·皮查伊（Sundar Pichai）发布Gemini 1.5 Pro和 Gemini 1.5 Flash等数十款Google和 AI 结合产品。

2024年6月18日，谷歌在官网的博客中表示，在印度推出Gemini手机应用，支持英语和九种印度语言，包括印地语、孟加拉语等，此外还会推出印度版的Gemini Advanced。

2024年6月26日消息，微软在Edge浏览器侧边栏中提供Copilot，谷歌在Chrome浏览器侧边栏中引入Gemini，而Mozilla也计划在Firefox浏览器侧边栏中引入AI聊天机器人。

2024年8月9日，OPPO首席产品官刘作虎在社交平台上宣布，OPPO手机接入谷歌AI大模型Gemini。

2024年9月24日消息，谷歌升级旗下 Gemini 1.5 AI 模型，推出了Gemini-1.5-Pro-002和Gemini-1.5-Flash-002，相比较此前版本成本更低、性能更强、响应更快。

财联社2024年11月14日电，谷歌本周在苹果App Store平台上正式推出了其Gemini人工智能聊天机器人的iOS移动版本。

2024年12月11日晚，谷歌正式发布其最新版大模型Gemini 2.0系列。

Gemini 2.0的核心特点在于其强大的多模态能力，它支持原生图像和多语言音频输出，以及原生工具使用。这意味着，该模型能够理解和处理包括文本、图像、视频和音频在内的多种输入类型，并提供相应的输出结果。此外，Gemini 2.0还集成了谷歌搜索、代码执行以及第三方用户定义函数等强大工具，进一步扩展了其应用范围。

Gemini 2.0 Flash作为该系列的第一个版本，已经向开发者和可信测试人员开放，并计划于2025年初在更广泛的范围内推出。谷歌还计划将Gemini 2.0整合到更多产品中，尤其是在搜索和Gemini平台方面。

此外，谷歌还推出了Deep Research功能，这是一个专为复杂在线研究设计的高级功能，能够自动创建多步骤研究计划。Gemini 2.0的空间理解能力也提升到了新的高度，为开发者开启了更广阔的应用想象空间。

北京时间2025年1月7日，TCL在CES上称，其海外旗舰电视系列将接入Google AI大模型Gemini，有望于2025年内推出全球首台搭载Gemini AI功能的电视。

2025年1月17日，科技媒体 Android Headline分享的三星 Galaxy S25 系列手机宣传视频显示，主打端侧 Galaxy AI，整合谷歌 Gemini AI 模型，改进夜间模式以及引入音频擦除功能等。

技术特点

五种模型

2023年12月6日，谷歌针对Gemini 1.0优化了三个不同体量的模型，分别应用于不同的场景；2024年2月16日，发布大模型Gemini 1.5；21日，放出基于Gemini的开源模型Gemma。

2024年5月15日，谷歌DeepMind首席执行官宣布推出Gemini 1.5闪电模型，该模型能够兼顾快速和成本效益。

本模型描述来自于谷歌官网Gemini的60页性能测试报告

原生多模态

模型优化思路，从多模态到原生多模态

传统的多模态模型通常通过分别训练处理各类信息类型的组件，然后将它们组合在一起的方式来构建。虽然这些模型在某些任务上表现不错，比如描述图像，但在处理更复杂的概念和推理时，效果并不理想。为了提升多模态模型的性能，谷歌采用了一种不同的策略，将Gemini设计成一个原生多模态模型。这意味着Gemini从一开始就在各种信息类型上进行了预训练，然后通过额外的多模态数据微调，使其更好地理解和推理各种输入。

三种能力

三种显著优化的能力如下：

1、复杂的推理能力

Gemini 1.0的多模态推理能力有助于理解复杂的书面和视觉信息，它能在大规模的数据提取中，识别微小的差异点。通过阅读、过滤和理解信息，从成千上万的文档中提取独到的信息和见解，有利于未来在从科学到金融等众多领域以数字化的速度实现新的突破。

以下图中描述的教育场景为例：一位老师画了一个滑雪者下坡的物理问题，使用Gemini多模态推理能力，模型能够理解学生混乱的手写答案，正确理解题目的表述，将问题和解决方案转换为数学排版，识别学生在解决问题时出错的具体推理步骤，然后给出一个经过深思熟虑的正确解决方案。这为教育领域提供了更多可能性。

Gemini的多模态推理能力，可以生成重新排列子图的matplotlib代码，如下图所示，多模态提示显示在左上角的灰色区域；Gemini Ultra的响应，包括生成的代码，显示在右列的蓝色区域；左下方的图显示了生成代码的渲染版本。成功解决这个任务展示了该模型结合了多种能力：（1）识别图中所描绘的函数；（2）通过逆向图形推断生成子图的代码；（3）按照指示将子图放置在期望的位置；（4）抽象推理（推断指数图必须保持在原来的位置，因为正弦图必须为三维图腾出位置）。

2、理解文本、图像、音频等内容的能力

经过训练，Gemini 1.0可以同时识别和理解文本、图像、音频及更多内容，因此它能更好地理解细微信息，回答与复杂主题相关的问题，且尤其擅长解释数学和物理等复杂学科的推理。

如上图所示，Gemini支持以交错的方式输入文本、图像、音频和视频序列（在输入序列中用不同颜色的标记表示），它能够输出交错的图像和文本响应，并且能处理夹杂着各种音频和视觉输入的文本输入，例如自然图像、图表、屏幕截图、PDF和视频，并能够生成文本和图像输出。与其他多模态模型重要的一个区别是，这些模型从一开始就是多模态的，且可以使用离散图像标记原生输出图像。

3、高级编码能力

谷歌的第一版Gemini可以理解、解释和生成主流的编程语言（如Python、Java、C++和Go）的高质量代码，能够跨语言工作并推理复杂的信息。在此基础上，Gemini Ultra在多个编码基准测试中表现优异，包括行业标准的HumanEval和谷歌内部的Natural2Code数据集。

此外，Gemini可用作更高级编码系统的引擎，包括先前推出的AlphaCode。通过Gemini的专门版本，谷歌创建了更先进的代码生成系统AlphaCode 2，该系统擅长解决超出编码范围、涉及复杂数学和理论计算机科学的竞争性编程问题。经过与原始AlphaCode在相同平台上进行评估，AlphaCode 2展现出巨大进步，可解决的问题数量几乎是原来的两倍。

下图为编程竞赛平台Codeforces上AlphaCode 2（一种人工智能编程模型）的性能预估排名。可以看到，大部分人类参赛者的得分分布在较低的百分位数区域，而AlphaCode 2的得分，则位于85%以上的百分位区域，这意味着它的性能超过了85%的人类参赛者。谷歌鼓励内部员工使用AI工具提高代码生成能力。

性能测试

谷歌自身对Gemini模型进行了测试，并评估了三种模型在各类任务中的性能。从自然图像、音频和视频理解到数学推理，Gemini Ultra在大型语言模型（LLM）研发中广泛使用的32个学术基准中的30个基准，性能都超过了当前最先进的结果。

如下图所示，Gemini Ultra的得分率高达90.0%，是第一个在MMLU（大规模多任务语言理解）上超过人类专家的模型，该模型综合使用数学、物理、历史、法律、医学和伦理学等57个学科来测试世界知识和解决问题的能力。Gemini在文本和编码等一系列基准测试中超越了ChatGPT。

芯片TPU

与新模型一起亮相的，还有新版本的TPU芯片TPU v5p，TPU芯片又称张量处理器，旨在减少训练大语言模型相关的时间投入。TPU是谷歌为神经网络设计的专用芯片，经过优化可加快机器学习模型的训练和推断速度，谷歌于2016年起开始推出第一代TPU。

与TPU v4相比，TPU v5p的浮点运算性能提升了两倍，高带宽内存方面提升了3倍。使用谷歌的600 GB/s芯片间互连，可以将8960个v5p加速器耦合在一个Pod（通常指一个包含多个芯片的集群或模块）中，从而更快或更高精度地训练模型。作为参考，该值比TPU v5e大35倍，是TPU v4的两倍多。

TPU v5p是截至2023年最强大的、能够提供超高性能、支持95GB的高带宽内存、同时以2.76 TB/s的速度传输数据的芯片。这意味着TPU v5p可以比TPU v4更快地训练大型语言模型，如训练GPT-3（1750亿参数）这样的大语言模型速度比TPU v4快2.8倍。

不过，这种更高的性能和可扩展性也是有代价的——每个TPU v5p加速器的运行费用为每小时4.2美元，而TPU v4加速器的运行费用为每小时3.22美元，TPU v5e加速器则为每小时1.2美元。

谷歌DeepMind首席科学家杰夫·迪恩（Jeff Dean）指出，相较使用TPU v4芯片，使用TPU v5p芯片的大语言模型（LLM）训练工作的负载速度提高了两倍，且TPU v5p芯片对机器学习框架（JAX、PyTorch、TensorFlow）和编排工具的强大支持使得能够更高效地扩展。通过第二代SparseCores，嵌入密集型工作负载的性能有了显著提高。TPU对于在Gemini等尖端模型上进行大规模的研究和工程工作至关重要。

实际应用

从发布会当天开始，Pixel 8 Pro手机的两项功能将由Gemini Nano提供支持，分别是录影机应用中的自动摘要功能以及Gboard键盘的智能回复部分。Gemini Pro已与谷歌聊天机器人Bard相结合，可实现高级推理、规划、理解能力。预计在2024年年初，谷歌将推出Bard Advanced，使用Gemini Ultra模型。

Gemini AI是一个强大的工具，有潜力用于各种应用，如：

核心成员

2023年4月20日，Google和Alphabet首席执行官桑达尔·皮查伊 (Sundar Pichai) 以及DeepMind首席执行官戴密斯·哈萨比斯 (Demis Hassabis) 宣布：DeepMind和Google Research的Brain团队将联手成为一个单一的、专注的部门，称为Google DeepMind，核心成员如下：

科学委员会

成立以监督Google DeepMind的研究进展和方向，该委员会将由研究副总裁科雷·卡武克乔格鲁（Koray Kavukcuoglu）领导。

竞争对手

模型概述

产品原理

Google Bard是由Google AI开发的大型语言模型（LLM）聊天机器人，它在大量文本和代码数据集上进行训练，可以生成文本、翻译语言、编写不同类型的创意内容，并以多种信息方式回答问题。 Bard的开发是为了应对OpenAI公司推出的ChatGPT聊天机器人。2023年3月，首次以有限规模推出，随后，在2023年5月，扩展到更多国家。2024年2月8日，谷歌Gemini体验与谷歌助理业务副总裁暨总经理Sissie Hsiao在谷歌官网发表博客指出，聊天机器人Bard将会直接称为Gemini，网页版支持40种语言，并将在Android和iOS的Google应用程序上推出新的Gemini应用程序。

Bard电脑交互界面如下图所示：

Bard由研究型大型语言模型（LLM）提供支持，可以将LLM视为一个预测引擎，当得到一个提示时，它会从下一个可能出现的单词中一次选择一个单词来生成响应；它每次会选择差异化的单词，产生创意性的回答，因此具有一定的灵活性，使用LLM的人越多，LLM在预测的预测能力越强。

虽然LLM是一项前沿技术，但也有缺点，例如，由于LLMs从广泛的信息中学习，而这些信息反映了现实世界中的偏见和刻板印象，因此这些偏见和刻板印象有时会出现在输出结果中；另外，在展示信息时，也可能提供不准确、误导性或虚假的信息，例如，当它被要求分享几种简易室内植物时，Bard给出了一些方案，但也弄错了植物的学名。

如图所示，在这个回应中，Bard犯了个错误， ZZ植物的学名实际上是Zamioculcas zamiifolia，而不是 Zamioculcas zamioculcas。

Google Bard已经有插件可用。可在多种应用程序下直接使用Bard。如：Spotify（音乐）、沃尔玛（零售）、Adobe Firefly（图像创作）、Google Docs（文档编辑）、Google Maps（出行导航）。

语言模型

LLM是谷歌大型语言模型家族，它包含多个不同语言。Bard最初建立在LaMDA系列的基础上，后来过渡到了基于PaLM 2的模型上。Bard的语言模型迭代：

有趣的是，据谷歌称，ChatGPT的语言模型GPT-3也是基于Transformer构建的。谷歌决定使用自己的LLM，即LaMDA和PaLM 2，这是谷歌的一个大胆决定，因为主流的一些AI聊天机器人，包括ChatGPT和必应聊天、都是用的GPT语言模型

未来规划

Google对Bard的未来有多项计划，包括：

1）让Bard变得更加贴近生活、更加全球化。以更多语言提供给世界各地更多的人。

2）提高Bard的能力。Google正在继续培训和提高Bard生成文本、翻译语言、编写不同类型的创意内容以及以信息丰富的方式回答问题的能力。

3）使Bard与其他Google产品和服务更加集成。努力让用户更轻松地从其他Google产品（例如Gmail、Docs和Drive）中访问和使用Bard。

4）为Bard开发新功能和工具。Google正在探索让Bard对用户更加有用和多功能的方法，例如开发代码生成、创意写作和研究协助的新功能。

Google的目标是使Bard成为一款强大且多功能的AI工具，可供各行各业的人们使用，以提高工作效率、创造力和见识。Google为Bard的未来应用方向具体示例如下：

1）Bard扩展

Google正在开发Bard扩展，这是可以与Bard集成以添加新特性和功能的第三方应用程序。例如，Bard扩展可用于生成视频的实时字幕或创建个性化的营销活动。

2）开发者能力

Google通过提供API和文档，让开发人员更轻松地使用Bard构建应用程序。这将使开发人员能够创建新的、创新的方式来使用Bard，例如聊天机器人、虚拟助手和教育工具。

3）为研究员提供便利

Google正在努力开发数据分析和可视化的新功能，让Bard对研究人员更加便利。这将使研究人员能够使用Bard从数据中获得新的视角，并更有效地传达观点。

竞争格局

产业格局

巨头主导，垂类分化

互联网巨头具备先发优势，芯片层、模型层、应用层布局完备。互联网巨头在AI领域投入已久，百度2014年即成立人工智能实验室，阿里、腾讯、字节跳动也于2016年成立人工智能实验室，此后各家在芯片层、模型层及应用层持续探索，不断完善布局，在研发、模型、数据、应用等方面已积累显著的先发优势。

算法模型：追随海外技术进展，研发突破是竞争关键。从技术路线来看，国内大模型主要追随海外进展。基于谷歌在人工智能领域更高的影响力以及BERT开源代码，前期中国企业在大模型领域的探索更多参考BERT路线。随着ChatGPT在人机对话领域的超预期表现验证了高质量数据+反馈激励（大模型预训练+小数据微调）的有效性，国内大模型技术路线也逐渐向GPT方向收敛。尽管模型架构设计的不同对特定任务上的表现有一定影响，但国内大模型厂商在技术上基本同源，从而导致了现阶段较为相似的模型能力，下一阶段对于GPT方向的研发突破将是竞争关键。

算力：互联网厂商在算力资源上具备优势。随着模型参数和复杂度的提升，大模型对算力的需求也在加速增长。当前国内已发布的大模型中，参数规模达到千亿及以上的厂商仅为10个左右，一定程度上体现出各厂商之间算力能力的差异。

数据：优质开源中文数据集稀缺，自有数据及处理能力构成模型训练壁垒。得益于开源共创的互联网生态，海外已有大量优质、结构化的开源数据库，文本来源既包含严谨的学术写作、百科知识，也包含文学作品、新闻媒体、社交网站、流行内容等，更加丰富的语料数据能够提高模型在不同情景下的对话能力。而受制于搭建数据集较高的成本以及尚未成熟的开源生态，国内开源数据集在数据规模和语料质量上相比海外仍有较大差距，数据来源较为单一，且更新频率较低，从而导致模型的训练效果受限。因此，大模型厂商的自有数据和处理能力构成模型训练效果差异化的核心。

资源投入：互联网厂商重研发投入，资金及人才实力领先。大模型的训练需要较高且可持续的研发投入，头部互联网企业兼具高资本密度和高人才密度优势。

场景：业务丰富多元，互联网厂商天然具备落地实践场景。考虑到数据隐私和安全合规，初期通用大模型在行业落地时可能会面临一定的信任问题，从而导致较高的获客成本。而头部互联网平台基于自身在电商、搜索、游戏、金融等领域丰富的业务积累，天然具备落地实践场景。在提高产品效率的同时，也有望率先形成示范效应，从而有助于外部客户和应用的拓展。

格局推演：互联网巨头有望保持领先地位，中小厂商或将面临路径选择。

综合上述分析，结合行业竞争要素，并参考海外当前竞争格局，国内大模型赛道有望形成与海外相似的产业趋势，兼具技术、资金、人才和场景优势的头部互联网企业有望成为大模型领域的重要玩家，而中小厂商或将面临路径选择。一方面，中小厂商可以利用自身在垂类场景和数据层面积累的优势，成为聚焦垂类的核心特色玩家；另一方面，基于训练和用户调用带来的算力需求的激增，考虑到资源优势和经济性，中小厂商或将寻求云厂商的支持和合作。

巨头布局

短看技术突破, 长看生态壁垒

阿里巴巴：2014年即成立了数据科学与技术研究院，2016年成立人工智能实验室，2017年成立达摩院，后续成立AI芯片自研团队作为算力支持，并陆续发布了中文社区最大规模预训练语言模型PLUG和多模态大模型M6。除自研投入外，阿里也在AI核心产业环节积极进行对外投资，在芯片领域投资寒武纪、深鉴科技等，机器视觉和深度学习领域投资商汤科技、旷视科技等，应用领域投资小鹏、小i机器人等。

百度：2011年在硅谷开设办公室，并在2017年提出“All in AI”的公司战略。从AI技术体系来看，百度是国内少数在AI领域全栈自研布局的公司之一，在芯片层、框架层、模型层和应用层均有自研投入。芯片层，百度已有两代自研昆仑芯实现量产，预计第三代昆仑芯将于2024年初实现规模上市；框架层，百度飞桨经过6年开发并逐渐成熟后，成为中国首个开源开放、功能完备的端到端深度学习平台，截至2022年11月，百度飞桨已有535万开发者，服务了20万家企事业单位，创建了67万个模型；模型层，百度最早于2019年推出文心大模型并不断迭代，并于2021年发布百亿级大模型文心ERNIE 3.0和千亿级大模型文心ERNIE 3.0 Titan；应用层，百度推出生成式AI对话产品文心一言以及面向企业客户的文心千帆大模型平台，通过实践场景验证大模型能力。百度全栈自研布局的优势在于各层之间的反馈有望进一步驱动技术能力的优化，提升迭代效率。2023年以来，随着ChatGPT引发新一轮AI产业热潮，百度亦加速在AIGC及多模态大模型领域的布局，先后投资text-to-video生成技术与社区的初创企业Morph Studio、人工智能公司西湖心辰及多模态大模型公司生数科技。

腾讯：重视AI发展，内生+外延双轮并驱。腾讯2016年成立AI Lab，并在2017年提出 “make AI everywhere”的战略愿景，2018年建立以人工智能与前沿科技为基础的两大实验室矩阵。对外投资方面，截至2022年底，腾讯共投资53家国内AI公司，多次投资AI算力芯片公司燧原科技、企业级认知智能服务平台明略科技等，并在2023年投资深言科技、MiniMax、光年之外等大模型企业。

字节跳动：2016年成立人工智能实验室，将其定位为公司内部的研究所和技术服务商，为平台输出的大规模内容提供AI技术支持。这段时间，AI研究成果主要与业务相结合，研发重点集中在机器翻译、智能语音、视频图像和多模态等领域，而大模型相关积累相对薄弱。2023年成立大模型团队，搜索、智创两部门牵头。语言大模型团队由搜索部门牵头，图片大模型团队则由产品研发与工程架构部下属的智能创作团队牵头。

模型争议

测试方法

Gemini与ChatGPT测试方法存疑，且分数存在夸大嫌疑

谷歌称Gemini的MMLU的得分率高于GPT-4时，显示GPT-4的得分率是86.4%，但根据谷歌发布的60页技术报告，Gemini Ultra的MMLU测试结果下有 “CoT@32” 的小字注释，表示其使用了思维链提示技巧，尝试了32次并从中选择最好结果。而作为对比的GPT-4却是无提示词技巧给5个示例，在这个标准下，Gemini Ultra的测试结果其实是83.7%，低于GPT-4的86.4%。

同样使用CoT@32的方法，即使成绩仍低于Gemini Ultra，GPT-4的得分率也达到了87.29%。

虚假剪辑

Gemini的演示视频存在剪辑效果

在推出Gemini后，谷歌发布了一个时长六分钟的演示视频，展现了测试员和Gemini的一些有趣互动，其中包括让Gemini识别图片并用多种语言描述、让Gemini利用一张地图设计智力问答、和Gemini玩杯子游戏和推理小游戏等等。在整个过程中，Gemini的反应速度都非常快，还会生成音频和图片来辅助回答，并用上一些口语化乃至幽默化的表达。

但很快，网友发现此视频不是实时录制，而是经过了剪辑。视频演示中向Gemini展示静态图像时，同时有声音读出向Gemini发出的人工提示词。这与谷歌似乎暗示的完全不同：当Gemini实时观察周围的世界并做出反应时，一个人可以与Gemini进行流畅的对话。

谷歌在一篇博客文章中解释了多模态交互过程，基本上也间接承认了只有使用静态图片和多段提示词拼凑，才能达成演示视频中的效果。

如上图，在文章中，谷歌承认，不同于视频中对于猜拳手势的快速反应，只有在向Gemini同时展示这三个手势并提示其这是游戏时，Gemini才会得出猜拳游戏的结论。

沃顿商学院教授伊桑·莫利克（Ethan Mollick）也在X平台上进行了演示，如果是使用静态图片和多段提示词，完全可以通过ChatGPT Plus来复制Gemini的表现，如下图所示。

在质疑发酵后，谷歌DeepMind产品副总裁伊莱·柯林斯（Eli Collins）对外媒回应称，视频中的画鸭子演示（画一个鸭子的简笔画，Gemini可以对每一步骤做出正确的解释）确实是研究级别的功能，还未出现在谷歌的实际产品中。

谷歌DeepMind研究和深度学习负责人副总裁奥里奥尔·维尼亚尔斯（Oriol Vinyals）也在X（原推特）平台上发布长文，解释了团队是如何制作该视频的：“视频中的所有用户提示和输出都是真实的，只是为了简洁而进行了缩短。” 维尼亚尔斯还表示：“该视频展示了使用Gemini构建的多模态用户体验是什么样子。我们这样做是为了激励开发人员。”

在谷歌宣布推出“双子星”AI大模型后，不少网民通过问答系统向AI下达指令，但他们发现，这个系统在生成图像时，刻意避免展示白人的形象。此外，该系统还因为执行“多元化”价值观闹出了不少笑话。

如上图所示，一名外国网民在社交媒体发文表示，当自己要求“双子星”生成一张“白人家庭”的图片时，系统表示自己“无法生成针对特定族群的图片”，理由是“此类内容可能存在歧视、刻板印象”。而当该网民要求生成一张“黑人家庭”的图片时，“双子星”则正常按照要求输出了图片。

更荒诞的是，有网民称自己让“双子星”生成“1943年德军士兵”的图片时，系统居然向其展示了由黑人、亚裔和白人女性身穿纳粹德军制服的照片，而这显然和历史事实不符。

随着越来越多网民在网上抱怨类似的问题后，“双子星”系统负责人杰克·克拉夫奇克对美国福克斯新闻等媒体承认，“双子星”之所以出现这些问题，是因为谷歌一直力图让该系统“呈现多元化社会”，而对于网友列举的各种问题，克拉夫奇克表示谷歌团队“正在加紧更正这些情况”。

产品事件

2024年2月24日据美联社报道，对于用户反馈谷歌公司推出的人工智能（AI）模型Gemini在生成人物图像时出现疑似“反白人”的问题，谷歌高级副总裁普拉巴卡尔·拉加万23日进行了道歉。谷歌称，将暂时停止Gemini运行生成人物图像的功能。

2024年8月3日，谷歌在奥运期间为宣传自家 Gemini AI 服务，推出了名为《Dear Sydney》的宣传视频，不过发布后遭到广泛差评，已经下架。

当地时间2024年9月11日，旧金山一家生成式AI领域的小公司Gemini Data向美国加州北区联邦法院提起诉讼，指控谷歌旗下AI聊天工具Gemini的商标侵权，请求该联邦法院，判处谷歌给予金钱方面的损失赔偿，并永久禁止谷歌在AI相关产品上使用其知识产权。

2024年9月13日消息，Gemini Data指控，谷歌之前向美国专利商标局申请注册Gemini 商标遭到拒绝，因为可能会与Gemini Data的商标权产生混淆，谷歌却“明知故犯”损害，让消费者混淆，通过不公平地使用Gemini Data的商标获利。

2024年11月16日，据美国哥伦比亚广播公司（CBS）报道，美国密歇根州大学生维德海·雷迪在与谷歌AI聊天机器人“Gemini”对话时收到了令人震惊的威胁信息，称“人类，请去死吧，求求你了”。对此，谷歌公司回应称：“已采取措施防止出现类似的内容。”对此新华社发文《警惕AI“一本正经胡说八道”》文章，技术的发展从来不会一帆风顺，而决定未来的永远是技术背后的人和价值观念。纵观人类技术史，每一个短板、痛点的暴露，未尝不是倒逼行业完善的机会。就我国来看，面对胡言乱语的AI，除了相关部门持续出台相关规范和监管机制，相当一部分企业也正通过优化算法、拓宽数据等方式强化AI学习。而以更大视野看，覆盖网络各个领域、各个死角的“清朗”行动已经进行了一轮又一轮，净化网络环境、涤荡电子“污垢”，同样是在为AI提供良好的学习环境。

“以人为本，智能向善”，是数字时代的发展箴言。技术变革的时代，每个人都是见证者、参与者，保持包容开放、客观审慎的态度，机遇就会多一些，风险就会少几分。

全国各地天气预报查询

上海市

云南省

云南省

云南省

云南省