AI-mallit ja alustat

Googlen Gemma‑avomallit ylittävät miljardin latauksen, kun variantteja on yli 100 000

mm
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa

Google DeepMindin Gemma‑perhe avoimia malleja on ylittänyt yhteensä miljardin latauksen, yhtiön mukaan 20. elokuuta 2026, mikä päättää kahden vuoden kauden, jolloin ulkopuoliset kehittäjät julkaisivat yli 100 000 varianttia mallien avoimilla painoilla. Luvut, jotka julkistettiin Googlen virallisessa ilmoituksessa Clement Farabetin, Google DeepMindin varapresidentin, ja tuotejohtaja Olivier Lacomben toimesta, merkitsevät ensimmäistä kertaa, kun Google on ilmoittanut Gemma‑käytön kumulatiivisen kokonaismäärän perheen lanseerauksesta vuoden 2024 alussa.

Latausmäärät ovat epätäydellinen mittari siitä, mitä avoin malli todellisuudessa tekee — painoja haetaan, peilataan ja ladataan uudelleen eri keskuksiin, eikä yksi lataus kerro, kuinka usein malli ajetaan. Luku, jonka Google liitti tähän virstanpylvääseen, on ekosysteemin muodon kannalta merkittävämpi: yli 100 000 erillistä Gemma‑varianttia, jotka kehittäjät ovat julkaisseet, hienosäätäneet ja johdanneet erityisiin kieliin, tehtäviin ja laitteistokohteisiin. Tämä varianttimäärä on se ero, joka erottaa mallin, jota ihmiset kokeilevat, mallista, jonka päälle he rakentavat.

Artikkeli on jäsennelty sen mukaan, missä nämä variantit toimivat, ja maantieteellinen leviäminen on poikkeuksellinen. Tiimit NASA:ssa, satelliittialoitteessa Satlyt ja kiertorakenteisessa laskentayrityksessä Starcloud käyttävät Gemma‑malleja avaruudessa: laitteistossa tapahtuvaan kuvananalyysiin, päätöksiin siitä, mitä on syytä lähettää rajoitetun aloituskaistan kautta, sekä satelliittien välisten yhteyksien reitittämiseen. NASA‑tapaus on kolmesta parhaiten dokumentoitu. Viraston Jet Propulsion Laboratory lensi 4‑bittisen pakatun version Gemma 3 4B:stä Loft Orbital -satelliitilla aikaisemmin vuonna 2026, mikä IEEE Spectrum raportoiti 23. heinäkuuta 2026 ensimmäisenä kiertoradalla tapahtuvana vision‑language‑mallin demonstraationa, jossa analysoitiin satelliitin omasta anturista peräisin olevia kuvia. Järjestelmää, nimeltään NAVI‑Orbital, luokiteltiin 88 % tarkkuudella maassa toteutetussa vertailussa, jossa oli 7 960 kuvaa, ja se suoritti reaaliaikaisia kuvakaappauksia Toulouse‑kaupungin, Ranskan, sekä Argentiinan rannikolla Nvidia Jetson Orin AGX -moduulilla, jonka laitteistorajoitukset vaativat 4‑miljardia parametria sisältävän mallin 8 gigatavun muistijalanjäljen toimimaan.

Maa‑pinnalla suurin yksittäinen käyttöönotto, jonka ilmoitus mainitsee, on Intiassa, jossa National Health Authority integroidi Gemma 4:n ja Googlen avoimen Medical Data Toolkitin Aarogya Setu 2.0 -sovellukseen, jossa on yli 100 miljoonaa Android‑latausta, jotta lääketieteelliset raportit voidaan muuntaa standardoituihin digitaalisiin muotoihin, joita potilaat voivat jakaa eri palveluntarjoajien välillä. Tutkimuksessa Yale‑yliopiston ja Googlen tutkijat rakensivat Gemman päälle C2S‑Scale‑mallin, joka on koulutettu tulkitsemaan yksisolu‑dataa; Google kertoo sen tuottaneen syöpähoitopolun, joka myöhemmin vahvistettiin elävissä soluissa. Yhtiön toimialakohtaiset MedGemma‑mallit puolestaan ​​käytetään kliinisten sovellusten kehittämisessä, alkaen All India Institute of Medical Sciencesin potilaslähtöisestä triage‑järjestelmästä aina työkaluihin, joita maaseudun Ugandan terveydenhuollon työntekijät käyttävät. Neljäs projekti, DolphinGemma, jonka ovat toteuttaneet Georgia Tech ja Wild Dolphin Project, soveltaa Gemma‑varianttia delfiinin ääntämis­sekvenssien ennustamiseen (pitkäkestoinen tutkimushanke, ei kaupallinen tuote).

Virstanpylväs, joka toimii myös tuotehakemiston lanseeraajana

Lukujen ohella Google käytti artikkelia lanseeratakseen Awesome Gemma -tietovaraston GitHubissa, kuratoituna hakemistona yhteisön projekteille, hienosäätöille, tutoriaaleille ja työkaluille, jonka se asettaa viralliseksi indeksiksi sille, mitä se kutsuu Gemmaversiksi. Yhtiö huomautti myös, että sen äskettäinen Gemma‑haaste Kagglessa keräsi yli 1 600 projektilähetystä, ja voittajat julkistetaan tulevina viikkoina.

Taustan asettaminen on tärkeää, kun tätä virstanpylvästä luetaan. Google ei myy Gemmaa; perhe on yhtiön vastaus Metan Llamalle kilpailussa olla oletusalusta avoimen painon kehitykselle, ja latausmäärät ovat molempien laboratoriossa julkaistuja pistetauluja.

Mitä miljardin latauksen luku ei kerro, on kuinka suuri osa tästä määrästä kääntyy kestävään käyttöön, eikä Google antanut erittelyä malligeneraatiosta tai alustasta. Kestävämpi signaali löytyy niistä käyttöönotosta, jotka yhtiö valitsi esittelemään: samat painot toimivat säteilykestävällä satelliittitietokoneella, joka kuluttaa vain muutaman sadan watin, kansallisessa terveyssovelluksessa ja solubiologian tutkimusputkessa. Tämä kirjon – 4‑miljardia parametria sisältävistä reunamalleista tutkimus‑mittakaavan järjestelmiin – argumentti on se, miksi avoimet painot pysyvät strategisesti keskeisinä mallisarjassa, vaikka sen eturivin Gemini‑järjestelmät pysyvät suljettuina. Kun Gemma 4 on nyt nykyinen sukupolvi ja keskitetty yhteisöhakemisto on käytössä, seuraavat havaittavissa olevat merkit ovat Kaggle‑haasteen tulokset ja kaikki ne omaksumisluvut, jotka Google liittää erityisesti Gemma 4:ään tulevina kuukausina.

Jonas Reeve on tekoälyanalyytikko Unite.AI:ssa, joka keskittyy kognitiiviseen tekoälyyn, tekoälyyn ja tekoälyjärjestelmien teoreettisiin perusteisiin. Hänen työnsä tutkii, miten oppiminen, päättely, muisti ja abstraktio ilmenevät sekä biologisissa että tekoälyjärjestelmissä, ja piirtää yhteyksiä modernien tekoälyarkkitehtuureiden ja kognitiivisen tieteen ja mielen filosofian pitkäaikaisiin kysymyksiin.
Konseptuaalisella ja refleksiivisellä lähestymistavalla Jonas tutkii kehyksiä, kuten päättelymalleja, agenteja, emergenttiä kognitiota ja suuntautumisteoriaa, pyrkien selventämään, mitä edistystä tekoälyssä tarkalleen ottaen tarkoittaa - ja mitä se ei tarkoita. Sen sijaan, että hän ajaisi aikatauluja tai hypeä, hän korostaa ensisijaisia periaatteita, konseptuaalista tarkkuutta ja nykyisten mallien rajoja.
Jonas Reeven kirjoittamat artikkelit ovat tekoälygeneroituja ja Unite.AI:n toimituksen tarkastamia, jotta varmistetaan ettei artikkeleissa käsitellä tekoälykonsepteja epätarkasti tai vastuuttomasti.