Utforskning av Gemini 1.5: Hvordan Googles nyeste multimodale AI-modell løfter AI-landskapet beyond sin forgjenger

I det raskt utviklende landskapet av kunstig intelligens, fortsetter Google (GOOGL ) å lede med sine banebrytende utviklinger i multimodal AI-teknologier. Kort tid etter lanseringen av Gemini 1.0, deres banebrytende multimodal stor språkmodell, har Google nå lansert Gemini 1.5. Denne iterasjonen ikke bare forbedrer kapasiteten etablert av Gemini 1.0, men også bringer betydelige forbedringer i Googles metode for prosessering og integrering av multimodal data. Denne artikkelen gir en utforskning av Gemini 1.5, og kaster lys over dens innovative tilnærming og distinktive egenskaper.

Gemini 1.0: Laying the Foundation

Lansert av Google DeepMind og Google Research den 6. desember 2023, introduserte Gemini 1.0 en ny type multimodal AI-modeller som kunne forstå og generere innhold i forskjellige formater, som tekst, lyd, bilder og video. Dette markerte et betydelig skritt i AI, og utvidet omfanget for håndtering av ulike informasjonstyper.

Gemini’s standout feature er dens evne til å sammenføye multiple data typer på en sammenhengende måte. I motsetning til konvensjonelle AI-modeller som kan spesialisere seg i en enkelt dataformat, integrerer Gemini tekst, visuelle og lyd. Denne integreringen gjør det mulig for den å utføre oppgaver som å analysere håndskrevne notater eller tolke komplekse diagrammer, og løse et bredt spekter av komplekse utfordringer.

Gemini-familien tilbyr modeller for ulike anvendelser: Ultra-modellen for komplekse oppgaver, Pro-modellen for hastighet og skalerbarhet på større plattformer som Google Bard, og Nano-modellene (Nano-1 og Nano-2) med 1,8 milliarder og 3,25 milliarder parametre, henholdsvis, designet for integrering i enheter som Google Pixel 8 Pro-smarttelefonen.

The Leap to Gemini 1.5

Googles nyeste lansering, Gemini 1.5, forbedrer funksjonaliteten og operasjonell effisiens i dens forgjenger, Gemini 1.0. Denne versjonen adopterer en ny Mixture-of-Experts (MoE)-arkitektur, en avvik fra den enhetlige, store modelltilnærmingen som ble sett i dens forgjenger. Denne arkitekturen inkorporerer en samling av mindre, spesialiserte transformator-modeller, hver av dem er dyktig i å håndtere bestemte segmenter av data eller distinkte oppgaver. Denne oppsettet gjør det mulig for Gemini 1.5 å dynamisk engasjere den mest passende eksperten basert på innkommende data, og strømlinje modellens evne til å lære og prosessere informasjon.

Denne innovative tilnærmingen løfter betydelig modellens trenings- og deployerings-effisiens ved å aktivere bare de nødvendige ekspertene for oppgaver. Derfor er Gemini 1.5 i stand til å raskt mestre komplekse oppgaver og levere høykvalitetsresultater mer effisient enn konvensjonelle modeller. Slike fremgangsmåter gjør det mulig for Googles forskningsteam å akselerere utviklingen og forbedringen av Gemini-modellen, og utvide mulighetene innen AI-domenet.

Expanding Capabilities

En betydelig forbedring i Gemini 1.5 er dens utvidede informasjonsbehandlingskapasitet. Modellens kontekstvindu, som er mengden av brukerdata den kan analysere for å generere svar, utvides nå til opptil 1 million token — en betydelig økning fra de 32 000 token i Gemini 1.0. Denne forbedringen betyr at Gemini 1.5 Pro kan samtidig prosessere store mengder data, som en time med videoinnhold, elleve timer med lyd, eller store kodebaserte og tekstuelle dokumenter. Den har også blitt testet med opptil 10 millioner token, og viser en eksepsjonell evne til å forstå og tolke enorme datasett.

A Glimpse into Gemini 1.5’s Capabilities

Gemini 1.5s arkitektoniske forbedringer og den utvidede kontekstvinduet gir den mulighet til å utføre sofistikerte analyser over store informasjonssamlinger. Uansett om det er å dykke ned i de intrikate detaljene i Apollo 11-misjonens transkripter eller å tolke en stumfilm, viser Gemini 1.5 en utenforliggende problem-løsningsevne, spesielt med lange kodeblokker.

Utviklet på Googles avanserte TPUv4-akseleratorer, har Gemini 1.5 Pro blitt trent på en diversifisert datasett som omfatter ulike domener og inkluderer multimodal og flerspråklig innhold. Denne brede treningsbasen, kombinert med finjustering basert på menneskelig preferansedata, sikrer at Gemini 1.5 Pros utdata harmonerer godt med menneskelige persepsjoner.

Gjennom rigorøse benchmark-tester mot en rekke oppgaver, utgår Gemini 1.5 Pro ikke bare dens forgjenger i en stor majoritet av evalueringene, men står også på lik linje med den større Gemini 1.0 Ultra-modellen. Gemini 1.5 Pro viser sterke “in-context learning”-evner, og tilegner seg ny kunnskap fra detaljerte hint uten behov for ytterligere justeringer. Dette var særlig tydelig i dens ytelse på Maskinoversettelse fra en bok (MTOB)-benchmarket, hvor den oversatte fra engelsk til Kalamang — et språk som snakkes av et lite antall mennesker — med en ferdighet som var sammenlignbar med den menneskelige læringen, og understreker dens tilpasningsevne og lærings-effisiens.

Limited Preview Access

Gemini 1.5 Pro er nå tilgjengelig i en begrenset forhåndsvisning for utviklere og bedriftskunder gjennom AI Studio og Vertex AI, med planer for en videre lansering og tilpassede alternativer på horisonten. Denne forhåndsvisningsfasen tilbyr en unik mulighet til å utforske dens utvidede kontekstvindu, med forbedringer i prosesseringshastighet forventet. Utviklere og bedriftskunder som er interesserte i Gemini 1.5 Pro kan registrere seg gjennom AI Studio eller kontakte sine Vertex AI-kontoteam for ytterligere informasjon.

The Bottom Line

Gemini 1.5 representerer et betydelig skritt fremover i utviklingen av multimodal AI. Bygget på grunnlaget lagt av Gemini 1.0, bringer denne nye versjonen forbedrede metoder for prosessering og integrering av ulike typer data. Introduksjonen av en ny arkitektonisk tilnærming og utvidede data-behandlingskapasiteter understreker Googles pågående innsats for å forbedre AI-teknologien. Med dens potensiale for mer effisient oppgavehåndtering og avansert læring, viser Gemini 1.5 den kontinuerlige utviklingen av AI. For tiden er den tilgjengelig for en valgt gruppe utviklere og bedriftskunder, og signaliserer spennende muligheter for fremtiden av AI, med videre lansering og ytterligere fremgang på horisonten.