中证网
返回首页

谷歌“反击战”开启 投资人热议多模态模型商业化

杨皖玉 中国证券报·中证网

  继ChatGPT上线一周年之后,近日,谷歌的多模态Gemini忽然上线,被业界视为“谷歌最强反击战开启”。投资机构针对Gemini的讨论“炸开了锅”。业内人士认为,Gemini在视觉识别和推理推断方面有显著优化,落到商业场景上,实时交互场景或成为多模态人工智能模型应用的焦点。

  Gemini“太震撼”

  近日,谷歌CEO桑达尔·皮查伊宣布Gemini1.0版正式上线。Google DeepMind产品副总裁伊莱·柯林斯表示,这是Google迄今为止功能最强大、最通用的大模型。

  据了解,和市面上现有大模型相比,Gemini从一开始就被创建为多模态的模型,这意味着它可以归纳并流畅地理解、操作以及组合不同类型的信息,包括文本、代码、音频、图像和视频。在灵活度上,从数据中心到移动设备上,它都能够运行。

  在观看Gemini系列演示视频后,不少投资人表示“太震撼”。“看了Gemini的演示视频,其所表现出来的对多模态理解的能力非常惊人,此外,Gemini所表现出来的推理能力目前看来是超过ChatGPT的。”北京邮电大学计算机学院副教授孙海峰表示,一方面,在多模态信息处理上,Gemini远超OpenAI的ChatGPT。Gemini既可以支持多模态信息输入,也支持多模态信息输出。Gemini一个典型的特点是支持文本、图像、音频和视频的交错序列作为输入,这对于ChatGPT或者传统架构的多模态大模型来讲,是很难实现的。通常来讲,ChatGPT仅仅支持文字的输出,其他模态的输出需要调用第三方API来实现。Gemini这种交错序列的输入方式更符合绝大多数场景的需求。另一方面,在Gemini的技术报告中,其在MMLU数据集测试中的准确率达到了90.04%,超过了人类专家,其推理能力的进化具有里程碑意义。

  在Gemini上线后的一天,谷歌被外界质疑称,多模态视频是剪辑拼贴的,Gemini涉嫌夸大宣传。谷歌官方也给予了解释:视频的确有后期制作和剪辑的成分,Gemini所有交互不是实时感知到,而是工作人员给予图片和提示之后的效果,即Gemini在读取视频方面还有待进一步发展。

  实时交互场景或是商业化焦点

  受此消息的影响,国内投资人针对多模态技术及其应用展开热议。

  某科技赛道的一级投资人表示,相较ChatGPT-4,Gemini的识图和推理能力,以及目前看上去的响应速度有很大进步。他个人认为,Gemini与OpenAI的产品各有千秋,商业化落地方面还需要找到合适的场景。“有合适的场景适配,并找到增值需求还是关键,但Gemini确实是将AI模型的想象空间进一步打开了。”

  “可以大胆想象,当多模态模型运行在机器人身上,可能实现具身智能,另外,当多模态模型和谷歌眼镜结合时,或将升级为超级智能体。”另一位投资人表示。

  某技术人士介绍,人类有五种感官,我们所建造的世界、所消费的媒体,都是以这样的方式所呈现。而多模态模型意味着Gemini可以用和人类一样的方式理解周围的世界,并且吸收任何类型的输入和输出——无论是文字,还是代码、音频、图像、视频。其中最关键的技术,是如何混合所有这些模式,如何从任意数量的输入和感官中收集尽可能多的数据,然后给出同样多样化的响应。

  “Gemini更像人了,更贴近人的视觉识别和一些推理判断,OpenAI的ChatGPT更多像一个大知识库,它能够给人提供信息参考。两者不是谁超越谁,而是侧重方向有显著不同。”某投资人表示。

  孙海峰表示,目前还不太清楚Gemini的具体实现结构是什么样的,但是这种对多种模态信息可以交错序列作为输入方式的模式,是许多场景、尤其是实时交互场景非常需要的。

  另一位科技投资人认为,Gemini的发布意味着大厂在人工智能方面具有先发优势更加确定,比如谷歌的Gemini视觉推理方面能力突出,是因为他们有基于搜索引擎的各种资料作为大量的训练数据。此外,大厂在数据、流量、资金、算力以及应用场景上的优势都很明显。

中证网声明:凡本网注明“来源:中国证券报·中证网”的所有作品,版权均属于中国证券报、中证网。中国证券报·中证网与作品作者联合声明,任何组织未经中国证券报、中证网以及作者书面授权不得转载、摘编或利用其它方式使用上述作品。