Det er måske teknisk set Skyttens sæson, men Gemini tager over.
Den 6. december annoncerede Google DeepMind udgivelsen af sin native multimodale AI-model og konkurrent til GPT-4, Gemini.
I et blogindlæg, der hyldede Geminis ankomst, fremhævede Google DeepMinds administrerende direktør og medstifter Demis Hassabis deres seneste udvikling som “den mest kapable og generelle model, vi nogensinde har bygget”. Rygterne om, at produktserien kunne være en seriøs kandidat til kunstig generel intelligens (AGI), tager til, og Geminis indvirkning mærkes allerede i det benhårde AI-forretningslandskab.
Men hvad betyder det for digitale produkter i det kommende år? Her er det, du skal vide – det gode, det dårlige og det potentielt grimme.
Hvad er Gemini?
Gemini er ikke bare ét produkt, men tre: en familie af store multimodale modeller (LMM'er), der afløser Google DeepMinds neurale netværk LaMDA og PaLM 2. De tre produkter er:
- Gemini Ultra: Den mest kraftfulde model, som efter planen udgives til udviklere i begyndelsen af 2024. Ultra lover evnen til at “forstå”, generere og kombinere stort set en lang række input, herunder lyd, video, tekst, kode og billeder, med hastigheder imponerende tæt på realtid.
- Gemini Pro: Modellen på forbrugerniveau, som i øjeblikket er tilgængelig for udviklere. Brugere i lande, hvor Bard er tilgængelig, har kunnet interagere med Gemini Pro, siden den blev annonceret den 6. december.
- Gemini Nano: Den kompakte model, der er designet til at drive mobilapplikationer. Gemini Nano er ligesom Gemini Ultra endnu ikke udgivet, og Google har endnu ikke offentliggjort dens præstationsspecifikationer.
Have an account? Log In
Hvad er multimodal AI?
Multimodal AI er kunstig intelligens, der er i stand til at behandle flere datatyper ved hjælp af flere algoritmer til intelligensbehandling. Et tekst-til-billede-AI-system som Midjourney betragtes eksempelvis som multimodal AI.
Selvom mange LMM'er allerede har oversvømmet markedet, er det, der adskiller Gemini fra andre store multimodale sprogmodeller, at den er designet til at “forstå” mange inputtyper (tekst, video, lyd, kode og billeder) på en måde, der efterligner menneskelig forståelse og kreativitet.
Det gode: Potentialet i multimodal AI-teknologi
Ikke engang et helt kalenderår efter at ChatGPT's tekst-til-tekst-generering overtog den offentlige fantasi, markerer Gemini begyndelsen på en ny æra, hvor multimodal funktionalitet snart bliver et grundkrav for AI-drevne produkter.
Ken Hubbell, administrerende direktør for AI-platformen Soffos.ai, ser et enormt potentiale for teknologien i det nye år.
“Vi er begyndt at tænke på ting som realtidsanalyse af det, du ser visuelt,” siger Hubbell. “Så jeg ser nye produkter, som for eksempel briller, der kan optage et videofeed, og som nu vil kunne modtage videofeedet og generere resultater (i realtid).”
Selvom dette vil give produktteams en grad af fleksibilitet, som aldrig før var mulig, vil det også uundgåeligt føre til, at produkter, der er udviklet til at udvide funktionaliteten i platforme som GPT-4 for at muliggøre lignende funktioner som Gemini, hurtigt bliver forældede – og de er alle selv kun få måneder gamle.
“(Disse produkter) vil snart enten være irrelevante eller skulle redesignes fuldstændigt for at indarbejde alle de nye ting, der er kommet til, og som de tidligere har ‘hacket’ sig uden om,” siger Hubbell.
(Disse produkter) vil snart enten være irrelevante eller skulle redesignes fuldstændigt for at indarbejde de ting, som de tidligere har ‘hacket’ sig uden om.
KEN HUBBELL, ADMINISTRERENDE DIREKTØR, SOFFOS.AI
Selvom Hubbell indrømmer, at mange virksomheder kommer til at lide tab på de investeringer, de har hældt i disse nu forældede løsninger, siger han, at det faktisk er gode nyheder forklædt.
“Da Alexa kom ud, fandt mange mennesker måder at gøre ting på, som selve Alexa-produktet ikke kunne – jeg var en af dem,” griner Hubbell og bemærker, at teamet hos Amazon hurtigt opdagede de funktioner, som eksterne udviklere byggede, og integrerede dem i Alexa-platformen.
“Det ødelagde på en måde tingene for os, der var udviklere, men på den anden side forbedrede det backend-systemet så meget, at vi nu kunne fokusere på ting, som vi ikke behøvede at hacke os uden om – og vi kunne faktisk skabe det endelige produkt, som vi virkelig ønskede.”
Det dårlige: Den tidlige modtagelse af Gemini
Selvom denne nye æra med yderst kompetent multimodal AI lyder revolutionerende, har den tidlige modtagelse af Gemini Pro været meget skuffende. I løbet af ugen efter annonceringen af produktlanceringen begyndte LinkedIn- og X-feeds overalt at blive fyldt med utilfredse anmeldelser fra brugere, der havde leget lidt med Gemini Pro.
Problemet? Gemini virker til at være … lidt dum.
Artikler på TechCrunch og fra flere Medium-forfattere fremhævede opslag fra brugere på sociale medier, der viste skærmbilleder af, at Gemini ikke kunne besvare spørgsmål korrekt.
Men som Hubbell forklarer, gør platformen præcis det, som enhver burde have forventet, at den ville gøre.
“At opdrage en AI minder faktisk meget om at opdrage et barn,” siger Hubbell, som (før du spørger) også selv er far. Han bemærker, at sprogmodeller kun kan lære en begrænset mængde i de tidlige træningsfaser, som foregår i et lukket miljø med en meget lille stikprøve af brugere. "Når den først bliver sluppet løs i den virkelige verden, er det dér, den egentlige vækst finder sted."
Når den først bliver sluppet løs i den virkelige verden, er det dér, den egentlige vækst finder sted.
KEN HUBBELL, CEO, SOFFOS.AI
More Articles
Det grimme: Spørgsmålet om etik
I deres udgivelsesmateriale har Google været meget åben om løfterne om at have udviklet Gemini ‘ansvarligt.’
Dette løfte har med god grund fået nogle kritikere til at sidde uroligt på deres stole.
En artikel fra ZDNET påpeger, at Google valgte at udelade modelkort for Gemini-produkterne, som beskriver detaljer, herunder de potentielt skadelige konsekvenser af et neuralt netværk. Det er særligt foruroligende, eftersom et team hos Google oprindeligt opfandt modelkort.
Det rejser også spørgsmålet: Hvem afgør, hvad ‘ansvarlighed’ indebærer, når der er tale om et produkt, der er trænet på et grundlæggende forudindtaget datasæt?
I en artikel, der blev offentliggjort i maj på Mind Foundrys blog, forklarer Frankie Garcia, Google DeepMinds nye leder for operationel AI-etik og -sikkerhed samt tidligere produktchef for AI-styring hos Mind Foundry, hvad der gør en maskinlæringsmodel troværdig.
“Når beslutninger har en væsentlig indvirkning på enkeltpersoners og befolkningsgruppers liv, kan betydningen af modellens troværdighed og ansvarlighed ikke overvurderes,” skriver Garcia i artiklen, der er medforfattet af professor Brent Mittelstadt fra University of Oxfords Internet Institute.
Artiklen hævder, at der er tre centrale områder inden for maskinlæring, som handler om troværdighed:
- Bias og retfærdighed: Anvendelsen af flere grupper af “retfærdighedsmålinger”, som forfatterne indrømmer ofte modarbejder hinanden, for at sikre, at modellen handler retfærdigt.
- Fortolkelighed og forklarlighed: Dette beskriver, i hvilket omfang en menneskelig bruger kan forstå den logik og proces, som AI-modellen har anvendt for at nå frem til sit resultat.
- Dataforskydning og modelfragmentering: Dette beskriver, hvordan ændringer i forhold til det oprindelige træningsdatasæt, som skyldes mønstre i brugerinput og andre faktorer, kan påvirke modellens resultater negativt.
Vi kan udlede, at Google holder nøje øje med disse faktorer for at sikre, at Gemini-produktfamilien forbliver ‘under kontrol.’ Om vi kommer til at se et tilsvarende engagement fra konkurrenter, der kæmper om markedsandele, må tiden vise.
Hvordan klarer Gemini sig sammenlignet med ChatGPT?
Hvad angår den rå ydeevne, har Google fremsat store løfter om, hvad udviklere kan forvente. Her er præstationsbenchmarks for Gemini Ultra og Gemini Pro sammenlignet med ChatGPT ifølge Google.
