Det kan teknisk sett være Skyttens sesong, men Tvillingene tar over.
Den 6. desember kunngjorde Google DeepMind lanseringen av sin naturlige multimodale AI-modell og konkurrent til GPT-4, Gemini.
I et blogginnlegg som varslet Geminis ankomst, fremhevet Google DeepMinds administrerende direktør og medgründer Demis Hassabis den nyeste utviklingen som «den mest kapable og generelle modellen vi noen gang har bygget». Ryktene om at produktserien kan bli en seriøs kandidat for kunstig generell intelligens (AGI), har allerede begynt å merkes i det knallharde AI-forretnings landskapet.
Men hva med innvirkningen på digitale produkter i året som kommer? Her er det du trenger å vite – det gode, det dårlige og det potensielt stygge.
Hva er Gemini?
Gemini er ikke bare ett produkt, men tre; en familie av store multimodale modeller (LMM-er) som etterfølger Google DeepMinds nevrale nettverk LaMDA og PaLM 2. De tre produktene er:
- Gemini Ultra: Den kraftigste modellen, som skal lanseres for utviklere tidlig i 2024. Ultra lover å kunne «forstå», generere og kombinere et svært bredt spekter av inndata, inkludert lyd, video, tekst, kode og bilder, med hastigheter som imponerende nærmer seg sanntid.
- Gemini Pro: Modellen på forbrukernivå som for øyeblikket er tilgjengelig for utviklere. Brukere i land der Bard er tilgjengelig, har kunnet samhandle med Gemini Pro siden den ble kunngjort 6. desember.
- Gemini Nano: Den kompakte modellen som er utviklet for å drive mobilapplikasjoner. Gemini Nano er, i likhet med Gemini Ultra, ennå ikke lansert, og Google har ikke offentliggjort ytelsesspesifikasjonene.
Have an account? Log In
Hva er multimodal AI?
Multimodal AI er kunstig intelligens som kan behandle flere datatyper ved hjelp av flere algoritmer for intelligensbehandling. En tekst-til-bilde-modell som Midjourney regnes for eksempel som multimodal AI.
Selv om mange LMM-er allerede har oversvømmet markedet, er det som skiller Gemini fra andre store multimodale språkmodeller, at den er utviklet for å «forstå» mange typer inndata (tekst, video, lyd, kode og bilder) på en måte som etterligner menneskelig forståelse og kreativitet.
Det gode: Potensialet i multimodal AI-teknologi
Ikke engang et helt kalenderår etter at tekst-til-tekst-genereringen i ChatGPT tok over den offentlige fantasien, markerer Gemini en ny æra der multimodal funksjonalitet snart vil bli et minstekrav for AI-drevne produkter.
Ken Hubbell, administrerende direktør i AI-plattformen Soffos.ai, ser et enormt potensial for teknologi i det nye året.
«Vi har begynt å tenke på ting som sanntidsanalyse av det du ser visuelt», sier Hubbell. «Så jeg ser for meg nye produkter, som briller som kan ta inn en videostrøm, og som nå kan ta inn videostrømmen og generere resultater (i sanntid).»
Selv om dette vil gi produktteam et fleksibilitetsnivå som aldri har vært mulig tidligere, vil det også uunngåelig føre til at produkter som er utviklet for å utvide funksjonaliteten til plattformer som GPT-4 for å tilby lignende funksjoner som Gemini, blir foreldet tidligere enn forventet – og alle disse produktene er selv bare noen måneder gamle.
«(Disse produktene) vil snart enten være irrelevante eller måtte redesignes fullstendig for å innlemme alt det nye som har kommet, og som de tidligere ‘hacket’ seg rundt», sier Hubbell.
(Disse produktene) vil snart enten være irrelevante eller måtte redesignes fullstendig for å innlemme det de tidligere ‘hacket’ seg rundt.
KEN HUBBELL, ADMINISTRERENDE DIREKTØR, SOFFOS.AI
Hubbell innrømmer at mange selskaper kommer til å tape stort på investeringene de har lagt i disse nå foreldede omveiene, men sier at dette faktisk er gode nyheter i forkledning.
«Da Alexa kom, fant mange mennesker måter å gjøre ting på som selve Alexa-produktet ikke kunne – jeg var en av dem», ler Hubbell, og bemerker at teamet hos Amazon raskt fanget opp funksjonene eksterne utviklere bygget, og integrerte dem i Alexa-plattformen.
«Det ødela på en måte for oss som var utviklere, men på den annen side forbedret det bakenden så mye at vi nå kunne fokusere på ting vi ikke måtte finne omveier rundt – og vi kunne faktisk lage sluttproduktet vi virkelig ønsket oss.»
Det dårlige: Den tidlige mottakelsen av Gemini
Selv om denne nye æraen med svært kapabel multimodal KI høres revolusjonerende ut, har den første mottakelsen av Gemini Pro vært svært skuffende. I løpet av uken etter kunngjøringen av produktlanseringen begynte LinkedIn- og X-strømmer overalt å fylles med misfornøyde anmeldelser fra brukere som hadde prøvd seg frem med Gemini Pro.
Problemet? Gemini virker … litt dum.
Artikler på TechCrunch og fra flere Medium-forfattere fremhevet innlegg fra brukere i sosiale medier som viste skjermbilder av at Gemini ikke klarte å svare riktig på spørsmål.
Men som Hubbell forklarer, gjør plattformen nøyaktig det man burde ha forventet at den skulle gjøre.
«Å oppdra en KI ligner faktisk mye på å oppdra et barn», sier Hubbell, som (før du spør) også er far. Han bemerker at språkmodeller bare kan lære en begrenset mengde i de tidlige treningsfasene, som foregår i et lukket miljø med et svært lite utvalg brukere. «Når den slippes ut i den virkelige verden, er det da den virkelige veksten finner sted.»
Når den slippes ut i den virkelige verden, er det da den virkelige veksten finner sted.
KEN HUBBELL, ADMINISTRERENDE DIREKTØR, SOFFOS.AI
Det stygge: Etikkspørsmålet
I lanseringsmaterialet sitt har Google vært svært åpen om løftene om å ha utviklet Gemini «ansvarlig».
Dette løftet har, forståelig nok, fått noen kritikere til å føle seg ukomfortable.
En artikkel av ZDNET påpeker at Google valgte å utelate modellkort for Gemini-produktene. Modellkort beskriver blant annet potensielt skadelige utfall for et nevralt nettverk. Dette er spesielt urovekkende med tanke på at det var et team hos Google som utviklet modellkort i utgangspunktet.
Det reiser også spørsmålet: Når et produkt er trent på et iboende skjevt datasett, hvem avgjør hva «ansvar» innebærer?
I en artikkel publisert i mai på Mind Foundry-bloggen forklarer Frankie Garcia, Google DeepMinds nye leder for operasjonell KI-etikk og sikkerhet og tidligere produktleder for KI-styring i Mind Foundry, hva som gjør en maskinlæringsmodell pålitelig.
«Når beslutninger har en vesentlig innvirkning på enkeltpersoners og befolkningsgruppers liv, kan betydningen av modellens pålitelighet og ansvarlighet ikke overvurderes», skriver Garcia i artikkelen, som er skrevet sammen med professor Brent Mittelstadt ved Internet Institute ved University of Oxford.
Artikkelen fastslår at det finnes tre sentrale områder for pålitelighet innen maskinlæring:
- Skjevhet og rettferdighet: Bruk av flere grupper med «rettferdighetsmålinger», som forfatterne innrømmer ofte motvirker hverandre, for å sikre at modellen handler rettferdig.
- Fortolkbarhet og forklarbarhet: Dette beskriver i hvilken grad en menneskelig bruker kan forstå logikken og prosessen KI-modellen har brukt for å komme frem til resultatet.
- Datadrift og modellsårbarhet: Dette beskriver hvordan endringer fra det opprinnelige treningsdatasettet, som følge av mønstre i brukerinndata og andre faktorer, kan påvirke modellens resultater negativt.
Vi kan slutte at Google følger nøye med på disse faktorene for å sikre at Gemini-produktfamilien holder seg «under kontroll». Om vi får se en tilsvarende forpliktelse fra konkurrenter som kjemper om markedsandeler, gjenstår å se.
More Articles
Hvordan måler Gemini seg mot ChatGPT?
Når det gjelder rå ytelse, har Google kommet med store løfter om hva utviklere kan forvente. Her er ytelsesreferansene for Gemini Ultra og Gemini Pro sammenlignet med ChatGPT, ifølge Google.
En ny sesong eller en ny æra?
Selv om lanseringen av Gemini kanskje bare er det siste innslaget i den pågående sagaen om rask AI-innovasjon, føles denne annerledes.
Selv om den utvidede funksjonaliteten i Geminis særegne multimodale egenskaper åpenbart gir nærmest ubegrensede muligheter for produktutvikling (inkludert skriving av brukerhistorier!), er det viktigste bidraget den milepælen innen AI-innovasjon som Gemini representerer.
Vil Gemini lede oss til en ekte modell for AGI før 2024 er omme? Det kan hende det står skrevet i stjernene.
Ikke glem å abonnere på nyhetsbrevet vårt for flere innsikter, veiledninger og ressurser om produktledelse laget for deg av ledere og eksperter i bransjen.
