Technicznie rzecz biorąc, trwa sezon Strzelca, ale to Bliźnięta przejmują scenę.
6 grudnia firma Google DeepMind ogłosiła wydanie natywnie multimodalnego modelu AI oraz konkurenta dla GPT-4 — Gemini.
W poście na blogu zapowiadającym pojawienie się Gemini dyrektor generalny i współzałożyciel Google DeepMind, Demis Hassabis, określił najnowsze osiągnięcie firmy jako „najbardziej zaawansowany i uniwersalny model, jaki kiedykolwiek stworzyliśmy”. Podsycając plotki, że seria produktów może być poważnym kandydatem do miana sztucznej inteligencji ogólnej (AGI), Gemini już teraz wywiera wpływ na bezwzględne środowisko biznesu AI.
A co z jego wpływem na produkty cyfrowe w nadchodzącym roku? Oto, co musisz wiedzieć — dobre, złe i potencjalnie nieprzyjemne.
Czym jest Gemini?
Gemini to nie jeden produkt, lecz trzy — rodzina dużych modeli multimodalnych (LMM), będących następcami sieci neuronowych LaMDA i PaLM 2 firmy Google DeepMind. Trzy produkty to:
- Gemini Ultra: Najpotężniejszy model, którego udostępnienie deweloperom zaplanowano na początek 2024 roku. Ultra ma umożliwiać „rozumienie”, generowanie i łączenie praktycznie szerokiego zakresu danych wejściowych, w tym dźwięku, wideo, tekstu, kodu i obrazów, z imponującą szybkością zbliżoną do czasu rzeczywistego.
- Gemini Pro: Model przeznaczony dla konsumentów, obecnie dostępny dla deweloperów. Użytkownicy w krajach, w których dostępny jest Bard, mogą korzystać z Gemini Pro od momentu jego ogłoszenia 6 grudnia.
- Gemini Nano: Kompaktowy model zaprojektowany do obsługi aplikacji mobilnych. Gemini Nano, podobnie jak Gemini Ultra, nie został jeszcze wydany, a Google nie przedstawiło jeszcze jego specyfikacji wydajności.
Have an account? Log In
Czym jest multimodalna AI?
Multimodalna AI to sztuczna inteligencja zdolna do przetwarzania wielu typów danych za pomocą wielu algorytmów przetwarzania informacji. Przykładowo model AI przekształcający tekst w obraz, taki jak Midjourney, jest uznawany za multimodalną AI.
Choć wiele LMM-ów zdążyło już zalać rynek, Gemini wyróżnia się na tle innych dużych modeli multimodalnych tym, że został zaprojektowany tak, aby „rozumieć” wiele rodzajów danych wejściowych (tekst, wideo, dźwięk, kod i obrazy) w sposób naśladujący ludzkie rozumienie i kreatywność.
Dobre strony: potencjał technologii multimodalnej AI
Nie minął nawet pełny rok kalendarzowy od chwili, gdy generowanie tekstu na tekst przez ChatGPT zawładnęło wyobraźnią opinii publicznej, a Gemini wyznacza nową erę, w której funkcjonalność multimodalna wkrótce stanie się standardem produktów opartych na AI.
Ken Hubbell, dyrektor generalny platformy AI Soffos.ai, dostrzega ogromny potencjał technologii w nadchodzącym roku.
„Zaczęliśmy myśleć o rozwiązaniach takich jak analiza w czasie rzeczywistym tego, co widzisz — mówi Hubbell. — Widzę więc nowe produkty, na przykład okulary, które mogą odbierać obraz wideo, a teraz także analizować go i generować wyniki (w czasie rzeczywistym)”.
Choć umożliwi to zespołom produktowym elastyczność na poziomie, który wcześniej był niemożliwy, nieuchronnie doprowadzi również do przedwczesnego wycofania produktów stworzonych w celu rozszerzenia funkcjonalności platform takich jak GPT-4 i zapewnienia funkcji podobnych do Gemini — a wszystkie te produkty same mają zaledwie kilka miesięcy.
„(Te produkty) wkrótce albo staną się nieistotne, albo będą musiały zostać całkowicie przeprojektowane, aby uwzględnić wszystkie nowe elementy, które się pojawiły, a które wcześniej omijały za pomocą własnych «obejść» — mówi Hubbell.
(Te produkty) wkrótce albo staną się nieistotne, albo będą musiały zostać całkowicie przeprojektowane, aby uwzględnić elementy, które wcześniej omijały za pomocą własnych «obejść».
KEN HUBBELL, DYREKTOR GENERALNY, SOFFOS.AI
Hubbell przyznaje, że wiele firm straci na inwestycjach, które przeznaczyły na te obecnie przestarzałe obejścia, ale twierdzi, że w rzeczywistości jest to dobra wiadomość w przebraniu.
„Kiedy pojawiła się Alexa, wiele osób szukało sposobów na wykonywanie czynności, których sam produkt Alexa nie potrafił wykonywać — ja byłem jedną z tych osób — śmieje się Hubbell, zauważając, że zespół Amazona szybko dostrzegał funkcje tworzone przez zewnętrznych deweloperów i integrował je z platformą Alexa.
„To trochę zaszkodziło nam, deweloperom, ale z drugiej strony tak bardzo usprawniło zaplecze systemu, że mogliśmy skupić się na rzeczach, które nie wymagały już tworzenia obejść — i mogliśmy rzeczywiście stworzyć produkt końcowy, którego naprawdę chcieliśmy”.
Złe strony: wczesny odbiór Gemini
Choć ta nowa era niezwykle zaawansowanej multimodalnej sztucznej inteligencji brzmi rewolucyjnie, pierwsze reakcje na Gemini Pro były powszechnie rozczarowujące. W tygodniu następującym po ogłoszeniu premiery produktu kanały na LinkedInie i X zaczęły wszędzie wypełniać się pełnymi niezadowolenia opiniami użytkowników, którzy wypróbowali Gemini Pro.
Problem? Gemini wydaje się… cóż, trochę głupi.
Artykuły opublikowane w TechCrunch oraz przez wielu autorów serwisu Medium przedstawiały wpisy użytkowników mediów społecznościowych pokazujące zrzuty ekranu, na których Gemini nie potrafi poprawnie odpowiadać na pytania.
Jednak, jak wyjaśnia Hubbell, platforma robi dokładnie to, czego każdy powinien był się spodziewać.
„Wychowywanie sztucznej inteligencji przypomina tak naprawdę wychowywanie dziecka” — mówi Hubbell, który, zanim zapytacie, sam również jest ojcem. Zauważa, że modele językowe mogą nauczyć się tylko określonej ilości rzeczy we wczesnych etapach szkolenia, które odbywa się w zamkniętym środowisku i na bardzo małej próbie użytkowników. "Gdy zostanie wypuszczona na świat, wtedy następuje prawdziwy rozwój."
Gdy zostanie wypuszczona na świat, wtedy następuje prawdziwy rozwój.
KEN HUBBELL, DYREKTOR GENERALNY, SOFFOS.AI
To, co brzydkie: kwestia etyki
W materiałach dotyczących premiery Google bardzo otwarcie składało obietnice, że Gemini zostało opracowane „w sposób odpowiedzialny”.
Ta obietnica, całkiem słusznie, sprawiła, że kilku krytyków poczuło się nieswojo.
Artykuł opublikowany przez ZDNET wskazuje, że Google zdecydowało się pominąć karty modeli dla produktów Gemini, które opisują między innymi potencjalnie szkodliwe skutki działania sieci neuronowej. Jest to szczególnie niepokojące, biorąc pod uwagę, że to właśnie zespół Google jako pierwszy opracował karty modeli.
Rodzi to również pytanie: skoro produkt został wytrenowany na z natury obciążonym uprzedzeniami zbiorze danych, kto decyduje o tym, jak wygląda „odpowiedzialność”?
W artykule opublikowanym w maju na blogu Mind Foundry Frankie Garcia, nowy menedżer ds. etyki operacyjnej i bezpieczeństwa sztucznej inteligencji w Google DeepMind oraz były menedżer ds. produktów zarządzania sztuczną inteligencją w Mind Foundry, wyjaśnia co sprawia, że model uczenia maszynowego jest godny zaufania.
„Gdy decyzje mają istotny wpływ na życie jednostek i całych populacji, znaczenia wiarygodności i odpowiedzialności modelu nie sposób przecenić” — pisze Garcia w artykule, którego współautorem jest profesor Brent Mittelstadt z Instytutu Internetu Uniwersytetu Oksfordzkiego.
W artykule stwierdzono, że istnieją trzy kluczowe obszary wiarygodności uczenia maszynowego:
- Uprzedzenia i sprawiedliwość: Wykorzystanie kilku grup „metryk sprawiedliwości”, które — jak przyznają autorzy — często wzajemnie się wykluczają, aby zapewnić, że model działa sprawiedliwie.
- Interpretowalność i wyjaśnialność: Opisuje to, w jakim stopniu użytkownik będący człowiekiem może zrozumieć logikę i proces, za pomocą których model sztucznej inteligencji uzyskał dany wynik.
- Dryf danych i kruchość modelu: Opisuje sposób, w jaki zmiany względem pierwotnego zbioru danych treningowych, wynikające ze wzorców w danych wprowadzanych przez użytkowników i innych czynników, mogą negatywnie wpływać na wyniki modelu.
Możemy wywnioskować, że Google uważnie monitoruje te czynniki, aby zapewnić, że rodzina produktów Gemini pozostaje „pod kontrolą”. Dopiero okaże się, czy podobne zaangażowanie wykażą konkurenci walczący o udział w rynku.
More Articles
Jak Gemini wypada na tle ChatGPT?
Jeśli chodzi o surową wydajność, Google złożyło bardzo ambitne obietnice dotyczące tego, czego mogą oczekiwać deweloperzy. Według Google oto wyniki testów porównawczych Gemini Ultra i Gemini Pro w zestawieniu z ChatGPT.
Nowy sezon czy nowa era?
Choć premiera Gemini może być jedynie najnowszym aktem trwającej sagi szybkich innowacji w dziedzinie sztucznej inteligencji, tym razem wszystko wydaje się inne.
Choć rozszerzone możliwości charakterystycznych dla Gemini funkcji wielomodalnych oczywiście stwarzają niemal nieograniczone możliwości rozwoju produktów (w tym pisania historyjek użytkownika!), jego najważniejszym wkładem jest znaczenie kamienia milowego w innowacjach związanych ze sztuczną inteligencją, które reprezentuje.
Czy Gemini doprowadzi nas do prawdziwego modelu AGI, zanim skończy się 2024 rok? Być może jest to zapisane w gwiazdach.
Nie zapomnij zasubskrybować naszego newslettera, aby otrzymywać więcej spostrzeżeń, poradników i materiałów dotyczących zarządzania produktami, przygotowanych dla Ciebie przez liderów i ekspertów branżowych.