继ChatGPT上线一周年之后，最近，谷歌的多模态Gemini突然上线，被业界视为“谷歌最强还击战开启”。投资机构针对Gemini的讨论“鸡飞狗跳”。业内人士认为，Gemini在视觉识别和推理推断方面有明显优化，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”

　　最近，谷歌总裁桑达尔·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。

　　记者了解到，和市场上现有大模型相比，Gemini从一开始就被建立为多模态的模型，这意味着它可以归纳并流畅地理解、操作和组合不同类型的信息，包含文本、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，很多投资人表示“太震撼”。“看了Gemini的演示视频，其所表现出来的对多模态明白的能力非常惊人，另外，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或传统架构的多模态大模型来讲，是很难实现的。一般来讲，ChatGPT仅仅支持文字的输出，其它模态的输出需要调用第叁方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切实需求。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，谷歌被外界疑问称，多模态视频是剪辑拼贴的，Gemini涉嫌虚构宣传。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，而是职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，和目前看上去的响应速度有很大进步。他个人认为，Gemini与OpenAI的产品各有所长，商业化落地方面还需要找到适当的场景。“有适当的场景适配，并找到增值需求还是关键，但Gemini的确是将AI模型的想象空间进一步打开了。”

　　“可以放心想象，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，都是以这样的形式所显现。而多模态模型意味着Gemini可以用和人类同样的形式理解周围的世界，并且吸收任何类型的输入和输出——甭管是文字，还是代码、音频、图像、视频。其中最重要的技术，是怎样混合所有这些模式，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。两者不是哪个超越谁，而是偏重方向有明显不同。”某投资人表示。

　　孙海峰表示，目前还不太清楚Gemini的具体实现结构是啥样的，可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期望的。

　　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，好比谷歌的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练习数据。另外，大厂在数据、流量、资金、算力和应用场景上的优势都很明显。