谷歌 12 月 6 日正式发布了大模型 Gemini 1.0。这是谷歌今年最重要的一次模型发布，也被很多人看作它对 GPT-4 的正面回应。与之前模型最大的不同在于：Gemini 从一开始就是按多模态设计的，文本、图像、音频、视频、代码这些模态不是后期拼上去的，而是在训练阶段就一起学。
三个版本，各司其职
Gemini 1.0 分为三个版本，定位很清晰。
Ultra 是最强的版本，面向高度复杂的任务，谷歌称它在多项基准测试中达到了 GPT-4 级别的水平，尤其是在多模态理解方面。按照谷歌的说法，Gemini Ultra 是第一个在 MMLU 大规模多任务语言理解测试中超过人类专家的模型——不过基准测试的成绩向来只能参考，实际体验还得看产品。
Pro 是中等规模的版本，面向日常应用和开发者，发布后会率先进入 Bard（谷歌的聊天机器人），后续也会通过云端 API 提供给开发者。普通用户最先接触到的就是 Pro。
Nano 是最小的版本，专门为手机等端侧设备设计，可以在设备本地运行，适合需要低延迟和隐私保护的场景，比如手机上的智能回复、摘要功能。Pixel 8 Pro 已经率先用上了 Nano 的部分能力。
这种高中低三档的分工，和 OpenAI 的产品线思路类似，但谷歌的优势在于它有完整的产品矩阵可以承载：搜索、Gmail、Docs、安卓系统，都是 Gemini 的潜在落点。
能不能扭转局面
今年的大模型竞赛里，谷歌的处境一直有点尴尬。年初 Bard 匆忙上线，演示翻车；年中虽然追赶很快，但始终给人"起了个大早、赶了个晚集"的印象。Gemini 是谷歌重新证明自己的一次机会。
从技术路线看，原生多模态确实是个亮点。以前的多模态模型大多是把图像、音频模块"外挂"到语言模型上，Gemini 的训练方式理论上能让它对不同模态的理解更连贯。演示视频里，它能看懂手绘草图的变化、理解视频里的动作逻辑，效果相当直观——当然，演示视频和实际产品之间通常还有距离，发布会上的演示向来是挑最好的部分。
真正决定 Gemini 成败的，是落地速度。谷歌表示 Bard 将逐步切换到 Gemini Pro，更强的 Ultra 版则要等到明年，经过安全测试后才会向开发者和企业开放。这意味着普通用户短期内能用到的主要是 Pro 版本，Ultra 的真实水平还要再等一阵子才能验证。
Ultra 的测试成绩怎么看
谷歌在发布时重点宣传了 Gemini Ultra 的基准测试成绩，包括在 MMLU 测试中超过人类专家水平。听到这种说法，先别急着下结论。基准测试是模型能力的参考坐标，但它有几个天然的局限。
第一，测试集和真实使用场景有差距。模型在标准化测试里表现好，不代表在开放式对话、长文档处理、复杂推理这些实际任务里同样出色。第二，各家厂商的测试口径并不完全一致，同一个指标在不同发布会上的含金量可能不同。第三，测试成绩容易被"应试"优化，专门针对测试集调优的模型，分数好看但泛化能力未必同步提升。
所以 Ultra 的真实水平，要等它正式开放给开发者和企业用户、经过第三方实测之后才能判断。谷歌把 Ultra 的全面开放时间定在明年，并且要先经过安全测试，这个节奏本身是负责任的，但也意味着短期内我们只能看到 Pro 的表现。
谷歌的追赶策略：不止一个模型
Gemini 的发布只是谷歌追赶计划的一部分，它的完整布局还包括另外几条线。
一是产品接入。搜索、Gmail、Docs、安卓系统，这些产品每天服务着数十亿用户，是 Gemini 最大的分发渠道。如果 Gemini 能够深度集成进这些产品，谷歌不需要用户特意下载一个新应用，就能把 AI 能力送到用户手里。这种"润物细无声"的分发能力，是 OpenAI 暂时不具备的。
二是端侧布局。Nano 版本瞄准的是手机本地运行，这和苹果、高通的端侧 AI 战略不谋而合。未来的竞争很可能分成两层：云端大模型比拼上限，端侧小模型比拼体验。谷歌两边都想占住，Nano 就是它在端侧的棋子。
三是开发者生态。Gemini Pro 通过云端 API 开放给开发者，配合谷歌云的算力资源，目标是吸引那些想基于大模型做产品的团队。这条线直接对标 OpenAI 的开发者平台，竞争会非常激烈。
三条线能不能同时跑通，取决于谷歌内部的协同效率。谷歌的产品线众多是优势，但历史上也出现过各部门各自为战的问题。Gemini 能不能成为贯穿所有产品的统一 AI 底座，是 2024 年最值得观察的事情之一。
Bard 换芯之后：体验会有哪些变化
对普通用户来说，Gemini 最先落地的场景是 Bard 换芯。换用 Gemini Pro 之后，Bard 的回答质量理论上会有几个方面的提升。
首先是多模态理解。以前 Bard 处理图片的能力比较有限，很多时候只能做简单的图像描述；换成原生多模态的 Gemini 之后，它对图片内容的理解应该会更深入，比如看懂图表里的数据关系、理解图片中的空间布局。这对用 Bard 查资料、做学习的用户来说是实打实的提升。
其次是推理能力。Gemini Pro 在数学、代码等需要多步推理的任务上，表现应该比之前的 PaLM 2 更强。写代码、解数学题、做逻辑分析这些场景，用户能感知到的差异会比较明显。
不过也要管理一下预期：模型升级的效果不会一夜之间体现在所有对话里。Bard 的体验还受到系统提示词、联网搜索、插件生态等多种因素的影响，模型只是其中一环。而且谷歌的惯例是分批灰度上线，不同地区的用户感受到变化的时间点可能不一样。
另一个值得留意的变化是安卓端的整合。Pixel 8 Pro 已经率先用上了 Gemini Nano 的部分能力，比如智能回复和录音摘要。随着 Nano 的能力扩展，更多安卓手机有望在本地获得类似的功能，而不必依赖云端。这对隐私敏感的用户是个好消息：数据不出设备，功能照样能用。
对用户意味着什么
短期内，变化主要体现在 Bard 的体验上：回答质量、多模态理解能力应该会有可见提升。安卓用户则可以期待 Nano 带来的端侧功能，比如更聪明的输入法联想、通话摘要等。
长期看，Gemini 如果能顺利接入搜索、办公套件和安卓系统，谷歌产品的 AI 体验会迎来一次整体升级。搜索会不会因此改变形态，是更值得关注的问题：当 AI 可以直接给出综合答案，传统搜索结果列表的地位可能会被削弱。
大模型竞赛进入第二年，竞争的焦点正在从"谁先发布"转向"谁能真正装进产品"。Gemini 的技术底子看起来不差，接下来就看谷歌的执行力了。说到谷歌的 AI 产品线，今年年中 Bard 与 ChatGPT 的对比我们也写过一篇，感兴趣可以看看Bard 与 ChatGPT 的对比。
