Google Gemini: Όλα όσα πρέπει να γνωρίζετε για τη νέα πλατφόρμα δημιουργίας τεχνητής νοημοσύνης

Η Google προσπαθεί να κάνει πάταγο με το Gemini, μια εμβληματική σουίτα μοντέλων, εφαρμογών και υπηρεσιών τεχνητής νοημοσύνης. Όμως, ενώ ο Δίδυμος φαίνεται να είναι πολλά υποσχόμενος σε μερικές πτυχές, υστερεί σε άλλες – όπως αποκάλυψε η άτυπη ανασκόπησή μας.

Τι είναι λοιπόν ο Δίδυμος; Πώς μπορείτε να το χρησιμοποιήσετε;

Και

πώς ανταποκρίνεται στον ανταγωνισμό;

Για να είναι πιο εύκολο να παρακολουθείτε τις τελευταίες εξελίξεις του Gemini, έχουμε συγκεντρώσει αυτόν τον εύχρηστο οδηγό, τον οποίο θα ενημερώνουμε καθώς κυκλοφορούν νέα μοντέλα και λειτουργίες Gemini.

Τι είναι ο Δίδυμος;

Το Gemini είναι της Google

από καιρό υποσχέθηκε

, οικογένεια μοντέλων GenAI επόμενης γενιάς, που αναπτύχθηκε από τα ερευνητικά εργαστήρια τεχνητής νοημοσύνης της Google, DeepMind και Google Research. Κυκλοφορεί σε τρεις γεύσεις:

• 
  Gemini Ultra
  
  το εμβληματικό μοντέλο Gemini.
• 
  Gemini Pro
  
  ένα «lite» μοντέλο Gemini.
• 
  Δίδυμοι Νάνο
  
  ένα μικρότερο «αποσταγμένο» μοντέλο που τρέχει σε κινητές συσκευές όπως το Pixel 8 Pro.

Όλα τα μοντέλα Gemini εκπαιδεύτηκαν ώστε να είναι «εγγενώς πολυτροπικά» — με άλλα λόγια, ικανά να δουλεύουν και να χρησιμοποιούν περισσότερα από λέξεις. Ήταν προεκπαιδευμένοι και βελτιωμένοι σε μια ποικιλία ήχου, εικόνων και βίντεο, ένα μεγάλο σύνολο βάσεων κωδικών και κειμένου σε διαφορετικές γλώσσες.

Αυτό ξεχωρίζει το Gemini από μοντέλα όπως το LaMDA της Google, το οποίο εκπαιδεύτηκε αποκλειστικά σε δεδομένα κειμένου. Το LaMDA δεν μπορεί να καταλάβει ή να δημιουργήσει τίποτα άλλο εκτός από κείμενο (π.χ. δοκίμια, προσχέδια email), αλλά αυτό δεν συμβαίνει με τα μοντέλα Gemini.

Ποια είναι η διαφορά μεταξύ των εφαρμογών Gemini και των μοντέλων Gemini;

Η Google, αποδεικνύοντας για άλλη μια φορά ότι δεν έχει ταλέντο στο branding, δεν ξεκαθάρισε εξαρχής ότι το Gemini είναι ξεχωριστό και ξεχωριστό από τις εφαρμογές Gemini στον ιστό και στα κινητά (πρώην Bard). Οι εφαρμογές Gemini είναι απλώς μια διεπαφή μέσω της οποίας είναι δυνατή η πρόσβαση σε ορισμένα μοντέλα Gemini — σκεφτείτε το ως πελάτη για το GenAI της Google.

Παρεμπιπτόντως, οι εφαρμογές και τα μοντέλα Gemini είναι επίσης εντελώς ανεξάρτητα από το Imagen 2, το μοντέλο κειμένου σε εικόνα της Google που είναι διαθέσιμο σε ορισμένα από τα εργαλεία προγραμματισμού και τα περιβάλλοντα της εταιρείας. Μην ανησυχείτε – δεν είστε ο μόνος που μπερδεύεται με αυτό.

Τι μπορεί να κάνει ο Δίδυμος;

Επειδή τα μοντέλα Gemini είναι πολυτροπικά, μπορούν θεωρητικά να εκτελέσουν μια σειρά από πολυτροπικές εργασίες, από τη μεταγραφή ομιλίας έως τη δημιουργία λεζάντας εικόνων και βίντεο έως τη δημιουργία έργων

τέχνη

ς. Λίγες από αυτές τις δυνατότητες έχουν φτάσει ακόμη στο στάδιο του προϊόντος (περισσότερα για αυτό αργότερα), αλλά η Google τα υπόσχεται όλα —και περισσότερα— κάποια στιγμή στο όχι και τόσο μακρινό μέλλον.

Φυσικά, είναι λίγο δύσκολο να πάρεις την εταιρεία στα λόγια της.

Η Google υποπαρέδωσε σοβαρά με την αρχική κυκλοφορία του Bard. Και πιο πρόσφατα έπληξε τα φτερά με ένα βίντεο που υποτίθεται ότι δείχνει τις ικανότητες του Διδύμου που αποδείχτηκε ότι ήταν βαριά επεξεργασμένες και ήταν λίγο πολύ φιλόδοξες.

Ωστόσο, αν υποθέσουμε ότι η Google είναι λίγο πολύ ειλικρινής με τους ισχυρισμούς της, ορίστε τι θα μπορούν να κάνουν οι διαφορετικές βαθμίδες των Διδύμων μόλις αξιοποιήσουν πλήρως τις δυνατότητές τους:

Gemini Ultra

Η Google λέει ότι το Gemini Ultra — χάρη στην πολυτροπικότητά του — μπορεί να χρησιμοποιηθεί για να βοηθήσει με πράγματα όπως την εργασία της φυσικής, την επίλυση προβλημάτων βήμα προς βήμα σε ένα φύλλο εργασίας και την επισήμανση πιθανών λαθών σε ήδη συμπληρωμένες απαντήσεις.

Το Gemini Ultra μπορεί επίσης να εφαρμοστεί σε εργασίες όπως ο εντοπισμός επιστημονικών εργασιών σχετικών με ένα συγκεκριμένο πρόβλημα, λέει η Google — εξαγωγή πληροφοριών από αυτές τις εργασίες και «ενημέρωση» ενός γραφήματος από ένα δημιουργώντας τους τύπους που είναι απαραίτητοι για την εκ νέου δημιουργία του γραφήματος με πιο πρόσφατα δεδομένα .

Το Gemini Ultra υποστηρίζει τεχνικά τη δημιουργία εικόνων, όπως αναφέρθηκε προηγουμένως. Αλλά αυτή η δυνατότητα δεν έχει φτάσει ακόμα στην παραγωγική έκδοση του μοντέλου – ίσως επειδή ο μηχανισμός είναι πιο περίπλοκος από το πώς οι εφαρμογές όπως το ChatGPT δημιουργούν εικόνες. Αντί να ζητά τροφοδοσία σε μια γεννήτρια εικόνων (όπως το DALL-E 3, στην περίπτωση του ChatGPT), το Gemini εξάγει εικόνες “εγγενώς”, χωρίς ενδιάμεσο βήμα.

Το Gemini Ultra είναι διαθέσιμο ως API μέσω του Vertex AI, της πλήρως διαχειριζόμενης πλατφόρμας προγραμματιστών AI της Google και του AI Studio, του διαδικτυακού εργαλείου της Google για προγραμματιστές εφαρμογών και πλατφορμών. Τροφοδοτεί επίσης τις εφαρμογές Gemini — αλλά όχι δωρεάν. Η πρόσβαση στο Gemini Ultra μέσω αυτού που η Google αποκαλεί Gemini Advanced απαιτεί συνδρομή στο Google One AI Premium Πρόγραμμα, με τιμή 20 $ ανά μήνα.

Το πρόγραμμα AI Premium συνδέει επίσης το Gemini με τον ευρύτερο λογαριασμό σας στο Google Workspace — σκεφτείτε μηνύματα ηλεκτρονικού ταχυδρομείου στο Gmail, έγγραφα στα Έγγραφα, παρουσιάσεις σε Φύλλα και εγγραφές στο Google Meet. Αυτό είναι χρήσιμο, για παράδειγμα, για τη σύνοψη μηνυμάτων ηλεκτρονικού ταχυδρομείου ή τη λήψη σημειώσεων από το Gemini κατά τη διάρκεια μιας βιντεοκλήσης.

Gemini Pro

Η Google λέει ότι το Gemini Pro είναι μια βελτίωση σε σχέση με το LaMDA στις δυνατότητές του συλλογισμού, σχεδιασμού και κατανόησης.

Ένας ανεξάρτητος

μελέτη

Οι ερευνητές του Carnegie Mellon και του BerriAI διαπίστωσαν ότι το Gemini Pro είναι όντως καλύτερο από το GPT-3.5 του OpenAI στον χειρισμό μακρύτερων και πιο σύνθετων αλυσίδων συλλογισμού. Αλλά η μελέτη διαπίστωσε επίσης ότι, όπως όλα τα μεγάλα γλωσσικά μοντέλα, το Gemini Pro παλεύει ιδιαίτερα με μαθηματικά προβλήματα που περιλαμβάνουν πολλά ψηφία και οι χρήστες έχουν βρει πολλά παραδείγματα κακών συλλογισμών και λαθών.

Ωστόσο, οι υποσχεθείσες βελτιώσεις της Google — και η πρώτη έφτασε με τη μορφή του Gemini 1.5 Pro.

Σχεδιασμένο για να αντικαταστήσει το Gemini 1.5 Pro (προς το παρόν σε προεπισκόπηση) έχει βελτιωθεί σε πολλούς τομείς σε σύγκριση με τον προκάτοχό του, ίσως το πιο σημαντικό στον όγκο των δεδομένων που μπορεί να επεξεργαστεί. Το Gemini 1.5 Pro μπορεί (σε περιορισμένη ιδιωτική προεπισκόπηση) να λάβει ~700.000 λέξεις ή ~30.000 γραμμές κώδικα — 35 φορές το ποσό που μπορεί να χειριστεί το Gemini 1.0 Pro. Και — το μοντέλο είναι πολυτροπικό — δεν περιορίζεται σε κείμενο. Το Gemini 1.5 Pro μπορεί να αναλύσει έως και 11 ώρες ήχου ή μία ώρα βίντεο σε μια ποικιλία διαφορετικών γλωσσών, αν και αργά (π.χ., η αναζήτηση μιας σκηνής σε ένα βίντεο διάρκειας μιας ώρας διαρκεί 30 δευτερόλεπτα έως ένα λεπτό επεξεργασίας).

Το Gemini Pro είναι επίσης διαθέσιμο μέσω API στο Vertex AI για να δέχεται κείμενο ως είσοδο και να δημιουργεί κείμενο ως έξοδο. Ένα επιπλέον τελικό σημείο, το Gemini Pro Vision, μπορεί να επεξεργαστεί κείμενο

και

εικόνες — συμπεριλαμβανομένων φωτογραφιών και βίντεο — και εξαγωγή κειμένου σύμφωνα με το μοντέλο GPT-4 του OpenAI με Vision.

Χρήση Gemini Pro στο Vertex AI.

Συντελεστές εικόνας:

Δίδυμοι

Στο Vertex AI, οι προγραμματιστές μπορούν να προσαρμόσουν το Gemini Pro σε συγκεκριμένα περιβάλλοντα και να χρησιμοποιήσουν περιπτώσεις χρησιμοποιώντας μια διαδικασία λεπτομέρειας ή «γείωσης». Το Gemini Pro μπορεί επίσης να συνδεθεί με εξωτερικά API τρίτων για την εκτέλεση συγκεκριμένων ενεργειών.

Στο AI Studio, υπάρχουν ροές εργασίας για τη δημιουργία δομημένων μηνυμάτων συνομιλίας χρησιμοποιώντας το Gemini Pro. Οι προγραμματιστές έχουν πρόσβαση τόσο στο Gemini Pro όσο και στα τελικά σημεία του Gemini Pro Vision και μπορούν να προσαρμόσουν τη θερμοκρασία του μοντέλου για να ελέγξουν το δημιουργικό εύρος της παραγωγής και να παρέχουν παραδείγματα για να δώσουν οδηγίες τόνου και στυλ — και επίσης να συντονίσουν τις ρυθμίσεις ασφαλείας.

Μόλις το Gemini Pro εξέλθει από την προεπισκόπηση στο Vertex, ωστόσο, το μοντέλο θα κοστίζει 0,0025 $ ανά χαρακτήρα ενώ η έξοδος θα κοστίζει 0,00005 $ ανά χαρακτήρα. Οι πελάτες Vertex πληρώνουν ανά 1.000 χαρακτήρες (περίπου 140 έως 250 λέξεις) και, στην περίπτωση μοντέλων όπως το Gemini Pro Vision, ανά εικόνα (0,0025 $).

Ας υποθέσουμε ότι ένα άρθρο 500 λέξεων περιέχει 2.000 χαρακτήρες. Η περίληψη αυτού του άρθρου με το Gemini Pro θα κόστιζε 5 $. Εν τω μεταξύ, η δημιουργία ενός άρθρου παρόμοιου μήκους θα κόστιζε 0,1 $.

Η Ultra τιμολόγηση δεν έχει ακόμη ανακοινωθεί.