Google发布最强AI模型：Gemini，整理了15个视频，一起来体验下它如何像人一样看、听、...

昨天深夜，Googe发布了最新、最强的AI模型：Gemini（双子座），它可以像人一样地实现看、听、说。

真的有这么神么？DD看了一些国内的报道，觉得还不够过瘾。所以，直接去找了一下Google官方介绍，一共有15个视频。

随性直接全都下载下来，然后顺手做了翻译+配音，感兴趣的小伙伴可以继续往下看，直观的感受Gemini所拥有的强大能力！

# 1. Gemini：Google最新最强的AI模型

"Gemini是Google最新和最强大的AI模型，它是一个跨模态的、真正通用的AI模型，可以无缝地处理文本、视觉、音频、图像和视频等多种输入和输出，具有超过其他模型的卓越性能，对于解决复杂任务和提供世界各地用户更多的信息访问具有巨大潜力。Google致力于在AI领域取得突破，同时也关注安全和责任，确保Gemini的使用是安全且负责任的。"

00:00 Gemini是谷歌最新、最强大的AI模型，可以跨多种模态进行对话和提供最佳响应。

• Gemini是谷歌的最大和最强大的模型。
• Gemini是全球首个真正的多模态AI模型。
• Gemini可以无缝地在多种模态之间进行对话，并提供最佳响应。

01:27 Gemini是谷歌最新、功能最强大的AI模型，它可以理解我们周围的世界，吸收各种类型的输入和输出。

• Gemini不仅可以处理文本，还可以处理代码、音频、图像和视频。
• 在多个测试领域中，Gemini表现出色，与最优秀的专家相媲美。
• Gemini将提供三种规模的模型，分别是Gemini Ultra、Gemini Pro和Gemini Nano，以满足不同任务的需求。
• 谷歌希望提供最好的基础构建模块，开发者和企业客户可以进一步改进Gemini模型，潜力几乎无限。

02:53 Google DeepMind在Gemini中注重安全和责任，通过制定政策、测试和预防来防止AI带来的潜在伤害。

• 要考虑图像和文本的组合可能带来的冒犯或伤害。
• Gemini是谷歌在AI领域的重要突破之一。
• Google希望通过Gemini让AI对全世界的每个人都有帮助。

# 2. Gemini: 注重安全和责任

谷歌DeepMind团队在开发Gemini AI系统时注重安全和责任，特别对于多模态能力引入新的问题时，他们制定了积极的政策和适应多模态能力的独特考虑，以测试新的风险，并解决偏见和有毒性的问题。他们还与MLCommons等组织合作开发广泛的基准测试，并通过SAIF等框架创建跨行业合作，以从工业界和其他专家中学习，以更好地满足人们和整个社会的需求。

00:00 Gemini是我们开发的最强大的AI系统，但安全和责任必须从一开始就内置。

• 当系统变得更加强大时，图像、音频、视频等多模态能力也会引发新的问题。
• 从图像到文本的转换引入了新的上下文挑战。
• 我们制定积极的政策，并根据多模态能力的独特考虑因素进行调整。
• 这使我们能够测试新的风险，如网络安全性和偏见以及有害性的考虑。

00:52 安全和责任是Gemini的核心，他们通过内部和外部评估以及与其他组织合作来确保模型的性能和社会效益。

• 外部评估包括红队演练和专家建议。
• 与MLCommons等组织合作开发广泛的基准测试。
• 通过SAIF等框架创建跨行业合作。
• 从行业和专家中学习并将其融入到Google的责任实践中。

# 3. 与Gemini进行一系列的交互操作

本视频展示了与Gemini进行的一系列交互操作，Gemini是一款多模态人工智能模型，可以分析图片、回答问题和提供游戏建议等功能。通过与Gemini的互动，展示了它的图像识别和语义理解能力。Gemini还展示了针对不同挑战的情景应对能力，并演示了与Gemini进行游戏和艺术创作的互动过程。

00:00 Gemini是一个多模态的AI模型，可以通过分析图像来识别物体，并提供相关信息。

• Gemini可以识别图像中的物体并描述其特征。
• 在视频中，Gemini成功地识别了一只鸟和一只蓝色的鸭子。
• Gemini提到了蓝色的鸭子不太常见，但也存在。

01:38 Gemini向观众介绍了普通话的发音以及一个猜地名的游戏。

• 普通话有四个音调，第一个音调是高而平稳的。
• Gemini提出了一个叫做“猜地名”的游戏。
• Gemini通过描述和表情向观众提示答案。

03:19 Gemini展示了一些对比和选择题，包括食物、颜色、动物、方向和物体的特性。

• 存在对比的对象有：橙子和饼干、红色和绿色的线、猪和章鱼、左边的鸭子和右边的熊、左边的朋友和右边的敌人、左边的太阳和右边的土星、左边的车和右边的车。
• Gemini给出的选择答案有：橙子更健康、用红色和绿色的线编织、选择红色的心形蛋糕、选择左边的鸭子、选择左边的朋友、选择太阳、选择右边的车。
• Gemini还解释了一些物体的特性，如橙子和饼干是圆而平的、红色和绿色的线可以用来编织、右边的车比左边的车更快。

04:46 Gemini展示了多模态AI的交互方式。

• Gemini通过对话与用户互动，回答问题和提供信息。
• Gemini能够识别绘画，并根据用户的绘画添加音乐和声效。
• Gemini还能描述用户的绘画并赞美其创作。

# 4. Gemini: 90秒内，了解你应该知道的内容

Gemini是谷歌最大最强大的模型，可以理解文字、代码、音频、图像和视频，能够帮助搜索和提取信息；AlphaCode2是由Gemini驱动的新模型，可以解决几乎两倍于之前AlphaCode的问题；Gemini将以三个版本推出，分别为高度复杂任务的Gemini Ultra、广泛任务的Gemini Pro和设备上任务的Gemini Nano。

00:00 Gemini是谷歌最大且最强大的模型，能够理解文字、代码、音频、图像和视频。

• Gemini被用于搜索大量科学论文，找到关键信息。
• AlphaCode2是由Gemini驱动的，比原始AlphaCode解决的问题多近一倍。

00:45 Gemini将以三种尺寸推出：Gemini Ultra、Gemini Pro和Gemini Nano。

• Gemini Ultra是最大和最强大的模型，适用于高度复杂的任务。
• Gemini Pro是性能最佳的模型，适用于广泛的任务。
• Gemini Nano是最高效的模型，适用于设备上的任务。

# 5. Gemini: 解锁出色的科学理解能力

通过Gemini，科学家可以搜索并提取科学文献中的关键信息，从而更高效地进行研究。Gemini具有出色的科学理解能力，能帮助科学家在海量文献中过滤和提取数据。这种技术的应用不仅仅局限在生物学和科学领域，还可以推广到依赖大规模数据的其他领域。

00:00 科学家面临的一个常见问题是需要从科学文献中找到并使用提取的数据，他们使用Gemini来帮助解决这个问题。

• 科学家需要手动搜索成千上万篇科学论文以找到关键信息并手动提取。
• Gemini具有出色的科学理解能力，可以帮助科学家快速过滤和识别相关的科学论文。
• Gemini还可以根据预设的提示来阅读论文，帮助科学家更新数据集。

01:17 Gemini能够从科学文献中提取关键数据，并更新图表。

• Gemini能够从大量文献中提取关键信息。
• Gemini可以通过更新数据集来更新图表。
• Gemini的功能不仅限于生物学或科学领域，还可以扩展到依赖大型数据集的任何领域，如法律或金融。

# 6. Gemini: 多模态推理能力，理解和推导用户意图

这个视频展示了Gemini的多模态推理能力，能理解和推导用户意图，并生成超越聊天界面的定制化用户体验；Gemini通过一系列推理步骤，从宏观决策到逐步细化推理，最终生成代码和数据，以创建定制化的界面；Gemini通过生成不同的界面和提供多种选项，帮助用户探索和获取信息。

00:00 Gemini通过多模态推理能力了解和推理用户意图，生成定制用户体验。

• Gemini通过问题和回答交互生成一个定制界面来帮助用户探索想法。
• Gemini使用一系列的推理步骤，从宽泛的决策到越来越高分辨率的推理，最终得到代码和数据。
• Gemini通过写产品需求文档来规划体验的功能。

01:42 Gemini根据用户意图生成定制体验，通过设计界面、编写代码和生成数据来实现。

• Gemini根据用户喜欢探索选项和深入细节的意愿，设计了列表和详细布局。
• 它通过编写Flutter代码来构建界面，并编写所需的功能。
• Gemini生成并检索渲染所需的数据，并填充内容和图像。

# 7. Gemini: 全面理解和处理音频信号

Gemini是一种可以处理原始音频的模型，通过其多模态能力，能够全面理解和处理音频信号，从而使得语音转录更加准确和细致。Gemini可以正确区分发音方式以及对话内容，并能结合视觉和文本信息来全面理解语境，使得模型在多种情境下都能提供准确的回应和帮助。

00:00 Gemini能够直接处理原始音频信号，识别发音和语调的细微差别。

• 传统的语言模型会通过将音频转换为文本来处理音频，但这样会丢失很多细节。
• Gemini可以直接处理原始音频信号，识别发音和语调的细微差别。
• Gemini能够正确区分不同的发音方式，确保正确性。

01:51 Gemini具备多模态功能，可以处理和理解音频、视觉和文本信息。

• Gemini可以理解对话内容，不仅仅是一个转录模型。
• Gemini可以同时处理音频、视觉和文本信息。
• Gemini可以根据指令提供烹饪建议。

# 8. Gemini: 具备理解、解释、生成正确且高效代码的能力

Gemini是用于竞技编程的AI系统，具备理解、解释和生成正确和高效编程代码的能力；其改进后的版本AlphaCode2在竞技编程中表现出色，比85%的参赛者更优秀；AlphaCode2展示了将AI模型与人类程序员合作的未来编程范式。

00:01 Gemini是一个能够理解、解释和生成正确且写得好的代码的模型，特别适用于竞技编程。

• Gemini在Python中能以第一次尝试解决约75%的编程问题，而之前的PaLM 2模型只有约45%。
• 如果允许Gemini检查和修复自己的答案，这个数字可以跳到90%以上。
• Gemini可以在几秒钟内帮助你创建和原型化新的想法。
• Gemini还可以作为更复杂系统的关键组件部署。

01:38 Gemini介绍了AlphaCode2，一种性能大幅提升的AI系统，它能够解决比85%的竞争对手更多的问题。

• AlphaCode2在同一平台上解决的问题几乎是AlphaCode的两倍。
• AlphaCode2使用了动态规划技术来解决复杂问题。
• 动态规划是一种将复杂问题分解为较简单子问题的高级算法技术。

03:17 AlphaCode在竞争性编程中表现出色，能够理解问题、推理设计代码解决方案，并与人类程序员合作提高性能。

• 竞争性编程不仅仅是实现代码，还涉及理解、数学、计算机科学和编码。
• AlphaCode需要展示一定的理解和推理能力，才能解决之前从未遇到过的问题。
• 与人类程序员合作可以显著提高AlphaCode的性能。
• Gemini模型将逐步引入AlphaCode的独特能力，以实现这种新的编程范式。

# 9. Gemini: 用数学和物理知识解释原因

Gemini是一个能帮助学习数学和物理推理的工具，可以通过上传手写答案的照片，识别并解答问题，并解释出错的地方并给予更多细节解释，还能提供个性化的联系题目以巩固学习。

00:00 Gemini可以通过上传照片解决数学问题并解释其中的概念。

• Gemini可以上传手写答案的照片，并解决这些问题。
• Gemini可以识别出问题的错误，并解释需要更多澄清的概念。
• Gemini指出了问题1和问题3的错误，包括计算高度的错误。

01:03 Gemini可以提供针对复杂问题的逐步解决方法，并根据错误提供个性化的练习题。

• Gemini可以理解复杂问题并提供定制化的解释。
• 如果想要学到更多知识，可以向Gemini提问。
• Gemini会根据错误提供个性化的练习题。

# 10. 测试Gemini: 发现图像间的相似性

基于Gemini的多模态模型，能够发现图像间的相似性，不论是建筑和绘画作品，月亮和高尔夫球还是斑马的条纹，Gemini都能找到它们之间的联系。

00:00 Gemini测试：寻找图片之间的联系

• Gemini成功找到了Bosjes教堂和Hokusai的印刷品之间的联系
• Gemini描述了图片之间的相似之处
• 下一个测试是月亮和高尔夫球之间的联系

00:30 Gemini测试：寻找联系

• 在视频中展示了通过Gemini进行视觉理解的几个例子。
• 通过Gemini，可以识别图像中的物体并进行文字描述。
• Gemini还可以回答一些有关图像内容的问题。

# 11. 测试Gemini: 猜出电影名字

Gemini多模态模型可以猜出一些电影的名字，根据影像和玩弄言词的提示；甚至可以回答一些复杂的问题，虽然有些出人意料。

00:00 Gemini多模态模型可以猜测一些电影。

• Gemini成功猜出了"The Breakfast Club"、"Breakfast at Tiffany's"和"Uncut Gems"这几部电影的名字。

00:30 在这个部分，通过猜测电影的名字，对Gemini进行了测试。

• 猜对了电影Goldfinger、The Wizard of Oz、Moonrise Kingdom。
• 最后一个电影Moonrise Kingdom对于猜测来说有点复杂。
• 猜错了电影Bottle Rocket、Forest Gump。

# 12. 测试Gemini: 理解和使用Emoji Kitchen创建的一些非常规图像

本视频测试了多模型Gemini是否能够理解使用Emoji Kitchen创建的一些非常规图像，Emoji Kitchen允许将不同的表情符号组合在一起以创建新的表情符号，并以此来测试Gemini能否猜出这些新的表情符号，并解释其视觉细节，并给出名称和简短标语，最后测试得出的结果非常有趣且创意。Gemini非常有潜力，值得关注。

00:00 Gemini测试：Emoji Kitchen

• Emoji Kitchen可以通过组合不同的表情符号来创建新的表情符号
• 通过将鬼魂和鳄梨组合在一起，可以创建一个新的表情符号
• Gemini成功猜出了这个新的表情符号
• Gemini还能解释它使用的视觉细节

00:35 Gemini测试：Emoji厨房

• 提到了几个不同的Emoji组合名称和标语。
• 提到了几个测试结果，包括Party Ghost、RoboBunny和Mushy。
• 鼓励了解更多关于Gemini，并期待更多的测试。

# 13. 测试Gemini: 理解着装

通过简单测试，我们的多模态模型Gemini可以理解着装，甚至能够开玩笑地为每套衣服编写专有名词，例如“月球核心”。

00:00 Gemini模型能理解服装，首先测试了一件棉袄和一件晚礼服。

• 棉袄适合在寒冻的荒原保暖。
• 晚礼服的颜色适合与冰川融为一体。
• 提到了星际旅行。

00:22 Gemini测试：试穿检查

• Gemini有幽默感
• 称呼这套装备为“月球核心”
• 期待更多视觉测试的更新

# 14. 测试Gemini: 将图像转换为代码

演示了使用多模型的Gemini能否将图像转换为代码，通过选择图像的一部分并询问Gemini，将该图像转换为SVG格式，Gemini效果不错；接着测试了更困难的任务，让Gemini使用JavaScript生成交互式演示，结果Gemini提供了实际代码和操作滑块的功能，非常酷；期待更多的编码实验！

00:00 Gemini可以将图像转换为代码，并能够生成SVG和JavaScript交互式演示。

• Gemini可以将图像转换为SVG。
• Gemini可以生成JavaScript交互式演示。

00:34 Gemini可以将图像转化为代码，并提供了一个滑块来改变和移动分形树。

• 使用常见的分形树算法来实现。
• 提供了滑块来改变和移动分形树。
• 提供了实际的代码。
• 更多编码实验即将推出。

# 15. 测试Gemini: 理解环境

通过测试Gemini模型，在只使用中文的提示下，它能够理解环境，并提供准确的答案。

00:00 Gemini通过观察照片中的光照判断公寓朝向，并确定植物的光照需求。

• Gemini通过光照判断，说公寓朝南。
• Gemini说这是一种蛇株植物。

00:37 Gemini通过了解环境并判断出餐厅更适合种植这种植物。

• Gemini通过了解环境，判断出餐厅朝北，光线较暗，更适合种植这种植物。

是不是很强大呢？你觉得Gemini和OpenAI比起来，哪个更强大呢？