[AI书房] 第23章 Gemini与下一代模型
德米斯·哈萨比斯，谷歌人工智能之父
德米斯·哈萨比斯，谷歌人工智能之父
第23章 Gemini与下一代模型
金京镇
位于伦敦的谷歌DeepMind总部灯火通明,从未熄灭。往常显示围棋棋盘或蛋白质结构的监视器,如今被大型语言模型的参数填满。德米斯·哈萨比斯站在窗前,俯瞰伦敦夜景,陷入沉思。
他用一生解决科学难题,但此刻他面对的不是科学问题,而是生存问题。ChatGPT的横空出世拉响了「红色警报(Code Red)」,撼动了谷歌这艘巨轮,连一贯追求纯粹研究的DeepMind也被推到了产品开发的最前线。哈萨比斯必须把这场危机变成机会。
他要做的不是造一个聊天机器人,而是为通往通用人工智能(AGI)铺设跳板。这一成果就是「Gemini」。Gemini的诞生,始于打破谷歌内部的政治壁垒和技术围墙。
长年互为对手的Google Brain团队和DeepMind团队合并为一,这在业界几乎找不到先例。杰夫·迪恩(Jeff Dean)和德米斯·哈萨比斯这两位巨头携手,不只是合并人力,更是一场融合两种截然不同研究文化的实验。哈萨比斯后来回忆道:「我们把各自的长处结合在一起,催生了一个前所未有的新物种(species)。」
项目取名「Gemini」,这个词本义是双子座,象征两个组织的融合,同时致敬NASA为登月而实施的Gemini计划,继承其大胆挑战的精神。Gemini 1.0发布,是谷歌宣告自己登上AI竞技擂台的信号弹。但哈萨比斯真正想展示的,并非文本生成能力。他强调的是人类感知世界的方式,即同时理解和处理文本、图像、音频、
视频的「原生多模态(Native Multimodal)」能力。过去的模型好比一个只学过文字的学生被硬塞着去学画画,而Gemini从出生起就拥有眼睛、耳朵和嘴巴,像一个五感齐全的孩子那样学习。这个差异是决定性的。
Gemini能看一段情绪微妙的视频并读出其中的感情,也能解读复杂的物理学论文图表并推导出新公式,表现出色。技术演进的脚步令人喘不过气。Gemini 1.5 Pro的出现,带来了一场「长上下文(Long Context)」革命。
一次处理100万个token,甚至200万个token,等于赋予AI大象般的记忆力。这意味着它可以瞬间读完数百本厚厚的专业书籍并从中检索特定信息,也能看完一小时的电影后完整地总结内容。哈萨比斯在介绍这项技术时说:「AI不再只看到信息的碎片,而是能俯瞰庞大信息的完整脉络。」
这从根本上改变了律师审阅数万页诉讼卷宗、科学家分析数十年研究数据的方式。Gemini 3.0在哈萨比斯渴望已久的「推理(Reasoning)」和「规划(Planning)」能力上实现了飞跃。它不再是按概率预测下一个词的「随机鹦鹉」,而是能自己思考、经过逻辑步骤找到答案的系统。Gemini 3在解数学难题时会自行验证过程,写代码遇到错误时会自行调试修复。
这是DeepMind当年打造AlphaGo时所用的强化学习技术与大型语言模型结合所产生的协同效应。哈萨比斯看到这些成果后,平静地评价:「我们终于走到了会思考的机器的入口。」这些技术成就反映到了市场上。
Gemini应用和网站月活跃用户(MAU)突破6.5亿,这个数字远不止是一项统计。它表明全球有相当多的人正在绕过谷歌搜索框,直接向Gemini提问。学生为了作业,程序员为了写代码,作家为了寻找灵感,纷纷打开Gemini。
在谷歌生态内,Gemini与Gmail、Google Docs、Google Drive有机联通,成为分析用户数据、自动化事务的个人助理。这说明谷歌凭借强大的基础设施和生态体系,成功反击了OpenAI的ChatGPT所占据的市场。这一路并非一帆风顺。与OpenAI的竞争迫使哈萨比斯时刻保持紧绷。
当萨姆·奥尔特曼发布GPT-4o抢占语音助手市场时,谷歌DeepMind承受着必须拿出更自然、更低延迟实时对话模型的压力。不时传来「谷歌太慢了」「沉醉在过去的辉煌里」之类的批评。图像生成功能中出现的历史事实错误风波,给哈萨比斯和谷歌留下了切肤之痛。
那不只是技术完善度的问题,更促使人们深入思考AI该如何理解社会语境和伦理。哈萨比斯没有辩解,而是坦率地承认:「我们正在学习,会不断修正,打造更负责任的AI。」Gemini系列的历程,是「理解智能」这一使命从抽象的实验室走出,落到全球80亿人掌心上的过程。
他每天清晨起来查看全球用户的Gemini使用日志,看到自己创造的智能在帮某个人写代码,和某个人一起写诗,安慰某个人的孤独。那正是他童年在棋盘上梦想的、作为人类智力延伸工具的AI变为现实的瞬间。Gemini是人类为变得更聪明而造出的、也是哈萨比斯用40年准备的那件最庞大、最复杂的工具。
Gemma:开源轻量模型。德米斯·哈萨比斯办公室的一角摆着一张老旧Apple II电脑的照片。那是他当年自学编程、成为数字世界创造者时所用的机器。哈萨比斯常常回想那段日子,心想如果当时技术被少数企业或研究所垄断,像自己这样的少年绝不可能创建DeepMind。
这段经历深刻影响了他在谷歌内部激烈的「开源之争」中做出关键决定。「我们必须把最前沿的技术与世界共享。
这样才能让第二个、第三个德米斯·哈萨比斯从车库里、宿舍里走出来。」就这样,开源模型「Gemma」诞生了。
「Gemma」这个名字取自拉丁语中「宝石」一词,寓意将珍贵之物交付世界。但谷歌内部反对声不小。
花了几十亿美元研发的核心技术,为什么要免费公开?这不是在给竞争对手做嫁衣吗?哈萨比斯看到的是更大的格局。Meta正通过Llama系列抢占开源生态,谷歌如果只走封闭路线,最终会失去开发者的支持,这是他的战略判断。同时他坚守一条学者信念:科学发现只有被共享,其价值才会呈指数级增长。
Gemma 3的发布,标志着哈萨比斯这一愿景在技术上趋于成熟。Gemma 3不是把Gemini的性能缩水这么简单。DeepMind的工程师们施展了一种魔法:将大模型蕴含的智能精华蒸馏(distillation)到小容器里。
Gemma 3不需要昂贵的服务器级GPU,在普通笔记本甚至移动设备的单块GPU上就能运行。AI研究和应用的门槛被大幅拉低。非洲的初创公司开发者、印度的大学生、韩国的中小企业研究员,都能在断网状态下,在本地设备上跑AI了。Gemma 3还具备多模态能力。
它不只能处理文本,还能看图分析,处理简短的语音指令,预示着边缘设备(Edge Device)上的AI变革。一位在偏远地区做医疗志愿的医生,用搭载Gemma的平板拍下患者患处照片,当场获得辅助诊断,这样的场景已成为现实。哈萨比斯在Gemma发布会上说:「真正的技术民主化,是任何人、在任何地方、不受限制地使用最好的工具。」
这和他创立DeepMind时确立的信条「AI for Science, AI for Everyone」一脉相承。生态圈的反响堪称爆发式。全球超过1300万名开发者下载了Gemma,开始打造自己的应用。
GitHub和Hugging Face上涌现出大量Gemma的衍生模型,有人微调它使其精通某种语言,有人将它改造为法律、
医学、编程等专业领域的定制版本,如雨后春笋般冒了出来。谷歌DeepMind的研究人员看到Gemma被用在自己从未设想过的创意场景中,感到由衷惊叹。有人为视障人士做了屏幕解说器,有人为濒危语言做了翻译工具。
哈萨比斯看到这一幕说:「我们丢出了一颗火种,全世界点燃了一场盛大的烟火。」值得关注的是「搜索AI概览(Search AI Overviews)」技术的扩散。这项技术被嵌入谷歌搜索引擎,借助Gemma的轻量化技术,快速为搜索结果做摘要和整理。
这项技术开源后,无数企业和网站得以轻松地在自家服务中嵌入智能搜索功能,把整个网络生态的用户体验提升了一个台阶。用户不必再逐个点击链接翻找信息,AI整理好的核心内容即刻呈现。
Gemma把原本可能沦为巨头独占品的AI搜索技术,变成了像通用Web标准一样的东西。开源策略当然也伴随风险。恶意用户可能改装模型制造黑客工具或生成假新闻,这类担忧一直存在。
为此,哈萨比斯和DeepMind团队将「负责任的AI(Responsible AI)」工具包随Gemma一同发布。其中包含防止模型生成有害内容的安全机制,以及帮助开发者在伦理准则内使用模型的工具。哈萨比斯选择信任社区的自净能力和集体智慧,而非单纯的技术管控。
他说:「关起门来看似安全,但透明公开、共同监督,长远来看才能建成更安全、更强韧的系统。」这是他用AI时代的语言重新诠释了林纳斯·托瓦兹(Linus Torvalds)的哲学。通过Gemma项目,哈萨比斯展现了超越研究者和企业家身份的一面,成为技术生态的架构师。与其让AI沦为少数人的专属品、走向权力集中的反乌托邦,不如让每个人兜里揣着自己的Gemma,随时扩展自己的智力,迈向「根本性富足」的未来。
1300万开发者创造出1300万种可能,这正是哈萨比斯想「释放智能」后看到的世界图景。Gemma像一颗小而坚硬的宝石,在大模型竞赛中闪烁着另一种形态的胜利光芒。
Project Astra与Project Mariner。2024年5月,加州山景城海岸线露天剧场(Shoreline Amphitheatre)。Google I/O主题演讲的大屏幕播出一段视频,台下数千名观众屏住了呼吸。视频中,一位用户打开手机摄像头,在办公室里边走边和AI对话。他问「这个音箱的发声部分在哪儿?」AI精准地指向高音单元。他把镜头对向窗外问「那是什么地方?」AI识别出位置信息,回答:「伦敦国王十字。」用户想不起眼镜放哪儿了,AI说:「你刚才放在那边书桌上,红苹果旁边。」这不是科幻电影『她(Her)』里的镜头,而是德米斯·哈萨比斯领导的DeepMind推出的野心之作「Project Astra」的演示。
Project Astra是哈萨比斯长久以来梦想的「通用AI助手」蓝图。他相信,AI不该被困在聊天框里做一个文本生成器,它应当像人一样看、听、记忆。
Astra具备实时理解和处理视频流的能力。这是突破巨大技术难关后才实现的,因为必须把视觉信息转化为语言信息的延迟(latency)压缩到接近零。
哈萨比斯充分运用了自己神经科学家的背景。他以人脑处理视觉信息并做出反应的速度为基准,让Astra能像和人对话一样自然地进行乒乓式交流。Astra的核心是「记忆(Memory)」和「上下文(Context)」。
Astra不只识别当前看到的东西,还记住刚才看过的、和用户聊过的全部上下文。这等于赋予AI时间概念。哈萨比斯说:「真正的助手,不需要主人每次从头解释就能主动打理一切。
Astra会替你记住你的目光曾落在哪里、你漏掉了什么,成为你的第二个大脑。」这是AI从工具(Tool)进化为伙伴(Partner)的一个关键转折点。如果说Astra是理解物理世界的尝试,那么「Project Mariner」就是征服数字世界的尝试。
哈萨比斯认定,我们一天中大部分时间所处的网页浏览器,才是AI最该施展身手的舞台。Mariner是一个运行在Chrome浏览器上的自主代理。「帮我订下周去东京出差的
机票和酒店,整理一份餐厅清单放进日历。」只需这一条指令,Mariner就会自行访问旅行网站比价、完成预订、搜索地图规划路线。人只需审批最终结果即可。Mariner的出现正在改写人机交互(HCI)的历史。过去我们必须亲手点击鼠标、敲击键盘。
而Mariner是AI亲自移动鼠标、输入键盘的「行动型AI(Actionable AI)」。DeepMind团队为此让模型学习了数百万小时的网页浏览数据。AI学会了像人一样,甚至比人更快更准地完成购物网站的复杂支付流程、政府网站的繁琐表单填写。
哈萨比斯将此比喻为「把一位能干的领航员(Mariner)送给每一个在互联网这片信息海洋中航行的人」。这一技术愿景引出了一个出人意料的重磅合作:与苹果(Apple)的联手。
谷歌的Gemini将在iPhone的Siri背后运行,这一消息令全世界沸腾。这是一次超越硅谷旧有竞争格局的务实联盟。苹果需要强大的云端模型来突破端侧AI的瓶颈,谷歌需要一条通道让Gemini触达全球20亿部iPhone用户。
对哈萨比斯而言,这次合作是AGI技术走向大众的关键落子。人们将拿着iPhone,用Astra的眼睛看世界,用Mariner的手浏览网络。哈萨比斯通过Project Astra和Project Mariner预见,AI的未来将是一种「无感存在(Ambient Presence)」。
就像电影『钢铁侠』里的贾维斯,平时看不见,但需要时随时出现帮你解决问题。那是技术高度发达到与魔法无法区分的阶段。他总是对DeepMind的工程师们强调:「我们不是在做产品,我们是在设计未来的生活方式。」Astra和Mariner,就是通往那个未来的时间机器。
Gemini 2.0
人工智能专家 金京镇律师
AI法律政策专家 · 前国会议员 · 著作等身
如果这本书曾在您身边短暂停留，请支持我们，让下一个故事得以问世。
（自愿赞助账户：韩国农协银行 302-1096-0948-81 户名：金京镇）