没有精心准备的发布会，没有声势浩大的宣传，凭借一篇博客文章、一份技术报告，全球大模型的格局可能又一次被改变。
当地时间 12 月 6 日，Google 发布三个版本的多模态大模型 Gemini（双子座），其中的 Gemini Ultra 版本对标最强大模型 GPT-4。Google CEO 桑达尔·皮查伊（Sundar Pichai）说：“这是我们迄今为止功能最强大、最通用的模型，在许多领先的基准测试中都领先。”
Gemini Ultra，参数规模最大、效果最好。Google 没有透露具体参数量，业内人士估计超过了万亿。性能对标 GPT-4 的大模型。
Gemini Pro，参数比 Ultra 版本少，优化推理成本，是 Google 在内部部署、对外提供服务的主力版本。现在已经应用于 Google 聊天机器人 Bard。
Gemini Nano，专门为移动设备训练的模型。针对不同内存的设备，训练了两个版本，参数量分别是 18 亿和 32.5 亿。
相比新模型在一些评测指标上追平甚至超过 GPT-4，Google 训练这个大模型的过程和方法，也许对整个大模型行业的影响更大。
作为由 Google 自研 TPU v4 和 TPU v5e 训练出来的大模型，三个版本的 Gemini 各有侧重，共同打破了之前的局限 —— 挑战 OpenAI 的同时，还有可能撼动英伟达在 AI 芯片的垄断地位。
Gemini Ultra 让 Google 进入大模型第一梯队
按照 Google 的说法，Gemini Ultra 在 30 项大模型能力测试中超过此前最强的大模型 GPT-4，在检验大模型数学、历史、物理、法律等 57 个学科知识水平的 MMLU 测试中评分达到 90%，是第一个超过人类专家的模型。
Gemini Ultra 在多项测评中超过了 GPT-4。左图是文本能力，右图是图片、视频、音频能力。图片来自 Google。
Google CEO 皮查伊用一段绘画视频展示了 Gemini Ultra 不同维度下的理解能力。当真人一边画鸭子一边与之说话时，大模型可以理解人类的每一步在做什么，并精确地说出来。
比如给鸭子涂蓝色的时候，大模型会说 “鸭子看上去是蓝色的”，接着在没有接受新提示指令的情况下，指出蓝色鸭子不常见。
但这个最强版本的 Gemini 要到明年才会向公众开放，它的真实效果能否超过 GPT-4 还有待验证。桑达尔·皮查伊在接受采访时解释，花更多时间是为了严格的安全测试，并挖掘它真正的功能。此前 OpenAI 训练完 GPT-4 后，花了半年时间做类似的事情。
另外两个参数更小版本的大模型已经以不同形式发给用户和开发者。Android 开发者已经能在 Google 的手机 Pixel 8 Pro 上使用 Gemini Nano 开发应用；Pixel 8 Pro 用户也可以用它总结录音纪要等。
同时，Google 把自己聊天机器人 Bard 背后的模型从原来的 PaLM 2 换成了 Gemini Pro。一些开发者测试后发现，效果虽然比原来的版本更好，但与 GPT-4 相比有不小的差距，甚至一些人说它只是 GPT-3.5 的水平。
看着 Google 的最新成果，人工智能领域专业人士和局外的华尔街多少有些淡漠。一些人工智能专家都没有像看到 GPT-4 时那样，感叹技术有了如此大的进步，而只是说 Google 回来了。在他们看来 Google 早该做到这些。
这似乎可以用来解释为什么 Google 盘后股价跌幅（0.74%）超过了纳斯达克指数。不过，这已经比它们年初发布聊天机器人 Bard 时好了 —— 那一次 Google 股价重挫 7.4%。
在人工智能浪潮中，Google 一直处于独特的位置。它是最早研究人工智能、也是技术实力最强的公司之一，拥有许多人工智能底层技术的专利。在 Google 的技术报告中，署名的 Gemini 贡献者有 837 人，比 OpenAI 整个公司的人（770）都多。
它也是世界上最大的互联网公司，每天服务数十亿人。它拥有的 Andriod 能直接影响全球 30 多亿人使用的手机。它比其他公司都更有能力收集海量的数据，不仅是文本，还有视频（YouTube）。
在基础设施层面，它已经研发人工智能芯片八年，很快将拥有世界上最多的人工智能算力。OpenAI 成立的原因之一，就是为了阻拦强大的人工智能只落在 Google 手中 —— 联合微软、英伟达，OpenAI 阶段性实现了这一目标。
Google 在云计算之后，再一次起了个大早、赶了个晚集。不过，它现在也有机会展示人工智能芯片的新选择：不用顶级 GPU，也可以训练出顶尖的大模型。
用自研 TPU 训练出顶级大模型，挑战英伟达
这次发布会上，Google 还带来新款 AI 芯片 TPU v5p，据称训练效果是上一代产品 TPU v4 的两倍。
只看单颗芯片性能，Google 训练出 Gemini Ultra 的芯片 TPU v4、TPU v5e，比不上英伟达的旗舰芯片 H100，各项性能指标最多只有英伟达三年前发布的 A100 的六成。
而且仅凭单个芯片或几十个芯片，已经很难训练参数规模动辄数十亿、上千亿甚至万亿的人工智能模型。据芯片研究机构 Semianalys 的首席分析师迪伦·帕特尔（Dylan Patel）估算，OpenAI 去年训练 GPT-4 动用了 2.5 万颗 A100 芯片，耗时三个多月。
Google 擅长把上千块 AI 芯片连接在一起，组成一个强大的算力平台。它 2015 年开始自研芯片，两年后就发布了 TPU 组建的训练集群（Pod），供庞大的内部业务（YouTube、Gmail、Google Map、Android）使用，一直迭代到现在。
“对于人工智能基础设施而言，系统能力比微架构更加重要。” 帕特尔说。Google 并没有公布训练 Gemini 动用了多少 TPU，只是强调动用了不只一个集群，甚至不止一个数据中心。
一个 TPU v4 集群最多有 4096 块芯片。帕特尔估计，Gemini 的 1.0 版本使用了 14 个 TPU v4 集群，耗费算力已经超过 GPT-4；而基于 TPU v5p 集群的 Gemini 的迭代版本（预计今年底完成预训练），消耗的算力可能是 GPT-4 的 5 倍。
原本受芯片、训练集群之间数据传输的带宽、甚至是宇宙射线影响（高能粒子穿透大气层，会影响芯片性能），利用大量芯片训练单个模型会提高故障率，硬件利用率也会大打折扣。但 Google 可以靠着更强的基础软件研发能力，尽可能让每个芯片都发挥作用。
Google 在技术报告中介绍如何训练 Gemini 时，一段话提及了三个训练框架——TensorFlow（其中的 XLA）、JAX、Pathways，都是 Google 自研的。
今年 11 月，腾讯机器学习平台部总监陶阳宇在一场技术交流会上透露，主流的开源框架动用大量芯片训练大模型时，硬件利用率只有 26%。同样的条件下，基于腾讯自研的 AngelPTM 框架训练大模型，利用率可以提高到 53%。
虽说英伟达一直自称软件公司，并投入数千名工程师优化 CUDA 等基础软件，但在大模型领域，Google 围绕 TPU 软硬件集成能力，可能更胜一筹。毕竟大模型的基础技术，如 Transformer，也是出自 Google。
Google 新发布的 TPU v5p ，算力性能大约是 H100 的一半，内存略高，带宽略低，单个集群容纳芯片的规模，达到 8960 块。“直到最近，许多组织训练大模型、用它提供大规模服务，仍然过于复杂、昂贵。”Google 云高管阿明·瓦赫达（Amin Vahdat）说，“借助 TPU v5p，可以让他们更划算地利用人工智能。”
短时间内，Google 想在单颗芯片性能上超过英伟达可能不太现实。但对于 Goolge 来说，通过软硬件高度集成能力，做出来一个能替代英伟达、不再给它交税的方案，已经就算成功。
当竞争对手们苦于买不到足够多的英伟达 GPU 时，Google 通过自研带来的算力资源不仅能让它更快地迭代大模型，还有机会通过出售硬件获取更多收入。它们宣称 Salesforce 和 Lightrick 等客户已经在使用 Google Cloud 的 TPU v5p 超级计算机来训练大模型。
多年来 Google 人工智能产品的研发和上线，要比小公司更多考虑法律和社会舆论风险，所以看起来异常保守，这也是不少 Google 员工认为 OpenAI 能抢先推出 ChatGPT 的原因之一。
面对着 OpenAI 和微软联盟的强劲攻势，Google 快速行动，整合习惯单打独斗的 Google AI 和 DeepMind，并开始推迟对外公开最新的研究成果，试图把原本失去的优势补回来——错失了云计算时代的 Google，已经很难接受自己在人工智能时代落后。
在 Gemini 技术文档中和公开发言中，Google 高管多次强调目前只是 1.0 版本，明年还会发布更先进的大模型。
今年早些时候，皮查伊被问到 “没抢在 ChatGPT 前发布 Bard，你错过什么”。他给了个大公司 CEO 的标准回答，Google 不是第一个做出搜索引擎，也不是第一个做出浏览器，“有时候成为第一很重要，但有时候无关紧要。” 他认为，只要不断改进产品，实现更好的功能，后发也能先至。
现在，皮查伊接受采访时，问题变成了 “你们通过 GPT-4 学到了什么？” 他的回答是：“现在远不是零和游戏，人工智能影响巨大，我们还处于很早期的阶段。前方充满机遇。”
来源：晚点LatePost （ID：postlate），作者：贺乾明、邱豪，编辑：龚方毅