2024年12月11日，Google 推出了其AI模型家族的最新成员——Gemini 2.0，首先亮相的是实验版本 Gemini 2.0 Flash。
Gemini 2.0 Flash 的特点
- 多模态处理能力：Gemini 2.0 Flash 是一个能够生成文本、图像和语音的多模态AI模型，可以处理多种类型的输入，包括文本、图像、音频和视频。这使得它在功能上类似于OpenAI的GPT-4o等先进模型。
- 性能提升：根据Google的声明，Gemini 2.0 Flash 建立在其前代产品1.5 Flash的成功基础上，不仅保持了快速响应的特点，还在关键基准测试中实现了两倍于1.5 Pro的速度提升。这表明新模型在效率和速度方面都有显著的进步。
- 参数规模：尽管是2.0系列中最小的模型，Gemini 2.0 Flash 依然展现了强大的性能，体现了Google在优化模型架构方面的努力。
发布与访问
Gemini 2.0 Flash 已经通过Google的开发者平台如Gemini API、AI Studio和Vertex AI向公众开放。然而，对于图像生成和文本转语音等功能，Google将这些功能限制为仅对早期访问合作伙伴开放，直到2025年1月。
安全措施
为了应对AI生成内容可能被滥用的问题，Google引入了SynthID水印技术，应用于所有由Gemini 2.0 Flash创建的音频和图像上。这项技术旨在帮助识别AI生成的内容，从而减少潜在的误用风险。
代理AI系统
Google CEO Sundar Pichai强调了公司在开发更具代理性的AI模型上的投资，这些模型能够更好地理解周围环境，提前思考，并在用户的监督下采取行动。Gemini 2.0 Flash正是为这个新的代理时代设计的，代表了AI技术的一个重要进步。
实际应用展示
- Project Astra：这是一个适用于Android手机的视觉AI助手原型，现已更新以支持多语言处理，使用Google搜索和地图服务，并能记住长达10分钟的对话。
- Supercell 合作项目：Google正与游戏开发商Supercell合作，开发能够理解游戏玩法并提供实时建议的AI代理，这一合作展示了AI在游戏领域的潜力。
- Project Mariner：这是Chrome浏览器的一个新扩展原型，它可以通过理解屏幕内容和浏览器元素，帮助用户以代理方式完成基于网络的任务。
- Jules：针对开发者，Google推出了Jules，一个在GitHub工作流中工作的实验性AI编码代理，帮助开发者规划和执行编程任务。
- Multimodal Live API：Google的新API支持创建具有实时音频和视频流功能的应用程序，同时支持自然对话模式，如打断，以及与外部工具的集成。
展望未来
Google明确表示，Gemini 2.0 仍然是一个正在进行中的工作，公司将根据受信任的测试者的反馈逐步推出更新、更大的模型和增强功能。随着技术的不断演进，我们可以期待这些新功能在未来得到更广泛的应用。