گوگل جمینی (Gemini) چیست؟

گوگل تازه‌ترین و قدرتمندترین مدل هوش مصنوعی خود را منتشر کرده است، اما قابلیت‌های آن چیست؟
جمینی که قبلاً با نام بارد شناخته می‌شد یک مدل هوش مصنوعی جدید و پیشرفته از گوگل است که توانایی درک متن، تصویر، ویدئو و صدا را دارد. به عنوان یک مدل چند رسانه‌ای، جمینی قادر به انجام وظایف پیچیده در ریاضیات، فیزیک و سایر زمینه‌ها معرفی شده است، همچنین می‌تواند کد با کیفیت بالا در زبان‌های برنامه‌نویسی مختلف را درک و تولید کند.
در حال حاضر این مدل از طریق ادغام با گوگل بارد (Google Bard) و گوگل پیکسل ۸ (Google Pixel 8) در دسترس است و به تدریج در دیگر خدمات گوگل گنجانده خواهد شد.

دنیس هاسابیس، مدیرعامل و از بنیانگذاران Google DeepMind، بیان کرده که «جمینی حاصل تلاش‌های گسترده و همکاری تیم‌های مختلف گوگل، از جمله همکاران ما در Google Research است. جمینی از پایه و اساس برای یک مدل چندوجهی بودن ساخته شده است و به این معناست که می‌تواند به طور کلی درک کند، به صورت ناپیوسته عمل کند و انواع مختلفی از اطلاعات از جمله متن، کد، صوت، تصویر و ویدئو را درک و ترکیب نماید.»

جمینی توسط Google و Alphabet، شرکت مادر گوگل، ایجاد و به عنوان پیشرفته‌ترین مدل هوش مصنوعی تا به امروز این شرکت منتشر شد. Google DeepMind نیز سهم قابل توجهی در توسعه جمینی داشته است.

Google، جمینی را به عنوان یک مدل انعطاف‌پذیر توصیف می‌کند که قادر به اجرا روی همه چیز، از مراکز داده گوگل گرفته تا دستگاه‌های تلفن همراه است. به منظور دستیابی به این قابلیت مقیاس‌پذیری، جمینی در سه اندازه منتشر می‌شود: جمینی نانو، جمینی پرو و جمینی اولترا.

جمینی نانو برای اجرا روی گوشی‌های هوشمند، به خصوص گوگل پیکسل ۸، طراحی شده است. این مدل برای انجام وظایف روی دستگاه است که نیازمند پردازش موثر AI بدون نیاز به اتصال به سرورهای خارجی است، مانند پیشنهاد پاسخ‌ها در درون برنامه‌های چت یا خلاصه‌سازی متون.

جمینی پرو که روی مراکز داده‌ی گوگل اجرا می‌شود، برای به کارگیری در جدیدترین نسخه‌ی چت‌بات AI شرکت، یعنی بارد، طراحی شده است. این مدل قادر به ارائه‌ی زمان پاسخ‌دهی سریع و درک پرسش‌های پیچیده است.

گرچه جمینی اولترا هنوز برای استفاده‌ی گسترده در دسترس نیست، اما گوگل آن را به عنوان تواناترین و پیشرفته ترین مدل خود توصیف می‌کند که در ۳۰ معیار از ۳۲ معیار پرکاربرد دانشگاهی مورد استفاده در تحقیق و توسعه مدل زبان بزرگ (LLM)، فراتر رفته است. این مدل برای وظایف بسیار پیچیده طراحی شده و قرار است پس از اتمام فاز کنونی آزمایش‌هایش، منتشر شود.

جمینی اکنون در محصولات گوگل در اندازه‌های نانو و پرو، مانند تلفن همراه پیکسل ۸ و چت‌بات بارد، موجود است. گوگل قصد دارد با گذشت زمان جمینی را در خدمات جستجو، تبلیغات، کروم و سایر سرویس‌های خود ادغام کند.
توسعه‌دهندگان و مشتریان شرکتی از تاریخ ۱۳ دسامبر می‌توانند از طریق API جمینی در Google’s AI Studio و Google Cloud Vertex AI، به جمینی پرو دسترسی پیدا کنند. توسعه‌دهندگان اندروید نیز به جمینی نانو از طریق AICore دسترسی خواهند داشت که بر پایه‌ی پیش‌نمایش زودهنگام در دسترس خواهد بود.

به نظر می‌رسد مدل جدید جمینی گوگل یکی از بزرگ‌ترین و پیشرفته‌ترین مدل‌های هوش مصنوعی تا به امروز باشد، اما انتشار مدل اولترا است که این موضوع را به طور قطع تعیین می‌کند. در مقایسه با دیگر مدل‌های محبوبی که چت‌بات‌های هوش مصنوعی را به کار می‌برند، جمینی به دلیل ویژگی محلی چند حالته متمایز است، در حالی که سایر مدل‌ها مانند GPT-4، برای این که واقعا چندحالته باشند، به پلاگین‌ها و ادغام‌ها متکی هستند.

در مقایسه با GPT-4، که یک مدل عمدتاً مبتنی بر متن است، Gemini به راحتی وظایف چندرسانه‌ای را انجام می‌دهد. GPT-4 در مورد وظایف مرتبط با زبان، مانند تولید محتوا و تحلیل متن پیچیده، بسیار عالی عمل می‌کند اما برای تحلیل تصویر و دسترسی به وب از پلاگین‌های OpenAI استفاده می‌کند و برای تولید تصاویر به DALL-E 3 و پردازش صوت به Whisper وابسته است.
همچنین به نظر می‌رسد Gemini گوگل نسبت به سایر مدل‌های موجود، بیشتر محصول-محور است. این مدل یا در اکوسیستم شرکت یکپارچه شده است یا برنامه‌هایی برای چنین کاری دارد، چرا که هم Bard و هم دستگاه‌های Pixel 8 را قدرت می‌بخشد. سایر مدل‌ها، مانند GPT-4 و Llama متا، بیشتر خدمات‌محور هستند و برای توسعه‌دهندگان ثالث در برنامه‌ها، ابزارها و خدمات مختلف در دسترس قرار دارند.