Gemini 1.0: Googles multimodale Antwort (2023)
Google bündelte seine KI-Bemühungen unter dem Namen Gemini, einer nativ multimodalen Familie als Rivale zu GPT-4, und lernte, wie genau Launch-Demos nun geprüft würden.
Am 6. Dezember 2023 kündigte Google DeepMind Gemini 1.0 an, die direkteste Antwort des Konzerns auf GPT-4. Es wurde als eine Familie in drei Größen präsentiert, von einer kompakten Version für Telefone bis zu einem Spitzenmodell, das klar auf die Leistungsgrenze zielte.
Von Anfang an multimodal gebaut
Googles Argument war, Gemini sei nativ multimodal: Statt die Bildverarbeitung an ein Textmodell anzuflanschen, sei es von Beginn an dafür entworfen, mit Text, Bildern, Audio und mehr zu arbeiten. In der Praxis ist das eher ein Unterschied im Grad als in der Art, denn GPT-4 war bereits multimodal, aber es zeigte, wohin das Rennen der großen Sprachmodelle lief: hin zu Assistenten, die verschiedene Eingaben als eine behandeln.
Der Start bündelte auch Googles verstreute KI-Marken unter einem Namen. Der zuvor Bard genannte Consumer-Assistent wanderte unter das Label Gemini, und die Modelle sollten in Googles Produkten auftauchen, von der Suche bis zu Android-Telefonen.
Die Demo-Kontroverse
Die Ankündigung stützte sich auf ein poliertes Video, in dem Gemini scheinbar in Echtzeit auf Zeichnungen und Objekte reagierte. Berichte enthüllten bald, die Demo sei bearbeitet gewesen: Eingaben waren teils Text, Antworten beschleunigt und gekürzt. Google räumte ein, dass das Video keine Echtzeitaufnahme war.
Die Episode wurde zu einer kleinen Lehre der Ära. Da an jeder Veröffentlichung so viel Geld und Aufmerksamkeit hing, wurden Launch-Materialien nun so genau geprüft wie die Modelle, und die Lücke zwischen polierter Demo und Alltagsverhalten wurde selbst zur Geschichte.
Warum es wichtig ist
Gemini bestätigte, dass das vom Transformer getriebene Assistenten-Rennen nun ein Wettstreit der größten Technologiekonzerne war, nicht das Projekt eines einzelnen Labors. Google hatte die Daten, die Verbreitung und die Hardware, um mitzuhalten, und Gemini war das Vehikel.
Es markierte auch den Moment, in dem Multimodalität zur Grundvoraussetzung statt zum Aushängeschild wurde. Von da an erwartete man von einem ernsten Spitzenmodell, dass es sieht und hört, nicht nur liest.