Gemini与人类流利对话视频造假？谷歌承认了……

报道：本刊 林德成
照片：截自谷歌的YouTube频道

继2月份的聊天机器人“Bard”，谷歌在12月6日推出了大语言模型“Gemini”，是一款混合语言和视觉理解的多模态人工智能（AI）互动模型。简单来说，当你用语音发问或展示照片，它可以很快回应，回答各种问题。

根据谷歌释出的演示视频，Gemini可以精准识别文字、绘图、图像、物体等等。还能流利地回答示范者的问题，其AI处理能力几乎超越了ChatGPT，让许多人感到惊艳，印象深刻。

在视频中，示范者拿出一张纸，放在桌上，然后问Gemini，“告诉我，你看到什么？”Gemini随即回答，“我看到你在桌上放了一张纸。”之后，示范者画了一只蓝色鸭子，Gemini接着答，“这只鸭好像是蓝色。这不是鸭子常见的颜色……鸭子比较常见的（颜色）是褐色、黑色和白色。”可是，当示范者拿出蓝色的玩具鸭时，Gemini却可以用拟人的语音，表现出惊讶的“语气”。

之后，示范者要求Gemini看着地图，随机创作一个游戏。它便想出用Emoji来猜国家名字的游戏。另外，Gemini还可以看着一大堆不规则的点，直接猜到点对点的图片是一只螃蟹。它还具备逻辑推理能力，比如示范者拿出塑料鸭，在上方的左右两旁摆放鸭子和熊的绘图，并问，“鸭子应该往哪里走？”Gemini很快地依图分析和说道，“往左走是一只鸭子，它是朋友；往右走会遇到熊，它是敌人。结交朋友好过结交敌人，所以鸭子应该向左走。”

此外，Gemini能够依据绘图，自动生成旋律。比方说示范者画了一把吉他和一个音箱，Gemini直接生成一个电吉他的旋律。当示范者额外加一棵椰树，Gemini会自动生成一首充满沙滩气息的旋律。

Gemini不能用语音互动

不过，谷歌有在YouTube说明栏打“预防针”，声称为了演示目的，他们缩短了各种延迟时间，也让Gemini的回答变得简洁。这意味着有关演示视频有经过剪辑，不是Gemini真实的回应。倘若在现实情况下，Gemini可能会用较长时间识别和回答问题。

然而，《彭博社》踢爆这个演示视频其实是造假的，Gemini并没有和人类实时对话。谷歌发言人向《彭博社》透露，“（我们）用镜头中的静态图像，然后再用文字提示。”换句话说，有关视频是经过设计，事前先用图像和文字向Gemini发问，再用AI声音读出Gemini的回应。

在谷歌的部落格上，他们展示了整个视频制作过程。内文提到，他们用了“多模态提示”（multimodal prompting）来向Gemini发问，即每项测试都会结合图像和文字，再等它识别和作出回应。谷歌说，Gemini其实也是可以用“图+文”的方式来回答，而这项功能名为“文本和图像交错生成”（interleaved text and image generation）。可是，Gemini的第一版本不会出现这个功能。

Gemini的联合负责人Oriol Vinyals较后在社交平台X发推文说，“视频中所有的问题提示和回答都是真实的，只是为了简洁而缩短。这个视频展示了使用Gemini构建的多模态（multimodal）用户体验的模样。我们这样做是为了激励开发人员。”

有兴趣者可以观看Gemini的演示视频或浏览谷歌的部落。

相关稿件：
YouTube终于下狠手 AI歌手说bye bye
【科技简讯】ChatGPT“说话”直逼真人 等着抢Siri“饭碗”