誰能想到，一夜之間，人們對于谷歌 Gemini 的看法竟發生了 180° 轉變。

昨天，谷歌在 X 上展示 Gemini 原生多模態能力的 6 分半鐘視頻下，幾乎是清一色的贊揚：

而到了今天，Gemini 還是那個 Gemini，但網友已經不買賬了：

發生了什么，才會讓人們的態度一夜轉變？原因在于那個 6 分半的 Gemini 演示視頻：它是假的，是經過剪輯的，甚至在被質疑后，谷歌還承認了！

1、Gemini 的視頻演示效果，是假的

相信看過 Gemini 演示視頻的人，多數都對它的“多模態能力”印象深刻。例如，Gemini 看到一只鴨子從草圖到填色的整個過程，可實時給出解釋和反饋，還能在換杯游戲中追蹤紙團、辨別各種手勢、重新排列行星草圖等——短短 6 分半的視頻，Gemini 給人的感覺是：仿佛可以實時觀察周圍世界并及時做出反應，還能與人類進行流暢的語音對話。

對于 Gemini 如此強大的能力，谷歌給出的解釋是：Gemini 是 AI 的新品種，即“原生多模態”。

“我們將 Gemini 設計為原生多模態，從一開始就針對不同模式進行了預訓練。然后我們使用額外的多模態數據對其進行微調，以進一步完善其有效性，這有助于 Gemini 從頭開始無縫地理解和推理各種輸入，因此遠遠優于現有的多模式模型。此外，Gemini 的多模態功能幾乎在每個領域都是最先進的。”

聽起來似乎有理有據，于是當一眾網友都沉浸于 Gemini 的強大、好奇它能否真正超越 GPT-4 的時候，彭博社作家 Parmy Olsen 突然發出了一個“不太和諧”的聲音：Gemini 的視頻演示效果，是假的。

一石激起千層浪！好在 Parmy Olsen 并沒有吊人胃口，很干脆地將谷歌的作假手法和證據全部公開：Gemini 并不能像視頻中那樣實時語音回答——它看到的只是視頻片段中的靜態圖像，其語音也只是在讀出人類給它的文本提示，且響應時間比視頻中展示的要長。

2、背后的人工提示過程，全部省略

舉個例子，Gemini 演示視頻中有一段識別動態手勢的片段：通過觀察左邊不斷變化的手勢，Gemini 回答道，“我知道你在干嘛！你在玩石頭剪刀布！”

這段視頻乍看之下，你是不是以為可以實時向 Gemini 展示不同的東西，并與它交流？但事實并非如此：Gemini 僅支持文本交流，并不能進行語音對話。

根據谷歌公布的文檔內容顯示，這段視頻顯然是經過“加工”的：

（1）先給 Gemini 陸續展示三張單個手勢的圖片，問它分別看到了什么；

（2）再把三張手勢圖片一起發給 Gemini，問它這是在干什么，并提示是一個“游戲”；

（3）通過以上一步步的提示和引導，Gemini 最終給出了答案：你在玩石頭剪刀布。

針對以上步驟，一位谷歌發言人解釋道：“為了測試 Gemini 在各種挑戰中的能力，我們通過捕捉錄像來制作演示。然后我們使用錄像中的靜態圖像幀提示 Gemini，并通過文本進行提示。”

Parmy Olsen 將其簡單翻譯了一下：“谷歌拍下了那雙手做很多事情的畫面，然后一張一張地向 Gemini 展示了這些鏡頭的照片。所以根本沒有語音對話，而是跟 ChatGPT 和 Bard 一樣的文本交流。”

此外，谷歌發言人還補充稱，用戶的配音都是從實際提示中摘錄的真實內容，用于生成隨后的Gemini輸出結果——對此，Parmy Olsen 的翻譯是：“你在視頻中聽到的聲音，只是在朗讀文字提示。”

也就是說，谷歌所展示的 Gemini 演示視頻，是省略了所有引導提示、跳過了等待響應的時間、并用配音合成的最終結果。

3、都是真實的，只是“為了簡潔”剪輯視頻

當然，Gemini 可能也真的做到了在視頻中展示的所有事情，但這兩種表現形式完全不同：

以文字形式，通過人工提示分步驟直接展示其多模態效果，對于 Gemini 的能力沒有過多修飾；

以視頻形式，經過剪輯、省略其背后大量引導過程的視頻來呈現，極大暗示了 Gemini 的實時高效。

由于 Parmy Olsen 的曝光，網友對于 Gemini 的態度瞬間改變，并發出了無數質疑。而對于被質疑造假的這個視頻，谷歌 DeepMind 研究副總裁 Oriol Vinyals 今天給出了回應：

“視頻中的所有用戶提示和輸出都是真實的，只是為了簡潔起見進行了縮短。該視頻展示了使用 Gemini 構建的多模態用戶體驗可能是什么樣子，我們制作該視頻是為了激發開發人員的靈感。”

換句話說，Oriol Vinyals 承認 Gemini 演示視頻經過了剪輯，原因是“為了簡潔”。不論其剪輯初衷是否真的只是為了“簡潔”，但不得不說：在谷歌沒明確說明視頻經過剪輯之前，多數人對于 Gemini 的速度、準確性以及與交互的基本模式，都產生了誤解。

如果在這個視頻開頭，谷歌就說“這是我們研究人員測試過的 Gemini 交互的理想化表現”，那網友就會有心理預期：哦，那這個視頻一半是現實，一半是理想化——但事實上，該視頻的開頭是，“本視頻重點介紹了我們與 Gemini 的一些有趣互動”，因此人們很難意識到這個視頻中 Gemini 的表現是經過“加工”的。

4、網友：“這就是虛假和誤導”

于是意料之中，Oriol Vinyals 的回應并沒有受到網友的理解，其 X 帖子下多是譴責谷歌虛假、夸大營銷：

“如果你想激勵開發者，那為什么不發布真實的內容呢？提示不可能既‘真實’又‘縮短’，這就是虛假和誤導。”

如今的 AI 初創公司，不就是像你們這樣夸張的演示來騙取資金的嗎？

“‘真實，縮短’，真的嗎？只是營銷罷了。”

另外值得一提的是，還有網友指出，谷歌Gemini 對比GPT-4 的測試基準也并不相同：“在MMLU測試中，Gemini下面有個灰色小字標CoT@32，即使用了思維鏈提示技巧、選取了32次中的最好結果，GSM8K 的性能也是用 Maj1@32 與 GPT-4 的 5-Shot CoT 進行對比的。”

那么對于谷歌聲稱Gemini 超越GPT-4 的說法，你又有何看法呢？

本文轉自公眾號“CSDN”，ID：CSDNnews

審核編輯：劉清