Gemini：谷歌AI模型的革新之路

2023-2024年是AI领域蓬勃发展的时期，各家科技巨头纷纷推出自家的大模型，竞争激烈。谷歌在AI领域持续深耕，并于2024年8月1日发布了Gemini 1.5 Pro（0801），其卓越的性能超越了ChatGPT-4，使得谷歌夺得lmsys竞技场第一，中文任务也位列榜首。本文将深入探讨Google的AI大模型发展历程，并以实际案例展示Gemini的强大功能。

什么是Gemini？

Gemini 是 Google 推出的多模态 AI 模型，旨在超越 OpenAI 的 ChatGPT 4.0。它不仅拥有强大的文本理解和生成能力，还能处理图像、视频等多模态数据，并进行更深层次的推理和理解，为用户带来更智能、更人性化的交互体验。

Gemini核心特点：

• 多模态能力：Gemini能够处理文本、图像、音频、视频和代码等多种数据类型，使其在信息处理的广度和深度上超越了ChatGPT-4.0，能够更好地理解和响应用户的需求。
• 更强的推理能力：Gemini拥有强大的上下文理解能力，能够处理长文本和复杂代码，进行深入的推理和分析，从而提供更精准、更全面的答案。
• 高效性和适应性： Gemini设计高效，能够在各种平台上运行，从大型数据中心到移动设备，都能提供稳定的性能，满足不同场景下的应用需求。
• 增强AI助手：凭借其先进的功能，Gemini显著增强了AI助手的有效性和可靠性。它支持复杂任务的执行，为用户提供更智能和直观的互动。无论是协助编写代码、生成详细报告，还是创建多媒体内容，Gemini都提升了AI助手的标准。

Gemeni模型家族

为了迎战 ChatGPT，谷歌于 2023 年 3 月推出聊天机器人 Bard，但它的最初产品能力并不足够好、甚至在现场演示时回答出错， 导致股价暴跌。

为了在竞争激烈的AI领域保持领先地位，谷歌不断迭代更新其AI模型。从最初的LaMDA模型，到功能更强大的PaLM模型，再到如今的Gemini模型，谷歌的AI技术一直在不断进步。

模型发展历程:

• 2023年3月: 谷歌推出聊天机器人Bard，最初基于LaMDA模型。
• 2023年12月: Gemini 发布，Bard 宣布将运行在 Gemini Pro 上。
• 2024年2月: 推出 Gemini Pro、Gemini Advanced，Bard 改名为 Gemini，并推出 Gemini 的 Android 和 iOS 应用。
• 2024年5月: 推出 Gemini Pro 1.5、Gemini 1.5 Flash。
• 2024年8月1日: 推出 Gemini Pro 1.5（0801），性能超越 ChatGPT-4。

Gemini模型家族的主要成员及其特点：

模型	主要特点	应用场景
Gemini Nano	轻量级模型，适用于设备端，如内置在移动端、PC端、Mac端，做一些无需强大计算的场景，为用户提供更便捷、实时快速的AI体验。	设备端应用，如实时翻译、语音识别等。
Gemini Pro	强大的通用模型，适用于各种文本处理任务	问答、摘要、翻译、代码生成。
Gemini Pro 1.5	在 Gemini Pro 的基础上进行改进，性能更强，推理能力更出色	更加复杂的文本处理任务，例如长文本理解、代码分析、专业领域的知识问答
Gemini Flash	在Gemini Ultra和Gemini Pro之间的一个平衡点，兼具能力和效率。能够处理各种各样的任务，从简单的问答到复杂的推理。	多种任务，如对话、摘要、翻译等。
Gemini Advanced	基于 Google 最强大的 AI 模型 Gemini Ultra 1.0，提供更高级的功能和更强大的性能	专业的AI应用，例如科学研究、艺术创作、复杂的数据分析
Gemini Ultra	最强大、最通用的模型，能够处理高度复杂的任务，在许多基准测试中，Gemini Ultra的表现都超越了其他大型语言模型。	通用型AI，适用于各种复杂任务。如科学研究、艺术创作等。它能够理解和生成各种形式的内容，包括文本、代码、图像等。

此部分相关链接

模型种类介绍：https://deepmind.google/technologies/gemini/

模型进化：https://gemini.google.com/updates

各模型收费信息： https://ai.google.dev/pricing?hl=zh-cn

内置Chrome AI

Gemini Nano模型 将内置到 Chrome 中，供大家免费使用，为用户提供更便捷的AI体验。

使用 chrome 本地模型的好处：

1. 本地处理敏感数据：设备端 AI 可以改进您的隐私保护。例如，如果您处理敏感数据，则可以通过端到端加密为用户提供 AI 功能。
2. 流畅的用户体验：无需网络请求，响应速度更快。
3. 更好地利用 AI：降低服务器负载，用户的设备可以承担一些处理负载，以换取对功能的更多访问权限。例如，如果您提供高级 AI 功能，则可以使用设备端 AI 来预览这些功能，以便潜在客户可以看到您产品的优势，而无需支付额外费用。这种混合方法还可以帮助您管理推断费用，尤其是针对常用用户流的推断费用。
4. 离线使用 AI ：即使没有互联网连接，您的用户也可以使用 AI 功能。

使用 chrome 本地模型的缺点：

1. 模型下载需求：目前模型1.2G，需要手动打开浏览器配置下载，占用一定存储空间。
2. 硬件限制：设备性能差异使得不能保证所有设备都能高效运行复杂的AI模型。

前置条件

1. 准备好梯子，使用 VPN 连接到支持 Gemini 的国家。
2. 申请加入体验计划，在 Chrome for developer 官网（developer.chrome.com/docs/ai/bui…）点击“加入我们的早期预览版计划”。

1. 下载安装最新的 Chrome Canary版 或Chrome Dev版，并确认你的版本等于或高于 128.0.6545.0，请在这个页面找到适合自己电脑的版本https://www.chromium.org/getting-involved/dev-channel/
2. 检查你的设备是否满足要求。

• 要确保你至少有 22 GB 的可用存储空间。
• 如果下载后可用存储空间低于 10 GB，模型将会被删除。请注意，有些操作系统可能会不同地报告实际的可用磁盘空间，例如，是否包括垃圾箱中占用的磁盘空间。在 macOS 上，使用“磁盘工具”来查看有代表性的可用磁盘空间。
• 本文示例都是用130.0.6683.2版本。

开启Gemini Nano和Prompt API

1. 打开下载好的Chrome，地址栏输入 chrome://flags/#optimization-guide-on-device-model ，选择 "Enabled BypassPerfRequirement" 状态，这将绕过性能检查，这些检查可能会阻碍在你的设备上下载 Gemini Nano。
2. 打开 chrome://flags/#prompt-api-for-gemini-nano ，选择 "Enabled" 状态；
3. 开启完前面两项，浏览器就会自动下载大模型，重新启动Chrome。

验证 Gemini Nano 的可用性：

1. 到了这一步可能很多人会遇到模型下载不下来的情况，所以请确保将梯子?节点设置为一个可用国家，以及文章前面所说的前置条件。现在在控制台输入(await ai.assistant.capabilities()).available;，

• 如果返回 readily，则表示模型已下载完成。

• 

如果没有返回 readily，代表失败，请继续以下步骤：

??强制 Chrome 识别你想使用此 API。为此，打开开发者工具，在控制台中发送await ai.assistant.create();。这可能会失败，但这操作会强制提醒chrome下载模型。

1. 控制台执行完await ai.assistant.create();后，重新启动 Chrome。
2. 打开 Chrome 的新标签页，访问 chrome://components

• 确认 Gemini Nano 是否可用或正在下载。
• 你需要看到“Optimization Guide On Device Model”存在，版本大于或等于 2024.5.21.1031。
• 如果没有列出版本，点击“Check for update”强制下载。

1. 一旦模型下载完成并且版本高于上述版本，打开开发者工具并在控制台中发送 (await ai.assistant.capabilities()).available;。如果返回 “readily”，那么你就准备好了。

• 否则，重新启动，等待一会儿（模型1.2G,比较大），然后从步骤 1 再试一次。

如果组件列表没有Optimization Guide On Device Model，或者(await ai.assistant.capabilities()).available的结果返回不是readily，可以尝试更换其他国家节点、修改浏览器语言为English后，重启浏览器。如果依然还是不行，请卸载干净浏览器，更换为**Chrome Canary版 或Chrome Dev版的另外一个版本尝试。**

官方文档的使用步骤参考：https://developer.chrome.com/docs/ai/built-in?hl=zh-cn#get_an_early_preview

使用示例

利用Chrome控制台快速体验：

1. 控制台输入`const session = await ai.assistant.create();`
2. 接着输入 `const result = await session.prompt("实现一个js防抖函数");`
3. 打印结果` console.log(result)`

可以看到Chrome将模型能力，加到了window.ai上，我们在web应用就可以随时使用内置AI能力了。

利用内置AI实现一个聊天框

1. 首先创建一个聊天组件，使用的是tailwind + react实现。 利用react-syntax-highlighter实现的code语法高亮。

importReact,{useState}from'react';
importReactMarkdownfrom'react-markdown';
import{PrismasSyntaxHighlighter}from'react-syntax-highlighter';
import{solarizedlight}from'react-syntax-highlighter/dist/esm/styles/prism';

constChatBox=({handleSubmit,messages,input,setInput})=>{
return(
<divclassName="w-fullmax-w-3xlmx-automy-10bg-whiteshadow-lgrounded-lgoverflow-hidden">
<divclassName="p-6h-96overflow-y-scroll">
{messages.map((msg,index)=>(
<div
key={index}
className={`flex${msg.type==='user'?'justify-end':'justify-start'}mb-2`}
>
<div
className={`p-2text-leftrounded-lg${msg.type==='user'?'bg-blue-500text-white':'bg-gray-200'}`}
>
<ReactMarkdown
components={{
code{node,inline,className,children,...props})=>{
constmatch=/language-(\w+)/.exec(className||'');
return!inline&&match?(
<SyntaxHighlighter
style={solarizedlight}
language={match[1]}
PreTag="div"
{...props}
>
{String(children).replace(/\n$/,'')}
</SyntaxHighlighter>

)
<codeclassName={className}{...props}>
{children}
</code>

);
}
}}
>
{msg.text}
</ReactMarkdown>

</div>

</div>

))}
</div>

<formonSubmit={handleSubmit}className="border-tborder-gray-200">
<divclassName="flexp-4">
<input
type="text"
value={input}
onChange={(e)=>setInput(e.target.value)}
placeholder="askgeminianything"
className="flex-1p-2borderborder-gray-300rounded-lgfocusutline-nonefocus:ring-2focus:ring-blue-500"
/>
<button
type="submit"
className="ml-2px-4py-2bg-blue-500text-whiterounded-lghover:bg-blue-600focusutline-nonefocus:ring-2focus:ring-blue-500"
>
发送
</button>

</div>

</form>

</div>

);
};

exportdefaultChatBox;

1. 发送消息时，调用浏览器内置方法 window.ai.createTextSession()创建会话。

importReact,{useState}from'react';
importChatBoxfrom'../../componets/ChatBox';

constBuiltIn=()=>{
const[messages,setMessages]=useState([]);
const[input,setInput]=useState('');

consthandleSubmit=async(e)=>{
e.preventDefault();
if(input.trim()){
letnewMessage=[...messages,{text:input.trim(),type:'user'},{text:'Loading...',type:'bot'}]
setMessages(newMessage);

//使用内置AI服务
constsession=awaitwindow.ai.assistant.create();
//以普通的方式返回
constresponse=awaitsession.prompt(input.trim());
newMessage.splice(newMessage.length-1,1,{text:response,type:'bot'});
setMessages(newMessage);

////以流式返回
//conststream=awaitsession.promptStreaming(input.trim());
//forawait(constresponseofstream){
//newMessage.splice(newMessage.length-1,1,{text:response,type:'bot'});
//console.log(response);
//setMessages(newMessage);
//}

setInput('');
}
};

return(
<>
<h1className="text-3xlfont-boldunderlinetext-center">Built-inAI</h1>

<ChatBoxhandleSubmit={handleSubmit}input={input}setInput={setInput}messages={messages}/>
</>
);
};

exportdefaultBuiltIn;

效果如图：

network是没有任何请求的，完全都得本地模型，没有任何网络传输。

Gemini API

Google 提供了 Gemini API SDK，方便开发者将 Gemini 模型集成到自己的应用中。API 支持多种编程语言，包括 Python、Node.js、Web 应用、Dart (Flutter)、Android、Go 和 REST。

使用Gemini API

1. 获取 API 密钥: https://aistudio.google.com/app/apikey?hl=zh-cn
2. 使用 SDK 调用 API: 根据所使用的编程语言选择相应的 SDK，参考官方文档进行集成。

web对话框 - 【文生文】

importReact,{useState}from'react';
importChatBoxfrom'../../componets/ChatBox';
importMultimodalfrom'./Multimodal'
//引入sdk
import{GoogleGenerativeAI}from'@google/generative-ai';

constAPI_KEY='你自己申请的apikey';
constgenAI=newGoogleGenerativeAI(API_KEY);
//选择一个想用的模型这里我选择gemini-1.5-flash
constmodel=genAI.getGenerativeModel({model:"gemini-1.5-flash"});

constGoogleAIWeb=()=>{
const[messages,setMessages]=useState([]);
const[input,setInput]=useState('');

consthandleSubmit=async(e)=>{
e.preventDefault();
if(input.trim()){
//prompt输入的提示文本
constresult=awaitmodel.generateContent(input);
constresponse=awaitresult.response;
consttext=response.text();

setMessages([...newMessage,{text,type:'bot'}]);
setInput('');
}
};

return(
<>
<h1className="text-3xlfont-boldunderlinetext-center">GoogleAIWeb</h1>

{/**聊天框展示*/}
<ChatBoxhandleSubmit={handleSubmit}input={input}setInput={setInput}messages={messages}/>
</>
)
};

exportdefaultGoogleAIWeb;

效果如图：

可以看到此时与Chrome 内置AI助手不一样， network里面有了请求，走的实时的网络大模型数据。

web对话框-多模态【文+图】

importReact,{useState,useRef}from"react";
import{GoogleGenerativeAI}from"@google/generative-ai";

constAPI_KEY="你自己的apikey";
//AccessyourAPIkey(see"SetupyourAPIkey"above)
constgenAI=newGoogleGenerativeAI(API_KEY);

functionApp(){
const[image,setImage]=useState([]);
const[question,setQuestion]=useState("");
const[response,setResponse]=useState("");

consthandleImageUpload=(event)=>{
//这里可能是多张图片
constfiles=event.target.files;
for(leti=0;i<files.length;i++){
constfile=files[i];
if(file){
constreader=newFileReader();
reader.onloadend=()=>{
setImage((prev)=>[...prev,reader.result]);
};
reader.readAsDataURL(file);
}
}
};

consthandleQuestionChange=(event)=>{
setQuestion(event.target.value);
};

//ConvertsaFileobjecttoaGoogleGenerativeAI.Partobject.
asyncfunctionfileToGenerativePart(file){
constbase64EncodedDataPromise=newPromise((resolve)=>{
constreader=newFileReader();
reader.onloadend=()=>resolve(reader.result.split(",")[1]);
reader.readAsDataURL(file);
});
return{
inlineData:{data:awaitbase64EncodedDataPromise,mimeType:file.type},
};
}

consthandleSend=async()=>{
if(image&&question){
try{
//TheGemini1.5modelsareversatileandworkwithbothtext-onlyandmultimodalprompts
constmodel=genAI.getGenerativeModel({model:"gemini-1.5-flash"});

constprompt=question;

constfileInputEl=document.querySelector("input[type=file]");
constimageParts=awaitPromise.all(
[...fileInputEl.files].map(fileToGenerativePart)
);

constresult=awaitmodel.generateContent([prompt,...imageParts]);
constresponse=awaitresult.response;
consttext=response.text();

setResponse(text);
}catch(error){
console.error("Error:",error);
setResponse("Erroroccurredwhilefetchingtheresponse.");
}
}
};

return(
<divclassName="min-h-screenflexflex-colitems-centerjustify-centerbg-gray-100p-4">
<divclassName="bg-whitep-6rounded-lgshadow-lgw-fullmax-w-md">
<h1className="text-2xlfont-boldmb-4">多模态聊天框展示</h1>

<input
type="file"

multiple
onChange={handleImageUpload}
className="mb-4"
/>
{image?.map((item)=>(
<divclassName="mb-4">
<imgsrc={item}alt="Uploaded"className="w-fullh-auto"/>
</div>

))}
{/*{image&&(
<divclassName="mb-4">
<imgsrc={image}alt="Uploaded"className="w-fullh-auto"/>
</div>

)}*/}
<textarea
value={question}
onChange={handleQuestionChange}
placeholder="Askaquestionabouttheimage..."
className="w-fullp-2borderroundedmb-4"
/>
<button
onClick={handleSend}
className="w-fullbg-blue-500text-whitep-2rounded"
>
Send
</button>

{response&&(
<divclassName="mt-4p-2borderroundedbg-gray-50">
<strong>Response:</strong>{response}
</div>

)}
</div>

</div>

);
}

exportdefaultApp;

效果如图：

在这个示例中，我们调用Chrome API const result = await model.generateContent([prompt, ...imageParts]); 同时输入了文字+图片， 大模型为我们返回了响应的结果。

Chrome Dev Tools – AI Assist

在Chrome 125之后的版本里，Chrome支持在控制台里使用Gemini AI分析错误和警告，帮助开发者更高效地调试和修复问题。

详情请查看：https://developer.chrome.com/docs/devtools/console/understand-messages

需要满足以下几个条件：

1. 已年满 18 周岁，并且位于支持此功能的地区。
2. Chrome版本在125之后
3. 使用Google 账号登录 Chrome。
4. 设置语言为英语，Settings > Preferences > Appearance > Language， 选择 English (US)
5. 在开发者工具中启用了“Understand console messages with AI”。
1. 打开开发者工具，然后前往 settings 设置， 点击Preferences > Console, 打开 Understand console messages with AI

如果Understand console messages with AI无法开启的话，hover上去会有提示不可开启的原因。如果提示年龄，则需要登录账号，并确保年龄设置大于18岁。如果已经科学上网，并且ip在可以使用的范围内，仍旧提示当前地区不可使用，可以修改下浏览器和系统的语言、地理位置设置，然后重启。

使用示例

1. 在组件内，实现一个能触发错误的组件，如下当点击的时候，使用const 声明了一个常量， 并给这个常量做自加，

import{useState}from'react';
exportdefaultfunctionTest(){
const[count,setCount]=useState(0);
constonClick=()=>{
constoldCount=count;
setCount(oldCount++);
};
return(
<div>
<button
className='bg-blue-500text-whitep-2roundedhover:bg-blue-600'
onClick={onClick}
>
点击次数：{count}
</button>

</div>

);
}

1. 点击按钮，触发错误；打开控制台，hover到错误信息上，会有一个图标；

1. 点击图标，第一次使用会要求同意协议等，点击下一步、同意协议即可：

1. AI 生成错误分析和解决方案结果：

从上面可以看出，不仅给出了问题发生的原因及具体的问题代码，并且还给出了解决方案，这在开发过程中，可以快速的帮我们定位错误。

与ChatGPT对比，及未来展望

各个模型之间对比评测： https://chat.lmsys.org/

Gemini by Google

• 优点:
• 多模态能力强: Gemini在处理文本、代码、图像等多种模态数据方面表现出色，能够更深入地理解和生成内容。
• 推理能力出众: 在复杂的推理任务中，Gemini表现出较强的逻辑推理能力和解决问题的能力。
• 强大的数据基础: 依托 Google 的庞大数据资源和技术积累，Gemini 在知识图谱和搜索信息的实时性上有一定优势。能够回答各种各样的问题，并提供高质量的答案。
• 缺点:
• 模型较大: 由于模型参数量巨大，部署和运行成本较高。
• 目前相对较新的产品：与 ChatGPT 等相比，市场成熟度和用户基础相对较低。

Chat GPT by Open AI

• 优点:
• 强大的语言生成能力：作为目前最流行的聊天 AI 模型之一，ChatGPT 以其语言生成质量高、上下文理解力强而著称。
• 丰富的插件生态：支持插件扩展和 API 接口，可以根据需求自定义功能。
• 开源社区活跃: 拥有庞大的开源社区，有利于模型的改进和发展。
• 缺点:
• 幻觉问题: 有时会产生一些不真实或无意义的输出。
• 知识更新慢: 模型的知识库更新较慢，可能无法及时回答最新的问题。
• 付费墙和订阅模式：高级功能和模型需要付费订阅才能使用，对普通用户来说可能成本较高。

每种模型都有其独特的优势和不足，选择哪种模型取决于具体的应用场景。

• 如果需要处理多模态数据、进行复杂推理，并且对模型的知识广度有较高要求，那么Gemini是一个不错的选择。
• 如果需要与用户进行自然流畅的对话，并且对开源社区的支持比较看重，那么Chat GPT是一个不错的选择。
• 如果对模型的安全性、无害性有较高要求，那么Claude是一个不错的选择。
• 如果需要提高代码编写效率，那么Copilot是一个不错的选择。