研究表明：谷歌Gemini在健康指导方面超越人类教练

據報導，Google 的 Gemini 模型能夠處理多種輸入，例如文字、程式碼、音訊、影像和影片，展現了卓越的理解、推理和總結能力，甚至可以透過程式設計產生創意內容。不僅如此，這個新模型還採用了大型語言模型 (LLM) 技術，在多項基準測試中超越了人類專家。

Google 的目標是建立一個能夠處理多種模態的大型語言模型 (PH-LLM)，這正是他們開發 Gemini 的原因，旨在實現通用性和廣泛的應用，涵蓋文字理解和圖像生成等多個領域。該團隊希望透過此模型，在各個領域和任務中都能展現卓越的性能。在他們看來，模型應能無縫地結合領域知識和通用技能，從而在各個領域都能提供有價值的結果。

為了達到卓越的性能，開發人員投入了大量的運算資源，並且在訓練的早期階段就融入了額外的專業知識。其中一個關鍵是「模態性的廣度」，旨在提升在各種情境中的適應性和效率。透過引入多種不同類型的数据，例如程式碼、知識和推理資料，可以顯著提升「零樣本」的能力。也就是說，這個模型無需額外的訓練，就能具備執行多種任務的能力。對他們而言，這不僅僅是追求更好的效能，更重要的是讓模型更具適應性，能夠應對未來可能出現的各種挑戰。值得一提的是，他們對模型的回應能力也抱持高度期待。

為了解決這個問題，Google 的研究團隊在 PH-LLM 模型中採用了程式碼生成和綜合推理等技術，期望能夠克服大型語言模型在知識整合和推理方面的固有挑戰。透過採用高效的「少樣本」方法（即只需要少量的範例即可進行學習），模型能夠展現更強的泛化能力和適應性。

研究結果顯示，PH-LLM 在程式碼生成方面取得了 79% 的準確率，在知識整合方面取得了 88% 的準確率，這兩項指標都超越了現有的基準模型，並且在資料獲取（準確率提高 13.8%）和問題解決（準確率提高 25%）方面也展現了卓越的性能。在知識整合和程式碼生成方面的準確率分別為 71% 和 76%。

模型聲明：「我們正在與一個跨領域的專家團隊合作，旨在將 Gemini 模型的前沿能力與 Google 產品的創新能力和可訪問性相結合。」

為了實現這個目標，Google 的研究團隊正在積極地整合創新和專業知識，同時專注於提升模型的可訪問性和性能，並針對複雜的任務進行了優化和調整。他們整合了 857 個 TPU 的 Google 基礎架構，以支援模型和知識整合的訓練。他們在這些領域投入了大量的運算資源，以便能夠開發出更精準、更可靠的解决方案。研究人員希望確保產品能够充分地利用模型、知识和综合能力，以实现更卓越的成果。

經過幾個月的開發，Google 宣布了即將推出的 PH-LLM，它具有多種功能，能夠促進信息获取（無論是圖像還是文字）和知識共享。為了實現這個目標，該公司正在探索如何結合多種不同的技能，為更廣泛的受眾提供價值（無論是學術還是商業）。

此外，Google 對 PH-LLM 的期望不僅僅是成為一種工具，更希望它能够融入到「協作介面」的格局中，從而能夠更加高效地使用模型和知識。