Google Gemini: todo lo que necesitas saber sobre la nueva plataforma de IA generativa

Google está intentando causar sensación con Gemini, una nueva plataforma de IA generativa que recientemente hizo su gran debut. Pero si bien Géminis parece prometedor en algunos aspectos, se queda corto en otros. Entonces, ¿qué es Géminis? ¿Cómo puedes utilizarlo? ¿Y cómo se compara con la competencia?

Para que sea más fácil mantenerse al día con los últimos desarrollos de Gemini, hemos elaborado esta práctica guía, que mantendremos actualizada a medida que se lancen nuevos modelos y funciones de Gemini.

¿Qué es Géminis?

Géminis es de Google prometido desde hace mucho tiempo, familia de modelos de IA generativa de próxima generación, desarrollada por los laboratorios de investigación de IA de Google, DeepMind y Google Research. Viene en tres sabores:

• Géminis Ultrael modelo insignia de Gemini
• Géminis profesionalun modelo Géminis “lite”
• Géminis Nanoun modelo “destilado” más pequeño que se ejecuta en dispositivos móviles como el Píxel 8 Pro

Todos los modelos Gemini fueron entrenados para ser “nativamente multimodales”; en otras palabras, capaces de trabajar y utilizar algo más que texto. Fueron entrenados previamente y ajustados en una variedad de audio, imágenes y videos, un gran conjunto de bases de código y texto en diferentes idiomas.

Esto distingue a Gemini de modelos como el gran modelo de lenguaje de Google. LaMDA, que solo fue entrenado con datos de texto. LaMDA no puede comprender ni generar nada más que texto (por ejemplo, ensayos, borradores de correos electrónicos, etc.), pero ese no es el caso de los modelos Gemini. Su capacidad para comprender imágenes, audio y otras modalidades aún es limitada, pero es mejor que nada.

¿Cuál es la diferencia entre Bardo y Géminis?

Créditos de imagen: Google

Google, demostrando una vez más que carece de habilidad para las marcas, no dejó claro desde el principio que Gemini está separado y distinto de Bard. Bard es simplemente una interfaz a través de la cual se puede acceder a ciertos modelos de Gemini; considérelo como una aplicación o cliente para Gemini y otros modelos de IA de generación. Gemini, por otro lado, es una familia de modelos, no una aplicación o una interfaz. No existe una experiencia Géminis independiente, ni probablemente la habrá nunca. Si se comparara con los productos de OpenAI, Bard corresponde a ChatGPTla popular aplicación de IA conversacional de OpenAI, y Gemini corresponde al modelo de lenguaje que la impulsa, que en el caso de ChatGPT es GPT-3.5 o 4.

Por cierto, Géminis también es totalmente independiente de Imagen-2, un modelo de texto a imagen que puede encajar o no en la estrategia general de IA de la empresa. ¡No te preocupes, no eres el único confundido por esto!

¿Qué puede hacer Géminis?

Debido a que los modelos Gemini son multimodales, en teoría pueden realizar una variedad de tareas, desde transcribir voz hasta subtitular imágenes y videos hasta generar obras de arte. Pocas de estas capacidades han llegado a la etapa de producto todavía (más sobre esto más adelante), pero Google promete todas ellas, y más, en algún momento en un futuro no muy lejano.

Por supuesto, es un poco difícil creerle la palabra a la empresa.

Google muy poco entregado con el lanzamiento original de Bard. Y más recientemente alborotó las plumas con un vídeo que pretende mostrar las capacidades de Géminis que resultó haber sido muy manipulado y era más o menos aspiracional. Geminis espara crédito del gigante tecnológico, está disponible de alguna forma hoy en día, pero de una forma bastante limitada.

Aún así, suponiendo que Google sea más o menos sincero con sus afirmaciones, esto es lo que los diferentes niveles de modelos Gemini podrán hacer una vez que se lancen:

Géminis Ultra

Pocas personas han conseguido hasta ahora Gemini Ultra, el modelo “base” sobre el que se construyen los demás: sólo un “conjunto selecto” de clientes en un puñado de aplicaciones y servicios de Google. Eso no cambiará hasta finales de este año, cuando el modelo más grande de Google se lance de manera más amplia. La mayor parte de la información sobre Ultra proviene de demostraciones de productos dirigidas por Google, por lo que es mejor tomarlo con cautela.

Google dice que Gemini Ultra puede usarse para ayudar con cosas como tareas de física, resolver problemas paso a paso en una hoja de trabajo y señalar posibles errores en respuestas ya completadas. Gemini Ultra también se puede aplicar a tareas como identificar artículos científicos relevantes para un problema particular, dice Google, extrayendo información de esos artículos y “actualizando” un gráfico a partir de uno generando las fórmulas necesarias para recrear el gráfico con datos más recientes.

Gemini Ultra técnicamente admite la generación de imágenes, como se mencionó anteriormente. Pero esa capacidad no llegará a la versión productiva del modelo en el momento del lanzamiento, según Google, tal vez porque el mecanismo es más complejo que la forma en que aplicaciones como ChatGPT generar imágenes. En lugar de enviar mensajes a un generador de imágenes (como DE-E 3en el caso de ChatGPT), Gemini genera imágenes «de forma nativa» sin un paso intermedio.

Géminis profesional

A diferencia de Gemini Ultra, Gemini Pro está disponible públicamente hoy. Pero, de manera confusa, sus capacidades dependen de dónde se usa.

Google dice que en Bard, donde Gemini Pro se lanzó por primera vez en formato de solo texto, el modelo es una mejora con respecto a LaMDA en sus capacidades de razonamiento, planificación y comprensión. Un independiente estudiar Los investigadores de Carnegie Mellon y BerriAI descubrieron que Gemini Pro es de hecho mejor que OpenAI. GPT-3.5 para manejar cadenas de razonamiento más largas y complejas.

Pero el estudio también encontró que, como todos los modelos de lenguaje grandes, Gemini Pro tiene dificultades especiales con problemas matemáticos que involucran varios dígitos, y Los usuarios han encontrado muchos ejemplos. de malos razonamientos y errores. Cometió muchos errores fácticos en consultas simples como quién ganó los últimos premios Oscar. Google ha prometido mejoras, pero no está claro cuándo llegarán.

Gemini Pro también está disponible a través de API en Vertex AI, la plataforma de desarrollo de IA totalmente administrada de Google, que acepta texto como entrada y genera texto como salida. Un punto final adicional, Gemini Pro Vision, puede procesar texto y imágenes, incluidas fotos y videos, y texto de salida siguiendo las líneas de OpenAI GPT-4 con visión modelo.

Usando Gemini Pro en Vertex AI.

Dentro de Vertex AI, los desarrolladores pueden personalizar Gemini Pro para contextos y casos de uso específicos mediante un proceso de ajuste o «conexión a tierra». Gemini Pro también se puede conectar a API externas de terceros para realizar acciones particulares.

En algún momento a “principios de 2024”, los clientes de Vertex podrán aprovechar Gemini Pro para potenciar agentes de chat y voz conversacionales personalizados (es decir, chatbots). Gemini Pro también se convertirá en una opción para impulsar las funciones de resumen de búsqueda, recomendación y generación de respuestas en Vertex AI, basándose en documentos en todas las modalidades (por ejemplo, PDF, imágenes) de diferentes fuentes (por ejemplo, OneDrive, Salesforce) para satisfacer las consultas.

Créditos de imagen: Geminis

En AI Studio, la herramienta web de Google para desarrolladores de aplicaciones y plataformas, hay flujos de trabajo para crear mensajes de chat estructurados y de forma libre utilizando Gemini Pro. Los desarrolladores tienen acceso a los puntos finales Gemini Pro y Gemini Pro Vision, y pueden ajustar la temperatura del modelo para controlar el rango creativo de salida y proporcionar ejemplos para dar instrucciones de tono y estilo, y también ajustar las configuraciones de seguridad.

Sin embargo, una vez que Gemini Pro salga de la vista previa en Vertex, el modelo costará $0,0025 por carácter, mientras que la salida costará $0,00005 por carácter. Los clientes de Vertex pagan por 1.000 caracteres (entre 140 y 250 palabras) y, en el caso de modelos como Gemini Pro Vision, por imagen (0,0025 dólares).

Supongamos que un artículo de 500 palabras contiene 2000 caracteres. Resumir ese artículo con Gemini Pro costaría $5. Mientras tanto, generando un artículo de longitud similar costaría 0,1 dólares.