Yahoo奇摩新聞 【獨家專訪】Google高管曝AI大戰2賽道：多模態AI、輕量！他如何看GPT-4o？
「我們寧願處在一個技術正在蓬勃發展的環境裡，而不是在原地靜止不前。」當媒體問及對手OpenAI一路以來的的步步進逼，Google執行長桑德爾．皮蔡（Sundar Pichai）反覆強調，他看好競爭帶來的刺激。這番話由Google掌門人說出來，別有一番意義。過去20年裡，Google並不習慣追趕，但是AI領域的競爭，逼迫所有人重新開始，科技巨頭也必須與新創挑戰者站在同樣的起跑線。
所有人都在找尋最有利的路線。Gemini是Google重要的武器，Gemini體驗工程研發副總裁阿瑪爾．蘇布拉曼亞（Amar Subramanya）接受《數位時代》獨家專訪，指出Google在AI技術最關鍵的2條賽道。
關鍵賽道一：多模態AI！派Astra應戰，「讓科技做代理人」
首先，絕對是跟今年Google I/O大會上的展示息息相關。今年5月，Google和OpenAI幾乎同時揭開「多模態AI」的競爭新局。OpenAI搶先1天發表了新版聊天機器人GPT-4o，隔天Google I/O就公開以Gemini 1.5為基底的智慧助手Astra，兩者都以多模態能力為最大亮點。
多模態AI（Multi-Modal Foundation Model）指的是什麼？
所謂的多模態， 指的是人可以透過文字、圖片、語言、影片等多種形式和電腦、人工智慧互動 。早期的深度學習都屬於單模態AI，也就是只能接收、分析單一類型的數據， 例如使用文字或圖片互動。不同模型之間的機器學習方式，存在很大的差異，然而具有多模態能力的AI卻可以「全都要」。
在Google I/O展示的示範影片中，使用者拿著手機邊拍畫面、邊到處走動，途中詢問Astra各式各樣的問題，Astra隨著鏡頭角度四處觀看，能辨識出窗外的街區、從電腦螢幕上分析程式碼的狀態，甚至在影片最後，使用者詢問：「記不記得我的眼鏡放在哪裡？」Astra可以回憶這幾分鐘的所有畫面，馬上得出結論：「我記得！你把它放在一顆蘋果旁邊。」
這項功能發表時，現場響起如雷掌聲。阿瑪爾指出，Astra展現的多模態技術，對Google和全球用戶來說都是非常重要的一步，「Gemini的定位不再只是聊天機器人，我們希望它是全方位的個人助手。那麼這個助手就必須和你用一樣的方式去體驗世界，否則就無法完全理解你的指令，提供最適當的幫助。」 他表示，Google不只希望讓人們和這些模型互動，更想讓科技做為「代理人」，真正執行任務。
這對阿瑪爾的團隊來說並非易事，「這項技術還在很早期，我們須以 負責任 的方式，反覆且仔細測試模型，同時加快進步的速度。」作為AI主力的Google DeepMind和產品團隊如Android、Workspace等部門都為此緊密合作，確保產品推向市場前，遵循公司的行動準則：大膽且負責任（bold and responsible）。
延伸閱讀：「過去的Google不復存在！」18年資深員工離職開砲：皮蔡是罪魁禍首，沒有遠見
會如此謹慎，是因為多模態模型訓練的過程中，最大的敵人就是「幻覺」，這是多模態的多元理解力和創造力所帶來的反效果。白話來說，就是因為「腦洞大開」，所以容易提供脫離常理的內容和錯誤資訊。
對Google來說，降低幻覺仍是一大考驗，不過他們有一項「外掛」優勢——搜尋引擎，透過網路即時更新的資料多一層驗證，希望提高AI回答的真實性，同時也加入更詳盡的上下文、提供資料出處便於查證，做最後一層人為的篩選。
關鍵賽道二：更俗、更輕量，Gemini「知識蒸餾」集大成
AI模型的發展有點類似半導體技術，一方面要它更強大，一方面卻希望它更輕更小。
由於運算成本高、大量記憶體需求、高耗能等缺點，巨大的模型並不符合成本，因此業界都在追求更精巧的AI模型，希望把先進功能塞進小小的裝置中。
「Google認為小型模型的開發非常有價值，我們的團隊一直持續努力讓小模型獲得更高階的能力，比如規畫、推理和記憶。」阿瑪爾說。
而Google最核心的大型語言模型Gemini家族，在去年推出小模型Nano，能把AI模型「塞進」手機裡。今年重頭戲則落在新成員Gemini 1.5 Flash身上，展現Google在「微型化」技術的升級。
Gemini 1.5 Flash把Google旗下最先進的Gemini 1.5 Pro用「知識蒸餾」的方式，縮到更輕量，同時保留同等級的能力。 例如它仍可處理多達百萬token，代表可以上傳長達1,500頁的文件，或超過3萬行的程式碼。在Google I/O的現場示範中，就讓AI在30秒內閱讀整本經濟學理論，接著針對書裡的內容回答問題，或根據指令進行摘要整理。
Google DeepMind技術長柯瑞．卡夫康古（Koray Kavukcuoglu）補充解釋， 知識蒸餾是從「資優生」Pro模型中，提取精華資訊 。就像是做好考試的重點整理一樣，讓Flash模型直接用這些重點來學習，速度更快、使用的算力更小，但品質可以達到和資優生相近的水準。
因為宗旨是減輕企業或開發者的負擔，Gemini 1.5 Flash的定價也壓得更低，每百萬個token 為35美分，比起GPT-4o 每百萬個token要 價5 美元，還要再便宜不少。由此可見，無論是模型還是成本的「輕量化」，都是AI巨頭們未來競爭的重要方向。
「終極目標是讓AI融入Google所有產品和服務，為全世界的人帶來幫助。」阿瑪爾說。這項願景看似遙遠，但以AI技術迭代的速度，科幻般的未來場景，可能比想像更早成為現實。
延伸閱讀：提了121次的AI，Google奪回主導權了嗎？AI摘要是媒體末日還是大商機？
責任編輯：蘇柔瑋
更多報導
簡立峰：黃仁勳1人救台灣！AI PC、AI手機、機器人為何是台灣下一個重要機會？
蘋果聊天機器人難產！WWDC將先推「AI小工具」，合作OpenAI計畫成亮點？
AI時代下，大學科系填資工就對了？專家拆解選系邏輯，1種軟實力更關鍵
