Sztuczna inteligencja Google Gemini 2.0 ma być szybsza i inteligentniejsza dzięki postępom agentycznym

Google Gemini 2.0 oferuje zaawansowane funkcje, takie jak wyniki multimodalne, zrozumienie długiego kontekstu i natywne użycie narzędzi. Czy ten agentyczny model sztucznej inteligencji może prześcignąć swoich rywali i poprowadzić kolejną falę sztucznej inteligencji?

Google od dawna ma obsesję na punkcie szybkości. Niezależnie od tego, czy chodzi o czas potrzebny na zwrócenie wyniku wyszukiwania, czy o czas potrzebny na wprowadzenie produktu na rynek, Google zawsze się spieszyło. Takie podejście przyniosło firmie duże korzyści. Szybsze i bardziej wszechstronne wyniki wyszukiwania wypchnęły Google na sam szczyt rynku.

Jednak szybkie wydawanie produktów zaowocowało długą historią publicznych wersji beta oraz nieudanych lub wycofanych produktów. Istnieje nawet witryna internetowa o nazwie Killed by Google, która kataloguje wszystkie niepowodzenia Google. Chociaż lista ta jest szokująco obszerna, firma uruchomiła także zwycięzców, takich jak Gmail i Adsense. Produkty te pomogły firmie wystrzelić poza zasięg wyszukiwania.

Można więc sobie wyobrazić, jak sfrustrowane było kierownictwo Google przez mniej więcej ostatni rok, kiedy wydawało się, że rewolucja w zakresie sztucznej inteligencji pozostawiła firmę w tyle. Podczas gdy Google od lat inwestuje w technologie sztucznej inteligencji, ChatGPT właśnie przebił się i w bardzo krótkim czasie osiągnął dominację chatbota.

Google oczywiście zareagowało. Wprowadzone pod koniec 2023 roku narzędzie Genegenerative AI Gemini zostało osadzone na górze Google SERP (strona wyników wyszukiwania). W dzisiejszym poście na blogu dyrektor generalny Google i Alphabet, Sundar Pichai, donosi: „Nasze przeglądy Al docierają obecnie do 1 miliarda ludzi, umożliwiając im zadawanie zupełnie nowych typów pytań - szybko stając się jedną z naszych najpopularniejszych funkcji wyszukiwania w historii”.

Jednak, jak stwierdziłem na podstawie własnych testów, sztuczna inteligencja Google dość mocno zawiodła, zarówno przy kodowaniu, jak i przy własnej świadomości własnych możliwości.

Jednak Pichai w tym samym poście na blogu stwierdza, że „od grudnia ubiegłego roku, kiedy wypuściliśmy Gemini 1.0, miliony programistów korzystało z Google AI Studio i Vertex AI do tworzenia aplikacji Gemini”.

Jestem pewien, że to prawda i prawdopodobnie oznacza to, że sztuczna inteligencja Google nadaje się do określonych zadań programistycznych - a do innych nie. Ponieważ Google jest tak skoncentrowany na Pythonie, założę się, że większość tych programistów skupiała się na projektach związanych z Pythonem.

Innymi słowy, jest co poprawiać. Całkiem możliwe, że właśnie nastąpiła poprawa. Google ogłasza dziś Gemini 2.0 wraz z szeregiem ulepszeń opracowanych przez programistów.

Bliźnięta 2.0

Ogłoszenie Gemini 2.0 dotarło do nas za pośrednictwem posta na blogu Demisa Hassabisa i Koraya Kavukcuoglu, odpowiednio dyrektora generalnego i dyrektora ds. technologii Google DeepMind. Nagłówek na najwyższym szczeblu głosi, że Google 2.0 to „nasz nowy model Al dla ery agentycznej”.

Za chwilę wrócimy do kwestii agentycznej, bo najpierw musimy omówić model Gemini 2.0. Technicznie rzecz biorąc, Gemini 2.0 to rodzina modeli, a dzisiaj ogłaszana jest eksperymentalna wersja Gemini 2.0 Flash. Google opisuje go jako „nasz model „konia roboczego” charakteryzujący się niskimi opóźnieniami i zwiększoną wydajnością, oparty na najnowocześniejszej technologii i na dużą skalę”.

To będzie wymagało trochę rozpakowania.

Modele Gemini Flash nie są chatbotami. Zasilają chatboty i wiele innych aplikacji. Zasadniczo oznaczenie Flash oznacza, że model jest przeznaczony do użytku programisty.

Kluczowym elementem ogłoszenia jest temat prędkości. Według Hassabisa i Kavukcuoglu Gemini 2.0 Flash jest dwa razy lepszy od Gemini 1.5 Flash.

Wcześniejsze wersje Gemini Flash obsługiwały wejścia multimodalne, takie jak obrazy, wideo i audio. Gemini 2.0 Flash obsługuje dane wyjściowe multimodalne, takie jak „natywnie wygenerowane obrazy zmieszane z tekstem i sterowalny wielojęzyczny dźwięk zamiany tekstu na mowę (TTS). Może także natywnie wywoływać narzędzia, takie jak wyszukiwarka Google, wykonywanie kodu, a także narzędzia innych firm zdefiniowane funkcje.”

Nawiasem mówiąc, sterowalna zamiana tekstu na mowę polega na tym, że możesz określić takie rzeczy, jak dostosowanie głosu (na przykład męski lub żeński), styl mowy (tj. formalny, przyjazny itp.), szybkość i szczerość mowy i ewentualnie język.

Programiści mogą już teraz korzystać z Gemini 2.0 Flash. Występuje w formie modelu eksperymentalnego, do którego można uzyskać dostęp za pomocą interfejsu API Google w Google AI Studio i Vertex AI. Multimodalne wprowadzanie i wyprowadzanie tekstu jest dostępne dla wszystkich programistów, ale funkcje zamiany tekstu na mowę i generowania obrazów są dostępne tylko dla partnerów Google zapewniających wcześniejszy dostęp.

Osoby niebędące programistami mogą także grać w Gemini 2.0 za pośrednictwem asystenta Gemini AI, zarówno w wersji desktopowej, jak i mobilnej. Tę „zoptymalizowaną pod kątem czatu” wersję Flash 2.0 można wybrać z rozwijanego menu modelu, gdzie „użytkownicy mogą korzystać z jeszcze bardziej pomocnego asystenta Gemini”.

Ambicje agentycznej sztucznej inteligencji

Wróćmy teraz do całej sprawy agenturalnej. Google opisuje agentic jako zapewniający interfejs użytkownika z „możliwościami działania”. Pichai w swoim poście na blogu stwierdził, że agentyczna sztuczna inteligencja „może lepiej zrozumieć otaczający Cię świat, myśleć wiele kroków do przodu i podejmować działania w Twoim imieniu, pod Twoim nadzorem”.

Cieszę się, że dodał „pod twoim nadzorem”, ponieważ idea sztucznej inteligencji, która rozumie otaczający cię świat i potrafi myśleć o wiele kroków do przodu, jest fabułą kryjącą się za wieloma opowiadaniami science fiction, które czytałem przez lata - i nigdy skończyło się dobrze dla ludzkich bohaterów.

Gemini 2.0 zawiera listę ulepszeń, w tym:

• Rozumowanie multimodalne: zdolność rozumienia i przetwarzania informacji pochodzących z różnych typów danych wejściowych, takich jak obrazy, filmy, dźwięki i tekst
• Rozumienie długiego kontekstu: możliwość uczestniczenia w rozmowach zamiast tylko odpowiadania na jednorazowe pytania, możliwość śledzenia tego, co zostało omówione lub przetworzone, oraz pracy na tej historii.
• Złożone instrukcje i planowanie: możliwość wykonania zestawu kroków lub wymyślenia zestawu kroków, aby osiągnąć konkretny cel.
• Wywoływanie funkcji kompozycyjnych: na poziomie kodowania możliwość łączenia wielu funkcji i interfejsów API w celu wykonania zadania.
• Natywne wykorzystanie narzędzi: możliwość integracji usług takich jak wyszukiwarka Google i uzyskiwania do nich dostępu w ramach możliwości interfejsu API.
• Większe opóźnienia: krótszy czas reakcji, dzięki czemu interakcje są bardziej płynne i pomagają zaspokoić ogólne uzależnienie Google od szybkości.

Podsumowując, te ulepszenia pomagają skonfigurować Gemini 2.0 do działań agentowych.

Projekt Astra firmy Google ilustruje połączenie wszystkich tych możliwości. Project Astra to prototypowy asystent AI, który integruje informacje ze świata rzeczywistego w swoich reakcjach i wynikach. Pomyśl o tym jak o wirtualnym asystencie, w którym zarówno lokalizacja, jak i asystent są wirtualne.

Zadania, o wykonanie których może zostać poproszona Astra, obejmują polecenie restauracji lub opracowanie planu podróży. Jednak w odróżnieniu od sztucznej inteligencji chatbota od asystenta oczekuje się połączenia wielu narzędzi, takich jak Mapy Google i wyszukiwarka, podejmowania decyzji w oparciu o istniejącą wiedzę użytkownika, a nawet przejmowania inicjatywy, jeśli, powiedzmy, na trasie do możliwego miejsca docelowego będą prowadzone roboty drogowe. W takim przypadku sztuczna inteligencja może zalecić inną trasę lub, jeśli czas jest ograniczony, być może nawet inny cel podróży.

Project Mariner to kolejny ambitny projekt badawczy Google, choć wydaje mi się też nieco bardziej przerażający. Mariner działa na ekranie przeglądarki, zasadniczo czytając to, co czytasz, a następnie odpowiadając lub podejmując działania w oparciu o pewne kryteria.

Oczekuje się, że Mariner będzie interpretował zawartość pikseli, a także tekst, kod, obrazy i formularze, a także - można mieć nadzieję, że przy kilku poważnych barierach ochronnych - podejmie się zadań w świecie rzeczywistym. Obecnie Google przyznaje, że Mariner radzi sobie całkiem nieźle, ale nie zawsze jest dokładny i czasami może działać nieco wolno.

Jules: Podróż do centrum bazy kodu

Jules jest agentem eksperymentalnym dla programistów. To również wydaje mi się przerażające, więc możliwe, że po prostu nie jestem jeszcze gotowy, aby pozwolić AI działać samodzielnie. Jules to agent integrujący się z przepływami pracy GitHub, którego zadaniem jest zarządzanie kodem i debugowanie go.

Jak wynika z dzisiejszego wpisu na blogu Shresthy Basu Mallick, menedżerki ds. produktów grupy Gemini API i Kathy Korevec, dyrektor ds. produktu w Google Labs, „Możesz przenieść zadania związane z kodowaniem w Pythonie i JavaScript na Jules”.

Następnie mówią: „Dzięki pracy asynchronicznej i zintegrowanej z przepływem pracy w GitHub Jules zajmuje się naprawianiem błędów i innymi czasochłonnymi zadaniami, podczas gdy Ty koncentrujesz się na tym, co tak naprawdę chcesz zbudować. Jules tworzy kompleksowe, wieloetapowe plany skutecznego rozwiązywania problemów modyfikuje wiele plików, a nawet przygotowuje żądania ściągnięcia, aby wprowadzić poprawki bezpośrednio z powrotem do GitHub.”

Zdecydowanie widzę, w jaki sposób Jules mógłby przyczynić się do wzrostu produktywności, ale czuję się też niekomfortowo. Od czasu do czasu delegowałem swój kod programistom i otrzymuję w zamian rzeczy, które można opisać jedynie w następujący sposób: „Cholera, o czym ty myślałeś?”

Martwię się, że uda mi się odzyskać podobnie problematyczną pracę od sztucznych koderów. Danie Alowi możliwości wejścia i zmiany mojego kodu wydaje się ryzykowne. Jeśli coś pójdzie nie tak, znalezienie tego, co zostało zmienione i przywrócenie tego, nawet przy użyciu narzędzi takich jak Git i innych narzędzi do kontroli wersji, wydaje się dużym krokiem.

Musiałem cofnąć pracę wykonywaną przez niesprawnych programistów. To nie było zabawne. Rozumiem zalety automatycznego kodowania. Z pewnością nie lubię debugować i naprawiać własnego kodu, ale rezygnacja z tego poziomu kontroli jest onieśmielająca, przynajmniej dla mnie.

To powiedziawszy, jeśli Google jest skłonny zaufać własnej bazie kodu Gemini 2.0 i Jules, kim jestem, żeby to oceniać? Firma z pewnością spożywa własną karmę dla psów, a to ma duże znaczenie.

Unikanie Skynetu

Wydaje się, że Google mocno wierzy, że sztuczna inteligencja może sprawić, że jego produkty będą bardziej przydatne w szerokim zakresie zastosowań. Wydaje się jednak, że firma również ma oczywiste obawy i stwierdza: „Zdajemy sobie sprawę z odpowiedzialności, jaką się z tym wiąże, oraz z wielu pytań, jakie stawiają agenci Al w zakresie bezpieczeństwa i ochrony”.

Hassabis i Kavukcuoglu twierdzą, że „stosują odkrywcze i stopniowe podejście do rozwoju, prowadzą badania nad wieloma prototypami, iteracyjnie wdrażają szkolenia w zakresie bezpieczeństwa, współpracują z zaufanymi testerami i ekspertami zewnętrznymi oraz przeprowadzają szeroko zakrojone oceny ryzyka oraz oceny bezpieczeństwa i zapewnienia pewności”.

Podają szereg przykładów podejmowanych przez siebie kroków w zakresie zarządzania ryzykiem, w tym:

• Współpraca z wewnętrzną Komisją ds. Odpowiedzialności i Bezpieczeństwa w celu zrozumienia zagrożeń.
• Google korzysta z samego Gemini 2.0, aby pomóc swoim systemom AI rozwijać się z myślą o bezpieczeństwie, wykorzystując własne zaawansowane rozumowanie do samodoskonalenia i ograniczania ryzyka. To trochę jak mieć wilka na straży kurnika, ale ma to sens jako jeden z aspektów ochrony.
• Google pracuje nad kontrolą prywatności w Project Astra i nad tym, aby agenci nie podejmowali niezamierzonych działań. Bo to byłoby baaad.
• W przypadku Marinera (agentu odczytującego zawartość ekranu) Google pracuje nad tym, aby w modelu priorytetowo traktować instrukcje od użytkowników, a nie próby wprowadzenia przez strony trzecie złośliwych monitów jako części zawartości strony internetowej.

Google stwierdza: „Głęboko wierzymy, że jedynym sposobem na zbudowanie Al jest bycie odpowiedzialnym od samego początku, dlatego w dalszym ciągu będziemy priorytetowo traktować bezpieczeństwo i odpowiedzialność jako kluczowy element procesu opracowywania naszych modeli w miarę udoskonalania naszych modeli i agentów”.

To jest dobre. Sztuczna inteligencja ma ogromny potencjał, aby zwiększyć produktywność, ale jest też niezwykle ryzykowna. Chociaż nie ma gwarancji, że BigTech nie stworzy przypadkowo naszego własnego Colossusa w ramach projektu Forbin lub zepsutego Hal-9000, przynajmniej Google jest świadomy ryzyka i zwraca na niego uwagę.

Co sądzisz o tych wszystkich ogłoszeniach Google? Czy jesteś podekscytowany Gemini 2.0? Czy myślisz, że możesz użyć publicznej wersji Project Astra lub Mariner? Czy używasz obecnie Gemini jako chatbota AI, czy wolisz innego? Daj nam znać w komentarzach poniżej.