در ۶ دسامبر ۲۰۲۳، گوگل از خانواده جدید مدلهای زبانی بزرگ خود رونمایی کرد. گوگل جمینای که توسط تیم Google DeepMind توسعه یافته، بهعنوان یکی از بزرگترین تلاشهای علمی و مهندسی این شرکت توصیف میشود. این مدل که جانشین LaMDA و PaLM 2 محسوب میشود و نامش از نشان برج جوزا گرفته شده، نقطه آغاز آن چیزی است که مدیران گوگل آن را «عصر جمینای» مینامند؛ بازنگری بنیادین در نحوه درک سامانههای هوش مصنوعی از جهان پیرامون.
هدایت پروژه توسط ارشدترین مدیران گوگل
ساندار پیچای، مدیرعامل گوگل و آلفابت، این رویداد را در بستر تحولات تاریخی فناوری بررسی کرد و گذار به هوش مصنوعی را عمیقترین دگرگونی زندگی بشر دانست؛ تحولی که حتی از گذار به وب و موبایل نیز بزرگتر است. او به نزدیک به هشت سال تلاش گوگل بهعنوان شرکتی با رویکرد نخستِ هوش مصنوعی اشاره کرد و یادآور شد که سرعت پیشرفت همچنان در حال شتاب است و میلیونها نفر اکنون از هوش مصنوعی مولد در محصولات مختلف این شرکت بهره میبرند.
دمیس هَسابیس، مدیرعامل و همبنیانگذار Google DeepMind، با نگاهی فنی و فلسفی به معرفی این مدل پرداخت. او با اشاره به مسیر شغلیاش که از برنامهنویسی هوش مصنوعی برای بازیهای رایانهای در دوران نوجوانی آغاز شد و به پژوهش در علوم اعصاب انجامید، بیان داشت که تیمش همواره در پی ساخت نسل جدیدی از مدلهای هوش مصنوعی بوده است؛ مدلی که بر اساس شیوه درک انسان از جهان الهام گرفته و کمتر شبیه یک نرمافزار هوشمند و بیشتر شبیه ابزاری مفید و شهودی به نظر برسد.
معماری ذاتی و چندوجهی
هسته فنی جمینای در چندوجهیبودن ذاتی آن نهفته است. برخلاف رویکردهای پیشین، این مدل از پایه برای پردازش همزمان انواع اطلاعات شامل متن، کد، صوت، تصویر و ویدئو طراحی شده است. این معماری یکپارچه به جمینای توانایی استدلال چندوجهی پیشرفته و کدنویسی در سطح بالا را میبخشد.
در آزمایشهای ارزیابی تصویر، نسخه جمینای اولترا توانست بدون اتکا به سامانههای تشخیص نوری نویسه (OCR) از مدلهای پیشین بهتر عمل کند. این دستاورد نشاندهنده چندوجهیبودن ذاتی جمینای و نشانههای اولیهای از تواناییهای استدلالی پیچیدهتر است.
سه سطح توانمندی: اولترا، پرو و نانو
جمینای ۱.۰ در سه اندازه متفاوت عرضه شد تا انعطافپذیرترین مدل گوگل تا به امروز باشد. این ساختار امکان اجرای کارآمد مدل را از مراکز داده قدرتمند تا دستگاههای موبایل فراهم میکند:
- جمینای اولترا: بزرگترین و توانمندترین نسخه، ویژه انجام وظایف بسیار پیچیده.
- جمینای پرو: بهترین گزینه برای مقیاسپذیری در طیف گستردهای از وظایف.
- جمینای نانو: کارآمدترین نسخه، طراحیشده برای پردازش روی خود دستگاه.
ساختار چندسطحی این خانواده اجازه میدهد فناوری زیربنایی مشابه، از استدلالهای پیچیده در مراکز داده تا کاربردهای محدود به حافظه روی گوشیهای هوشمند، بهطور گسترده به کار گرفته شود.
عملکرد بینظیر در آزمونهای معیار
گوگل برای اثبات کارآمدی جمینای، آن را در طیف وسیعی از وظایف آزمایش کرد. نتایج بهدستآمده محور اصلی ادعاهای این شرکت در زمان عرضه شد. نسخه جمینای اولترا توانست در ۳۰ مورد از ۳۲ آزمون معیار دانشگاهی پرکاربرد، از برترین نتایج ثبتشده پیشی بگیرد.
دستاورد چشمگیر در آزمون MMLU
بزرگترین جلب توجه رسانهها در آزمون MMLU (درک زبانی چندوظیفهای گسترده) رقم خورد. این آزمون با ترکیب ۵۷ موضوع علمی از جمله ریاضیات، فیزیک، تاریخ، حقوق، پزشکی و اخلاق، دانش عمومی و توانایی حل مسئله را میسنجد. جمینای اولترا با کسب ۹۰.۰ درصد امتیاز، نخستین مدلی شد که توانست از متخصصان انسانی در این آزمون پیشی بگیرد. بخشی از این موفقیت به رویکرد جدید اجرای آزمون بازمیگردد که به جمینای اجازه میدهد پیش از پاسخدادن به پرسشهای دشوار، با دقت بیشتری استدلال کند.
این موفقیتها نشان میدهد که گوگل با جمینای نه تنها به دنبال رقابت در بازار هوش مصنوعی است، بلکه مرزهای فناوری را برای ساخت سیستمهایی با درک عمیقتر و شهودیتر از جهان جابهجا میکند.
