Google推出全新人工智慧模型 Gemini 2.0 Flash，用途更為廣泛

Google的下一個主要人工智慧模型已經到來，以對抗來自 Open AI 的新產品的夾擊。本週三，Google 發佈了 Gemini 2.0 Flash，該公司稱其除文字外，還能原生生成圖像和音訊。 2.0 Flash 還可以呼叫第三方應用程式和服務，使其能夠接入 Google 搜尋、執行程式碼等。

2.0 Flash 的實驗版本將從今天開始透過 Gemini API 和 Google 的人工智慧開發者平台AI Studio 和Vertex AI 提供。 不過，音訊和圖像生成功能僅針對部分「合作夥伴」推出，要等到 1 月份才會全面推出。

Google表示，在未來幾個月內，它將為Android Studio、Chrome DevTools、Firebase， Gemini Code Assist等產品帶來各種版本的 2.0 Flash。

 Gemini 2.0 Flash相較於前代的優勢

第一代 Flash（1.5 Flash）只能生成文字，並不是為要求特別高的工作負載而設計的。 Google 表示，這種新模式更具通用性，部分原因在於它可以呼叫搜尋等工具並與外部 API 進行互動。

產品主管圖爾西-多希（Tulsee Doshi）在週二的發佈會上說："我們知道，Flash 在速度和性能之間取得了平衡，因此深受開發人員的歡迎。有了 2.0 版 Flash，它的速度一如既往，而且功能更加強大。"

Google聲稱，根據自己的測試，2.0 Flash 在某些基準測試中的速度是該公司 Gemini 1.5 Pro 模型的兩倍，而且在程式和圖像分析等方面有了"顯著"改進。 事實上，該公司表示，2.0 Flash 憑藉其卓越的數學能力和"事實性"，取代 1.5 Pro 成為 Gemini 的旗艦模型。

如前所述，2.0 Flash 可以生成並修改文字和圖像。 該模型還能採集照片和影片以及錄音，以回答相關問題（例如"他說了什麼？）

音訊生成是 2.0 Flash 的另一項主要功能，多希將其描述為"可操縱"和"可定製"。 例如，該模型可以使用針對不同口音和語言"最佳化"的八種聲音之一來敘述文字。

她補充說："你可以讓它說得慢一點，也可以讓它說得快一點，甚至可以讓它說像海盜一樣的話。"

目前Google沒有提供 2.0 Flash 的圖像或音訊樣本。 目前還無法得知其品質與其他模型的輸出相比如何。

針對深度偽造問題提供標記

Google 表示將使用其SynthID技術對 2.0 Flash 生成的所有音訊和圖像進行數位浮水印處理。 在支援 SynthID 的軟體和平台上（即選定的 Google 產品），模型的輸出將被標記為合成。

這是為了消除對濫用的擔憂。 事實上，深度偽造是一種日益嚴重的威脅。 根據身份驗證服務公司Sumsub的資料，從2023年到2024年，全球檢測到的深度偽造增加了4倍。

2.0 Flash 的正式版本將於 1 月份發佈。 但與此同時，Google將發佈一個應用程式介面（API）--多模態即時應用程式介面（Multimodal Live API），以幫助開發人員建立具有即時音訊和視訊流功能的應用程式。

Google表示，通過使用多模態即時 API，開發人員可以建立即時、多模態的應用程式，並通過鏡頭或螢幕輸入音訊和視訊。 該 API 支援內建各種工具來完成任務，並且可以處理"自然對話模式"，例如中斷，這與 Open AI 的 Realtime API 大體一致。

多模態即時 API 已於今天上午全面推出。