多模态交互：AIeyesontheworld
这篇文章主要介绍了Gemini AI模型的多种功能和应用，包括手势识别、视频物体的识别与分类以及作为编织刺绣爱好者的设计指导等。同时，文章也提及了Gemini模型与多模态交互的特点，强调了它在处理复杂任务上的优势。然而，面对Gemini这样的强大对手，其他AI模型如OpenAI可能会如何应对，仍然值得期待。
谷歌Gemini大模型：多模态能力引领人工智能新潮流
谷歌正研发全新多模态模型Gemini，具有强大交互能力和高效性能，可在安卓设备上本地离线运行。Gemini不仅支持多种输入模态，还需大量多模态数据进行训练，实现对不同类型信息的无缝理解、操作和组合。目前，Gemini已应用于自然图像、音频、视频理解等多个领域，在部分学术基准中优于竞争对手GPT 4，并在某些场景下超越人类专家。Gemini系列模型将成为实现通用人工智能（AGI）的关键步骤，谷歌致力于推动人工智能领域的进步。
奥特曼：2023年度CEO的“非正常”之路
《时代》杂志评选OpenAI首席执行官奥特曼为2023年年度CEO候选，此前他经历“辞职风波”。自2019年加入OpenAI以来，奥特曼成功从微软筹集10亿美元，并带领公司发展壮大，成为全球AI领域的佼佼者。然而，今年11月的“宫斗大戏”给公司带来了阴影，随后奥特曼回归并实现重组。尽管 OpenAI在2022年的收入仅为2800万美元，但今年预计每月可创造1亿美元收入。
谷歌推出大规模AI模型Gemini：与OpenAI的竞争加剧
谷歌在其聊天机器人"巴德"中推出了Gemini精简版，这是首个大规模多任务语言理解(MMLU)方面超越人类专家的人工智能模型。Gemini具有多模式功能，能同时识别和理解不同类型的信息，例如文本、代码、音频、图像和视频等。此外，Gemini还能理解并生成Python、Java和C等编程语言的代码。谷歌表示，Gemini正增加对其的保护，并在测试开发过程中的潜在风险，包括偏见、负面言论、暴力内容和负面刻板印象。