Gemini：谷歌AI模型的革新之路

2023-2024年是AI领域蓬勃发展的时期，各家科技巨头纷纷推出自家的大模型，竞争激烈。谷歌在AI领域持续深耕，并于2024年8月1日发布了Gemini 1.5 Pro（0801），其卓越的性能超越了ChatGPT-4，使得谷歌夺得lmsys竞技场第一，中文任务也位列榜首。本文将深入探讨Google的AI大模型发展历程，并以实际案例展示Gemini的强大功能。

什么是Gemini？

Gemini 是 Google 推出的多模态 AI 模型，旨在超越 OpenAI 的 ChatGPT 4.0。它不仅拥有强大的文本理解和生成能力，还能处理图像、视频等多模态数据，并进行更深层次的推理和理解，为用户带来更智能、更人性化的交互体验。

Gemini核心特点：

• 多模态能力：Gemini能够处理文本、图像、音频、视频和代码等多种数据类型，使其在信息处理的广度和深度上超越了ChatGPT-4.0，能够更好地理解和响应用户的需求。
• 更强的推理能力：Gemini拥有强大的上下文理解能力，能够处理长文本和复杂代码，进行深入的推理和分析，从而提供更精准、更全面的答案。
• 高效性和适应性： Gemini设计高效，能够在各种平台上运行，从大型数据中心到移动设备，都能提供稳定的性能，满足不同场景下的应用需求。
• 增强AI助手：凭借其先进的功能，Gemini显著增强了AI助手的有效性和可靠性。它支持复杂任务的执行，为用户提供更智能和直观的互动。无论是协助编写代码、生成详细报告，还是创建多媒体内容，Gemini都提升了AI助手的标准。

Gemeni模型家族

为了迎战 ChatGPT，谷歌于 2023 年 3 月推出聊天机器人 Bard，但它的最初产品能力并不足够好、甚至在现场演示时回答出错， 导致股价暴跌。

为了在竞争激烈的AI领域保持领先地位，谷歌不断迭代更新其AI模型。从最初的LaMDA模型，到功能更强大的PaLM模型，再到如今的Gemini模型，谷歌的AI技术一直在不断进步。

模型发展历程:

• 2023年3月: 谷歌推出聊天机器人Bard，最初基于LaMDA模型。
• 2023年12月: Gemini 发布，Bard 宣布将运行在 Gemini Pro 上。
• 2024年2月: 推出 Gemini Pro、Gemini Advanced，Bard 改名为 Gemini，并推出 Gemini 的 Android 和 iOS 应用。
• 2024年5月: 推出 Gemini Pro 1.5、Gemini 1.5 Flash。
• 2024年8月1日: 推出 Gemini Pro 1.5（0801），性能超越 ChatGPT-4。

Gemini模型家族的主要成员及其特点：

此部分相关链接

模型种类介绍：https://deepmind.google/technologies/gemini/

模型进化：https://gemini.google.com/updates

各模型收费信息： https://ai.google.dev/pricing?hl=zh-cn

内置Chrome AI

Gemini Nano模型 将内置到 Chrome 中，供大家免费使用，为用户提供更便捷的AI体验。

使用 chrome 本地模型的好处：

1. 本地处理敏感数据：设备端 AI 可以改进您的隐私保护。例如，如果您处理敏感数据，则可以通过端到端加密为用户提供 AI 功能。
2. 流畅的用户体验：无需网络请求，响应速度更快。
3. 更好地利用 AI：降低服务器负载，用户的设备可以承担一些处理负载，以换取对功能的更多访问权限。例如，如果您提供高级 AI 功能，则可以使用设备端 AI 来预览这些功能，以便潜在客户可以看到您产品的优势，而无需支付额外费用。这种混合方法还可以帮助您管理推断费用，尤其是针对常用用户流的推断费用。
4. 离线使用 AI ：即使没有互联网连接，您的用户也可以使用 AI 功能。

使用 chrome 本地模型的缺点：

1. 模型下载需求：目前模型1.2G，需要手动打开浏览器配置下载，占用一定存储空间。
2. 硬件限制：设备性能差异使得不能保证所有设备都能高效运行复杂的AI模型。

前置条件

1. 准备好梯子，使用 VPN 连接到支持 Gemini 的国家。
2. 申请加入体验计划，在 Chrome for developer 官网（developer.chrome.com/docs/ai/bui…）点击“加入我们的早期预览版计划”。

1. 下载安装最新的 Chrome Canary版 或Chrome Dev版，并确认你的版本等于或高于 128.0.6545.0，请在这个页面找到适合自己电脑的版本https://www.chromium.org/getting-involved/dev-channel/
2. 检查你的设备是否满足要求。

• 要确保你至少有 22 GB 的可用存储空间。
• 如果下载后可用存储空间低于 10 GB，模型将会被删除。请注意，有些操作系统可能会不同地报告实际的可用磁盘空间，例如，是否包括垃圾箱中占用的磁盘空间。在 macOS 上，使用“磁盘工具”来查看有代表性的可用磁盘空间。
• 本文示例都是用130.0.6683.2版本。

开启Gemini Nano和Prompt API

1. 打开下载好的Chrome，地址栏输入 chrome://flags/#optimization-guide-on-device-model ，选择 "Enabled BypassPerfRequirement" 状态，这将绕过性能检查，这些检查可能会阻碍在你的设备上下载 Gemini Nano。
2. 打开 chrome://flags/#prompt-api-for-gemini-nano ，选择 "Enabled" 状态；
3. 开启完前面两项，浏览器就会自动下载大模型，重新启动Chrome。

验证 Gemini Nano 的可用性：

1. 到了这一步可能很多人会遇到模型下载不下来的情况，所以请确保将梯子?节点设置为一个可用国家，以及文章前面所说的前置条件。现在在控制台输入(await ai.assistant.capabilities()).available;，

• 如果返回 readily，则表示模型已下载完成。

如果没有返回 readily，代表失败，请继续以下步骤：

??强制 Chrome 识别你想使用此 API。为此，打开开发者工具，在控制台中发送await ai.assistant.create();。这可能会失败，但这操作会强制提醒chrome下载模型。

1. 控制台执行完await ai.assistant.create();后，重新启动 Chrome。
2. 打开 Chrome 的新标签页，访问 chrome://components

• 确认 Gemini Nano 是否可用或正在下载。
• 你需要看到“Optimization Guide On Device Model”存在，版本大于或等于 2024.5.21.1031。
• 如果没有列出版本，点击“Check for update”强制下载。

1. 一旦模型下载完成并且版本高于上述版本，打开开发者工具并在控制台中发送 (await ai.assistant.capabilities()).available;。如果返回 “readily”，那么你就准备好了。

• 否则，重新启动，等待一会儿（模型1.2G,比较大），然后从步骤 1 再试一次。

如果组件列表没有Optimization Guide On Device Model，或者(await ai.assistant.capabilities()).available的结果返回不是readily，可以尝试更换其他国家节点、修改浏览器语言为English后，重启浏览器。如果依然还是不行，请卸载干净浏览器，更换为**Chrome Canary版 或Chrome Dev版的另外一个版本尝试。**

官方文档的使用步骤参考：https://developer.chrome.com/docs/ai/built-in?hl=zh-cn#get_an_early_preview

使用示例

利用Chrome控制台快速体验：

1. 控制台输入`const session = await ai.assistant.create();`
2. 接着输入 `const result = await session.prompt("实现一个js防抖函数");`
3. 打印结果` console.log(result)`

可以看到Chrome将模型能力，加到了window.ai上，我们在web应用就可以随时使用内置AI能力了。

利用内置AI实现一个聊天框

1. 首先创建一个聊天组件，使用的是tailwind + react实现。 利用react-syntax-highlighter实现的code语法高亮。

import React, { useState } from 'react';
import ReactMarkdown from 'react-markdown';
import { Prism as SyntaxHighlighter } from 'react-syntax-highlighter';
import { solarizedlight } from 'react-syntax-highlighter/dist/esm/styles/prism';

const ChatBox = ({ handleSubmit, messages, input, setInput}) => {
  return (
    <div className="w-full max-w-3xl mx-auto my-10 bg-white shadow-lg rounded-lg overflow-hidden">
      <div className="p-6 h-96 overflow-y-scroll">
        {messages.map((msg, index) => (
          <div
            key={index}
            className={`flex ${msg.type === 'user' ? 'justify-end' : 'justify-start'} mb-2`}
          >
            <div
              className={`p-2 text-left rounded-lg ${msg.type === 'user' ? 'bg-blue-500 text-white' : 'bg-gray-200'}`}
            >
              <ReactMarkdown
                components={{
                  code: ({ node, inline, className, children, ...props }) => {
                    const match = /language-(w+)/.exec(className || '');
                    return !inline && match ? (
                      <SyntaxHighlighter
                        style={solarizedlight}
                        language={match[1]}
                        PreTag="div"
                        {...props}
                      >
                        {String(children).replace(/n$/, '')}
                      </SyntaxHighlighter>

                    ) : (
                      <code className={className} {...props}>
                        {children}
                      </code>

                    );
                  }
                }}
              >
                {msg.text}
              </ReactMarkdown>

            </div>

          </div>

        ))}
      </div>

      <form onSubmit={handleSubmit} className="border-t border-gray-200">
        <div className="flex p-4">
          <input
            type="text"
            value={input}
            onChange={(e) => setInput(e.target.value)}
            placeholder="ask gemini anything"
            className="flex-1 p-2 border border-gray-300 rounded-lg focus:outline-none focus:ring-2 focus:ring-blue-500"
          />
          <button
            type="submit"
            className="ml-2 px-4 py-2 bg-blue-500 text-white rounded-lg hover:bg-blue-600 focus:outline-none focus:ring-2 focus:ring-blue-500"
          >
            发送
          </button>

        </div>

      </form>

    </div>

  );
};

export default ChatBox;

1. 发送消息时，调用浏览器内置方法 window.ai.createTextSession()创建会话。

import React, { useState } from 'react';
import ChatBox from '../../componets/ChatBox';

const BuiltIn = () => {
  const [messages, setMessages] = useState([]);
  const [input, setInput] = useState('');

  const handleSubmit = async (e ) => {
    e.preventDefault();
    if (input.trim()) {
      let newMessage = [...messages, { text: input.trim(), type: 'user' }, { text: 'Loading...', type: 'bot' }]
      setMessages(newMessage);

       // 使用内置 AI 服务
      const session = await window.ai.assistant.create();
      // 以普通的方式返回
      const response = await session.prompt(input.trim());
      newMessage.splice(newMessage.length - 1, 1, { text: response, type: 'bot' });
      setMessages(newMessage);

      // // 以流式返回
      // const stream = await session.promptStreaming(input.trim());
      // for await (const response of stream) {
      //   newMessage.splice(newMessage.length - 1, 1, { text: response, type: 'bot' });
      //   console.log(response);
      //   setMessages(newMessage);
      // }

      setInput('');
    }
  };

  return (
    <>
    <h1 className="text-3xl font-bold underline text-center">Built-in AI</h1>

    <ChatBox handleSubmit={handleSubmit} input={input} setInput={setInput} messages={messages}/>
    </>
  );
};

export default BuiltIn;

效果如图：

network是没有任何请求的，完全都得本地模型，没有任何网络传输。

Gemini API

Google 提供了 Gemini API SDK，方便开发者将 Gemini 模型集成到自己的应用中。API 支持多种编程语言，包括 Python、Node.js、Web 应用、Dart (Flutter)、Android、Go 和 REST。

使用Gemini API

1. 获取 API 密钥: https://aistudio.google.com/app/apikey?hl=zh-cn
2. 使用 SDK 调用 API: 根据所使用的编程语言选择相应的 SDK，参考官方文档进行集成。

web对话框 – 【文生文】

import React, { useState } from 'react';
import ChatBox from '../../componets/ChatBox';
import Multimodal from './Multimodal'
// 引入sdk
import { GoogleGenerativeAI } from '@google/generative-ai';

const API_KEY = '你自己申请的apikey';
const genAI = new GoogleGenerativeAI(API_KEY);
// 选择一个想用的模型 这里我选择gemini-1.5-flash
const model = genAI.getGenerativeModel({ model: "gemini-1.5-flash"});

const GoogleAIWeb = () => {
  const [messages, setMessages] = useState([]);
  const [input, setInput] = useState('');

  const handleSubmit = async (e) => {
    e.preventDefault();
    if (input.trim()) {
      // prompt 输入的提示文本
      const result = await model.generateContent(input);
      const response = await result.response;
      const text = response.text();

      setMessages([...newMessage, { text, type: 'bot' }]);
      setInput('');
    }
  };

  return (
    <>
    <h1 className="text-3xl font-bold underline text-center">GoogleAIWeb</h1>

    {/** 聊天框展示 */}
    <ChatBox handleSubmit={handleSubmit} input={input} setInput={setInput} messages={messages}/>
    </>
  )
};

export default GoogleAIWeb;

效果如图：

可以看到此时与Chrome 内置AI助手不一样， network里面有了请求，走的实时的网络大模型数据。

web对话框-多模态【文+图】

import React, { useState, useRef } from "react";
import { GoogleGenerativeAI } from "@google/generative-ai";

const API_KEY = "你自己的apikey";
// Access your API key (see "Set up your API key" above)
const genAI = new GoogleGenerativeAI(API_KEY);

function App() {
  const [image, setImage] = useState([]);
  const [question, setQuestion] = useState("");
  const [response, setResponse] = useState("");

  const handleImageUpload = (event) => {
    // 这里可能是多张图片
    const files = event.target.files;
    for (let i = 0; i < files.length; i++) {
      const file = files[i];
      if (file) {
        const reader = new FileReader();
        reader.onloadend = () => {
          setImage((prev) => [...prev, reader.result]);
        };
        reader.readAsDataURL(file);
      }
    }
  };

  const handleQuestionChange = (event) => {
    setQuestion(event.target.value);
  };

  // Converts a File object to a GoogleGenerativeAI.Part object.
  async function fileToGenerativePart(file) {
    const base64EncodedDataPromise = new Promise((resolve) => {
      const reader = new FileReader();
      reader.onloadend = () => resolve(reader.result.split(",")[1]);
      reader.readAsDataURL(file);
    });
    return {
      inlineData: { data: await base64EncodedDataPromise, mimeType: file.type },
    };
  }

  const handleSend = async () => {
    if (image && question) {
      try {
        // The Gemini 1.5 models are versatile and work with both text-only and multimodal prompts
        const model = genAI.getGenerativeModel({ model: "gemini-1.5-flash" });

        const prompt = question;

        const fileInputEl = document.querySelector("input[type=file]");
        const imageParts = await Promise.all(
          [...fileInputEl.files].map(fileToGenerativePart)
        );

        const result = await model.generateContent([prompt, ...imageParts]);
        const response = await result.response;
        const text = response.text();

        setResponse(text);
      } catch (error) {
        console.error("Error:", error);
        setResponse("Error occurred while fetching the response.");
      }
    }
  };

  return (
    <div className="min-h-screen flex flex-col items-center justify-center bg-gray-100 p-4">
      <div className="bg-white p-6 rounded-lg shadow-lg w-full max-w-md">
        <h1 className="text-2xl font-bold mb-4">多模态聊天框展示</h1>

        <input
          type="file"
      
          multiple
          onChange={handleImageUpload}
          className="mb-4"
        />
        {image?.map((item) => (
          <div className="mb-4">
            <img src={item} alt="Uploaded" className="w-full h-auto" />
          </div>

        ))}
        {/* {image && (
          <div className="mb-4">
            <img src={image} alt="Uploaded" className="w-full h-auto" />
          </div>

        )} */}
        <textarea
          value={question}
          onChange={handleQuestionChange}
          placeholder="Ask a question about the image..."
          className="w-full p-2 border rounded mb-4"
        />
        <button
          onClick={handleSend}
          className="w-full bg-blue-500 text-white p-2 rounded"
        >
          Send
        </button>

        {response && (
          <div className="mt-4 p-2 border rounded bg-gray-50">
            <strong>Response:</strong> {response}
          </div>

        )}
      </div>

    </div>

  );
}

export default App;

效果如图：

在这个示例中，我们调用Chrome API const result = await model.generateContent([prompt, ...imageParts]); 同时输入了文字+图片， 大模型为我们返回了响应的结果。

Chrome Dev Tools – AI Assist

在Chrome 125之后的版本里，Chrome支持在控制台里使用Gemini AI分析错误和警告，帮助开发者更高效地调试和修复问题。

详情请查看：https://developer.chrome.com/docs/devtools/console/understand-messages

需要满足以下几个条件：

1. 已年满 18 周岁，并且位于支持此功能的地区。
2. Chrome版本在125之后
3. 使用Google 账号登录 Chrome。
4. 设置语言为英语，Settings > Preferences > Appearance > Language， 选择 English (US)
5. 在开发者工具中启用了“Understand console messages with AI”。
1. 打开开发者工具，然后前往 settings 设置，  点击Preferences > Console, 打开 Understand console messages with AI

如果Understand console messages with AI无法开启的话，hover上去会有提示不可开启的原因。如果提示年龄，则需要登录账号，并确保年龄设置大于18岁。如果已经科学上网，并且ip在可以使用的范围内，仍旧提示当前地区不可使用，可以修改下浏览器和系统的语言、地理位置设置，然后重启。

使用示例

1. 在组件内，实现一个能触发错误的组件，如下当点击的时候，使用const 声明了一个常量， 并给这个常量做自加，

import { useState } from 'react';
export default function Test() {
  const [count, setCount] = useState(0);
  const onClick = () => {
    const oldCount = count;
    setCount(oldCount++);
  };
  return (
    <div>
      <button
        className='bg-blue-500 text-white p-2 rounded hover:bg-blue-600'
        onClick={onClick}
        >
        点击次数：{count}
      </button>

    </div>

  );
}

1. 点击按钮，触发错误；打开控制台，hover到错误信息上，会有一个图标；

1. 点击图标，第一次使用会要求同意协议等，点击下一步、同意协议即可：

1. AI 生成错误分析和解决方案结果：

从上面可以看出，不仅给出了问题发生的原因及具体的问题代码，并且还给出了解决方案，这在开发过程中，可以快速的帮我们定位错误。

与ChatGPT对比，及未来展望

各个模型之间对比评测： https://chat.lmsys.org/

Gemini by Google

• 优点:
• 多模态能力强: Gemini在处理文本、代码、图像等多种模态数据方面表现出色，能够更深入地理解和生成内容。
• 推理能力出众: 在复杂的推理任务中，Gemini表现出较强的逻辑推理能力和解决问题的能力。
• 强大的数据基础: 依托 Google 的庞大数据资源和技术积累，Gemini 在知识图谱和搜索信息的实时性上有一定优势。能够回答各种各样的问题，并提供高质量的答案。
• 缺点:
• 模型较大: 由于模型参数量巨大，部署和运行成本较高。
• 目前相对较新的产品：与 ChatGPT 等相比，市场成熟度和用户基础相对较低。

Chat GPT by Open AI

• 优点:
• 强大的语言生成能力：作为目前最流行的聊天 AI 模型之一，ChatGPT 以其语言生成质量高、上下文理解力强而著称。
• 丰富的插件生态：支持插件扩展和 API 接口，可以根据需求自定义功能。
• 开源社区活跃: 拥有庞大的开源社区，有利于模型的改进和发展。
• 缺点:
• 幻觉问题: 有时会产生一些不真实或无意义的输出。
• 知识更新慢: 模型的知识库更新较慢，可能无法及时回答最新的问题。
• 付费墙和订阅模式：高级功能和模型需要付费订阅才能使用，对普通用户来说可能成本较高。

每种模型都有其独特的优势和不足，选择哪种模型取决于具体的应用场景。

• 如果需要处理多模态数据、进行复杂推理，并且对模型的知识广度有较高要求，那么Gemini是一个不错的选择。
• 如果需要与用户进行自然流畅的对话，并且对开源社区的支持比较看重，那么Chat GPT是一个不错的选择。
• 如果对模型的安全性、无害性有较高要求，那么Claude是一个不错的选择。
• 如果需要提高代码编写效率，那么Copilot是一个不错的选择。