谷歌Gemini面临挑战，AI性能提升步伐减缓，新组能否找到突破口？

近期，据外媒报道，谷歌在提升其聊天机器人产品Gemini的性能方面遇到了挑战。据内部人士透露，尽管公司投入了大量算力和训练数据，但Gemini的性能提升并未达到预期速度，这一困境与OpenAI近期的遭遇颇为相似。

谷歌在AI领域的野心一直不小，特别是在算力资源方面拥有显著优势。然而，这种优势并未能如愿转化为Gemini模型性能的显著提升。据报道，研究人员在投入更多数据和算力后，发现过去版本的Gemini大模型改进速度反而更快，这一现象引发了业内对scaling law（缩放定律）有效性的质疑。

scaling law曾被视为AI模型性能提升的“金钥匙”，许多研究人员认为，只要使用更专业的AI芯片处理更多数据，模型就能以相同的速度不断改进。然而，谷歌和OpenAI的遭遇表明，这两个因素似乎并不足以解决所有问题。谷歌内部人士透露，公司在开发Gemini的过程中发现，用于训练的数据中存在大量重复信息，这可能损害了模型的性能。

为了应对这一挑战，谷歌正在重新考虑其数据处理策略，并在数据上加大投资。同时，公司还在加快模型的响应速度，这对于以谷歌的规模提供AI服务至关重要。谷歌还效仿OpenAI，在其Gemini部门内组建了一个团队，致力于开发类似OpenAI推理模型的能力。

这个新团队由DeepMind的首席研究科学家Jack Rae和前Character.AI联合创始人Noam Shazeer领导，他们正在探索新的技术路径，以弥补传统scaling law在模型训练阶段导致的性能提升放缓问题。与此同时，开发Gemini的研究人员也在对模型进行手动改进，包括更改超参数，即决定模型如何处理信息的变量。

然而，谷歌在尝试使用AI生成的数据（合成数据）以及音视频作为Gemini的训练数据时，并未取得显著效果。这一结果再次凸显了当前AI技术发展的瓶颈和挑战。

随着OpenAI和谷歌这两大AI巨头相继遇到模型性能提升缓慢的问题，业内对AI技术未来发展的悲观情绪开始蔓延。一些人担心，如果技术瓶颈长期无法突破，可能会引发所谓的“AI泡沫”，即市场对AI技术的过度乐观预期与实际技术进展之间的巨大差距。