Google представила Gemini 2.0 Flash Thinking Experimental: модель ШІ для покращення логіки та аналізу
Компанія Google анонсувала нову модель штучного інтелекту під назвою Gemini 2.0 Flash Thinking Experimental. Ця модель, яку описують як інструмент для мультимодального розуміння, логіки та кодування, наразі перебуває на експериментальній стадії. Як повідомляє TechCrunch, вона доступна через платформу AI Studio, що слугує для прототипування ШІ.
Модель характеризується здатністю розв’язувати складні проблеми в галузях програмування, математики та фізики. За словами Логана Кілпатріка, керівника продукту AI Studio, це “перший крок Google на шляху вдосконалення логічних можливостей ШІ”. Джефф Дін, головний науковець Google DeepMind, пояснив, що модель навчена “зміцнювати своє логічне мислення за допомогою обдумування”.
На відміну від традиційних моделей, Gemini 2.0 Flash Thinking Experimental використовує підхід до самоперевірки, що дозволяє уникати багатьох типових помилок ШІ. Проте, цей підхід має й недолік — моделі такого типу потребують більше часу для обробки запитів. Наприклад, під час тестування модель зробила помилку у простому запитанні: скільки літер “R” є у слові “strawberry”, відповівши — “дві”.
Нова модель працює за принципом паузи перед відповіддю: вона аналізує пов’язані запити, пояснює свій процес міркування і лише після цього видає підсумкову відповідь.
Google не єдина компанія, що розробляє подібні технології. У листопаді 2024 року компанія DeepSeek презентувала свою модель DeepSeek-R1, а команда Qwen від Alibaba заявила про створення “відкритого” конкурента Gemini.
За даними Bloomberg, Google має кілька команд, які працюють над моделями логіки, і понад 200 дослідників, які зосереджуються на цій технології. Такі моделі є відповіддю на потребу пошуку нових підходів до розвитку генеративного ШІ, оскільки традиційні методи масштабування вже не приносять бажаних результатів.
Моделі логіки виглядають перспективно, але не всі експерти переконані в їхньому успіху. Одним із головних викликів є їх висока вартість через значні обчислювальні потужності, які вони потребують. Хоча перші результати обнадійливі, поки невідомо, чи зможуть ці моделі демонструвати стабільний прогрес у довгостроковій перспективі.
