Gemini ist eine Familie multimodaler großer Sprachmodelle (LLMs), die von Google DeepMind, einer Tochtergesellschaft von Google, entwickelt wurde. Angekündigt am 6. Dezember 2023, dient Gemini als Nachfolger der früheren Google-Modelle LaMDA und PaLM 2. Es ist darauf ausgelegt, mehrere Datentypen gleichzeitig zu verarbeiten, darunter Text, Bilder, Audio, Video und Computercode, was es von vielen reinen Text-LLMs unterscheidet. Der Name Gemini bezieht sich auf das Sternzeichen und spielt zugleich auf die Fusion von Google Brain und DeepMind sowie auf das NASA-Projekt Gemini an.
Der Start führte drei Modellstufen ein: Gemini Ultra, ausgerichtet auf hochkomplexe Aufgaben; Gemini Pro, für eine breite Palette von Aufgaben; und Gemini Nano, optimiert für Aufgaben auf dem Gerät. Zum Start wurde Gemini Pro in den Google-Chatbot Bard integriert, und Gemini Nano betrieb Funktionen auf dem Smartphone Pixel 8 Pro. Gemini Ultra war für einen Release Anfang 2024 unter dem Namen „Bard Advanced“ vorgesehen. Die Modelle waren zunächst nur auf Englisch verfügbar, wobei Google den Bedarf an umfangreichen Sicherheitstests vor einer breiteren Bereitstellung anführte.
Entwicklung
Google kündigte Gemini erstmals während der Google-I/O-Keynote am 10. Mai 2023 an, wobei CEO Sundar Pichai es als leistungsfähigeren Nachfolger von PaLM 2 beschrieb, das ebenfalls bei dieser Veranstaltung vorgestellt wurde. Im Gegensatz zu typischen LLMs wurde Gemini von Anfang an als multimodales System konzipiert, das in der Lage ist, über Text, Bilder, Audio, Video und Code hinweg zu verstehen und zu generieren. Die Entwicklung war eine Zusammenarbeit zwischen DeepMind und Google Brain, die Anfang des Jahres zu Google DeepMind fusioniert hatten.
DeepMind-CEO Demis Hassabis hob Geminis Potenzial hervor, OpenAI's ChatGPT zu übertreffen, das auf GPT-4 lief. Er zog Parallelen zu AlphaGo, dem DeepMind-Programm, das 2016 den Go-Weltmeister Lee Sedol besiegte, und deutete an, dass Gemini AlphaGos Stärken mit fortgeschrittenen Sprachfähigkeiten kombinieren würde. Im August 2023 berichtete The Information, dass Google eine Veröffentlichung Ende 2023 anstrebte, mit Plänen, Bildgenerierung und andere multimodale Funktionen zu integrieren, um Wettbewerber zu übertreffen.
Google-Mitbegründer Sergey Brin wurde aus dem Ruhestand geholt, um bei der Entwicklung von Gemini zu helfen, und wurde als „Kernbeiträger“ genannt. Hunderte von Ingenieuren von Google Brain und DeepMind arbeiteten an dem Projekt. Da Gemini mit Transkripten von YouTube-Videos trainiert wurde, waren Anwälte beteiligt, um potenziell urheberrechtlich geschütztes Material herauszufiltern.
Start und erste Veröffentlichung
Am 6. Dezember 2023 kündigten Pichai und Hassabis Gemini 1.0 bei einer virtuellen Pressekonferenz an. Die Dreistufenstruktur wurde enthüllt: Ultra für komplexe Aufgaben, Pro für allgemeine Aufgaben und Nano für Anwendungen auf dem Gerät. Zum Start wurde Gemini Pro in Bard integriert, und Gemini Nano wurde in das Pixel 8 Pro eingebettet. Gemini Ultra war für Anfang 2024 geplant, um „Bard Advanced“ zu betreiben, und war für Entwickler verfügbar. Google beabsichtigte, Gemini in Search, Ads, Chrome, Duet AI auf Google Workspace und AlphaCode 2 zu integrieren.
Gemini wurde mit Googles Tensor Processing Units (TPUs) trainiert. Google pries es als sein „größtes und leistungsfähigstes KI-Modell“, das darauf ausgelegt ist, menschliches Verhalten nachzuahmen. Das Unternehmen erklärte, dass Gemini erst im folgenden Jahr breit verfügbar sein würde, aufgrund von Anforderungen an Sicherheitstests. Im Einklang mit einer US-Exekutivanordnung, die Präsident Joe Biden im Oktober 2023 unterzeichnet hatte, erklärte sich Google bereit, die Testergebnisse von Gemini Ultra mit der Bundesregierung zu teilen. Gespräche mit der britischen Regierung zielten ebenfalls darauf ab, sich an den Prinzipien des KI-Sicherheitsgipfels in Bletchley Park im November auszurichten.
Gemini Ultra übertraf Berichten zufolge GPT-4, Anthropic's Claude 2, Inflection AI's Inflection-2, Meta's LLaMA 2 und xAI's Grok 1 bei Branchen-Benchmarks. Gemini Pro soll GPT-3.5 übertroffen haben. Gemini Ultra war das erste Sprachmodell, das menschliche Experten beim 57-Fächer-Test Massive Multitask Language Understanding (MMLU) übertraf, mit einer Punktzahl von 90 %. Gemini Pro wurde am 13. Dezember 2023 für Google-Cloud-Kunden über AI Studio und Vertex AI verfügbar.
Integration und Expansion
Im Januar 2024 ging Google eine Partnerschaft mit Samsung ein, um Gemini Nano und Gemini Pro in die Smartphone-Reihe Galaxy S24 zu integrieren. Im folgenden Monat wurden Bard und Duet AI unter der Marke Gemini vereinheitlicht, und „Gemini Advanced with Ultra 1.0“ wurde über eine neue „AI Premium“-Stufe von Google One eingeführt. Gemini Pro erhielt ebenfalls einen globalen Start.
Im Februar 2024 führte Google Gemini 1.5 ein, das als leistungsfähiger als 1.0 Ultra beschrieben wurde, mit einer neuen Architektur, einem Mixture-of-Experts-Ansatz und einem Kontextfenster von einer Million Token. Im selben Monat debütierte Google Gemma, eine kleinere, quelloffene Reihe von Gemini-Modellen, die als Reaktion auf Meta und andere gesehen wurde, die ihre KI-Modelle als Open Source veröffentlichen.
Bei der Google-I/O-Keynote am 14. Mai 2024 kündigte Google Gemini 1.5 Flash an, ein schnelleres und effizienteres Modell. Es wurden auch Pläne enthüllt, eine desktop-optimierte Version von Gemini Nano in den Google-Chrome-Browser über seine „Built-in AI“-Architektur zu integrieren, die lokale Verarbeitungsfähigkeiten für Webentwickler über experimentelle APIs wie die Prompt API („window.ai“) bereitstellt.
Nachfolgende Updates
Zwei aktualisierte Modelle, Gemini-1.5-Pro-002 und Gemini-1.5-Flash-002, wurden am 24. September 2024 veröffentlicht. Am 11. Dezember 2024 kündigte Google Gemini 2.0 Flash Experimental an, mit einer Multimodal-Live-API für Echtzeit-Audio- und Video-Interaktionen, nativer Bildgenerierung, steuerbarer Text-to-Speech mit Wasserzeichen und integrierter Google-Suche.
Im Juni 2025 führte Google Gemini CLI ein, einen quelloffenen KI-Agenten, der Geminis Fähigkeiten ins Terminal bringt und Funktionen für Codierung, Automatisierung und Problemlösung mit großzügigen kostenlosen Nutzungslimits für einzelne Entwickler bietet.
Technische Architektur und Fähigkeiten
Gemini basiert auf einer Transformer-Architektur, ähnlich wie andere moderne große Sprachmodelle. Es verwendet Multi-Head-Attention-Mechanismen und positionale Kodierung, um sequenzielle Daten zu verarbeiten. Das Modell ist multimodal, trainiert auf verschiedenen Datentypen, und verwendet Googles TPUs für Training und Inferenz. Geminis Design integriert Techniken wie Mixture of Experts (in späteren Versionen) und unterstützt ein großes Kontextfenster, was es ermöglicht, lange Dokumente und komplexe Denkaufgaben zu bewältigen.
Geminis Fähigkeiten umfassen Verständnis natürlicher Sprache, Codegenerierung, Bild- und Audioverarbeitung sowie Integration mit externen Werkzeugen. Das Modell ist darauf ausgelegt, über verschiedene Bereiche hinweg anpassbar zu sein, von Verbraucheranwendungen wie Bard bis zu Unternehmenslösungen auf Google Cloud.
Auswirkungen und Rezeption
Geminis Start intensivierte den Wettbewerb im Bereich generative KI, insbesondere mit OpenAI's GPT-4 und Anthropic's Claude-Modellen. Google positionierte Gemini als direkten Herausforderer dieser Systeme und nutzte seine tiefe Integration in Googles Ökosystem, einschließlich Search, Workspace und Cloud. Die multimodale Natur des Modells wurde als bedeutender Schritt in Richtung menschenähnlicherer KI gesehen, mit potenziellen Anwendungen in der Robotik, wie Hassabis andeutete, Gemini mit Robotik für physische Interaktion zu kombinieren.
Branchenanalysten bemerkten Geminis starke Leistung bei Benchmarks wie MMLU, äußerten jedoch auch Bedenken hinsichtlich Sicherheit, Voreingenommenheit und der Umweltauswirkungen des Trainings großer Modelle. Googles Entscheidung, Gemma als Open Source zu veröffentlichen, wurde als strategischer Schritt gesehen, um die Akzeptanz in der Gemeinschaft zu fördern und Kritik an proprietärer KI anzusprechen.
Zukunftsaussichten
Google entwickelt Gemini weiter, mit fortlaufenden Updates und neuen Modellversionen. Die Integration von Gemini in Chrome- und Android-Geräte zielt darauf ab, KI auf dem Gerät einem breiten Publikum zugänglich zu machen. Die Entwicklung von Gemini CLI und anderen Werkzeugen deutet auf einen Fokus auf entwicklerzentrierte Anwendungen hin. Ab 2025 bleibt Gemini ein zentraler Bestandteil von Googles KI-Strategie und konkurriert mit anderen großen Akteuren auf diesem Gebiet.