Gemini ist eine Familie multimodaler großer Sprachmodelle (LLMs), die von Google DeepMind, einer Tochtergesellschaft von Google, entwickelt wurde. Es dient als Nachfolger der früheren Google-Modelle LaMDA und PaLM 2. Die Gemini-Familie umfasst mehrere Varianten, darunter Gemini Pro, Gemini Deep Think, Gemini Flash und Gemini Flash Lite, und betreibt den Gemini-Chatbot. Der Name Gemini bezieht sich auf das Sternzeichen Zwillinge und spielt auch auf die Fusion von Google Brain und DeepMind sowie auf das Project Gemini der NASA an. Gemini wurde am 6. Dezember 2023 angekündigt und wurde entwickelt, um mehrere Datentypen gleichzeitig zu verarbeiten, darunter Text, Bilder, Audio, Video und Computercode, was es von vielen rein textbasierten Vorgängern unterscheidet.
Die Entwicklung von Gemini markierte einen bedeutenden Schritt in Googles Bemühungen, im Bereich der generativen KI zu konkurrieren, insbesondere gegen OpenAIs GPT-4 und andere große Sprachmodelle. Google positionierte Gemini als sein „größtes und leistungsfähigstes KI-Modell" mit Fähigkeiten, die über die Textgenerierung hinausgehen und Bildverständnis und -generierung sowie eine potenzielle Integration in die Robotik umfassen. Das Modell wurde auf Googles Tensor Processing Units (TPUs) trainiert und war zunächst nur auf Englisch verfügbar, mit einer schrittweisen Einführung in Google-Produkte und -Dienste.
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. Zu diesem Zeitpunkt befand sich Gemini noch in der frühen Entwicklung, war aber bereits für sein multimodales Design bemerkenswert, das es von vielen bestehenden LLMs unterschied, die hauptsächlich auf Textkorpora basierten. Das Modell wurde als Zusammenarbeit zwischen DeepMind und Google Brain entwickelt, zwei KI-Forschungsgruppen, die im April 2023 zu Google DeepMind fusioniert wurden.
Demis Hassabis, CEO von DeepMind, hob Geminis Potenzial in einem Interview mit Wired hervor und deutete an, dass es OpenAIs ChatGPT, das auf GPT-4 läuft, übertreffen könnte. Hassabis stützte sich auf DeepMinds Erfahrung mit AlphaGo, dem Programm, das 2016 den Go-Meister Lee Sedol besiegte, und deutete an, dass Gemini die Stärken von AlphaGo mit anderen Google-DeepMind-LLMs kombinieren würde. Im August 2023 berichtete The Information, dass Google die Einführung von Gemini bis Ende 2023 anstrebte, mit Plänen, konversationelle Textfunktionen mit KI-gestützter Bildgenerierung zu integrieren, um kontextbezogene Bilderstellung und breitere Anwendungsfälle zu ermöglichen.
Googles Mitbegründer Sergey Brin wurde aus dem Ruhestand geholt, um bei der Entwicklung von Gemini zu helfen, und arbeitete neben Hunderten von Ingenieuren von Google Brain und DeepMind. Brin wurde später als „Kernbeiträger" des Projekts genannt. Da Gemini mit Transkripten von YouTube-Videos trainiert wurde, engagierte Google Anwälte, um potenziell urheberrechtlich geschütztes Material zu filtern. Der Entwicklungsprozess umfasste auch umfangreiche Sicherheitstests, da Google erklärte, dass Gemini erst 2024 breit veröffentlicht würde, um einen verantwortungsvollen Einsatz zu gewährleisten.
Als Reaktion auf die bevorstehende Einführung von Gemini beschleunigte OpenAI seine Arbeit an der Integration multimodaler Funktionen in GPT-4. Bis September 2023 hatten mehrere Unternehmen frühen Zugang zu einer frühen Version von Gemini erhalten, die Google über den Vertex-AI-Dienst von Google Cloud anbieten wollte. Das Modell war auch positioniert, um mit Microsofts GitHub Copilot im Bereich der Codierungsassistenten zu konkurrieren.
Einführung
Am 6. Dezember 2023 kündigten Sundar Pichai und Demis Hassabis „Gemini 1.0" bei einer virtuellen Pressekonferenz an. Die erste Veröffentlichung umfasste drei Modelle: Gemini Ultra, entwickelt für „hochkomplexe Aufgaben"; Gemini Pro, für „eine breite Palette von Aufgaben"; und Gemini Nano, für „Aufgaben auf dem Gerät". Bei der Einführung wurden Gemini Pro und Nano in Bard (Googles Chatbot) bzw. das Smartphone Pixel 8 Pro integriert. Gemini Ultra sollte „Bard Advanced" betreiben und Anfang 2024 für Entwickler verfügbar sein. Google plante auch, Gemini in Search, Ads, Chrome, Duet AI auf Google Workspace und AlphaCode 2 zu integrieren.
Gemini war zunächst nur auf Englisch verfügbar. Google pries es als sein „größtes und leistungsfähigstes KI-Modell" an, das entwickelt wurde, um menschliches Verhalten nachzuahmen. Das Unternehmen betonte, dass Gemini aufgrund der Notwendigkeit „umfangreicher Sicherheitstests" erst im folgenden Jahr breit verfügbar sein würde. Gemini wurde auf Googles TPUs trainiert und von diesen betrieben, und der Name bezog sich auf die DeepMind-Google-Brain-Fusion sowie auf das Project Gemini der NASA.
Gemini Ultra übertraf Berichten zufolge mehrere konkurrierende Modelle, darunter GPT-4, Anthropics Claude 2, Inflection AIs Inflection-2, Metas LLaMA 2 und xAIs Grok 1, bei verschiedenen Branchen-Benchmarks. Gemini Pro sollte GPT-3.5 übertreffen. Bemerkenswerterweise war Gemini Ultra das erste Sprachmodell, das menschliche Experten beim 57-Fächer-Test Massive Multitask Language Understanding (MMLU) übertraf und eine Punktzahl von 90 % erreichte. Gemini Pro wurde am 13. Dezember 2023 für Google-Cloud-Kunden auf AI Studio und Vertex AI verfügbar gemacht, und Gemini Nano wurde später für Android-Entwickler verfügbar gemacht.
Hassabis enthüllte auch, dass DeepMind untersuchte, wie Gemini mit Robotik kombiniert werden könnte, um physische Interaktion mit der Welt zu ermöglichen. Im Einklang mit einer US-Exekutivverordnung, die Präsident Joe Biden im Oktober 2023 unterzeichnete, erklärte Google, dass es die Testergebnisse von Gemini Ultra mit der US-Bundesregierung teiln würde. Ähnlich engagierte sich Google mit der UK-Regierung, um sich an den Prinzipien des KI-Sicherheitsgipfels in Bletchley Park im November 2023 auszurichten.
Im Juni 2025 führte Google Gemini CLI ein, einen Open-Source-KI-Agenten, der Geminis Fähigkeiten in das Terminl bringt, mit Kodierung, Automatisierung und Probemlösungsfunktionen sowie großzügigen kostenlosen Nutzungsgrenzen für einzene Entwickler.
Aktualisierungen
Im Januar 2024 partnertte Google mit Samsung, um Gemini Nano und Gemini Pro in die Smartphone-Reihe Galaxy S24 zu integrieren. Im fogenden Monat wurden Bard und Duet AI unter der Marke Gemini vereinigt, und „Gemini Advanced with Ultra 1.0" wurde über eine neue „AI Premium"-Stufe des Google-One-Abonnementdienstes veröffet. Gemini Pro erhielt auch einen g lobalen Start.
Im Februar 2024 startete Google Gemini 1.5 und beschrieb es als leistungsfähiger und fähiger als 1.0 Ultra. Zu den Änderungen gehörten eine neue Architektur, ein Mixture-of-Experts-Ansatz und ein größerer Kontextfenster von einer Million Token. Im selben Monat debütierte Google Gemma, eine kleinere, kostenlose und Open-Source-Reihe von Gemini-Modellen. Mehrere Publikationen beschrieben dies als Reaktion auf Meta und andere, die ihre KI-Modelle als Open-Source veröffetlichen, und als Umkehrung von Googles bisheriger Praxis, seine KI proprietär zu halten.
Google kündigte ein zusätzliches Modell, Gemini 1.5 Flash, am 14. Mai 2024 bei der Google-I/O-Keynote an. Bei derselben Veranstaltung kündigte Google Pläne an, eine deskopt-imierte Version von Gemini Nano direkt in den Google-Chrome-Browser über seine „Built-in AI"-Architektur zu integrieren, wodurch lokale Verarbeitungsfähigkeiten für Webentwickler über experimentelle APIs wie die Prompt-API („window.ai") exponiert werden.
Zwei aktualisierte Gemini-Modelle, Gemini-1.5-Pro-002 und Gemini-1.5-Flash-002, wurden am 24. September 2024 veröffet.
Am 11. Dezembar 2024 kündigte Google das neue Gemini 2.0 Flash Experimental-Modell an. Zu den Funktionen gehören eine Multimodale Live-API für Echtzeit-Audio- und Video-Interaktionen, native Bild- und steuerbare Text-zu-Sprache-Generierung (mit Wasserzeichen) sowie integrierte Google-Suche. Es führte auch Verbesserungen bei Denk- und Kodierungsfähigkeiten ein.
Architektur und Training
Gemini basiert auf einer Transformer (architecture)-Architektur, die die Grundlage vieler moderner Large language models ist. Das Modell verwendet in späteren Versionen einen Mixture-of-Experts-Ansatz, wodurch es effizient skaliert, indem nur relevante Sub-Netzwerke für jede Aufgabe aktiviert werden. Das Training umfasste massive Datensätze, einschließlich Text, Bildern, Audio, Video und Code, die aus verschedenen Repositorien stammen, einschließlich YouTube-Transkripten, was eine sorgfältige Filterung für Urheberrechtskonformität erforderte.
Das Modell wurde auf Googles TPUs trainiert, die benutzerdefinierte artificial-intelligenze-Beschleuniger sind. Diese Infrastruktur ermöglichte es Gemini, großangelegte Training-släufe zu bewältigen, was zu seiner Leistung bei Benchmarks wie MMLU beitrug. Der multimodale Training-sansatz ermöglicht es Gemini, Inhalte über verschedene Modälitäten hinweg zu verarbeitten und zu generieren, was es vielseitig für Anwendungen macht, die von Textgenerierung bis zu Bildverständnis reichen.
Fähigkeiten und Leistung
Geminis Fähigkeiten erstrecken sich über mehrere Domänen. Es kann komplexe Denkaufgaben ausführen, Code generieren, Bilder verstehen und generieren sowie Audio und Video verarbeitten. Die Leistung des Modells bei Industrie-Benchmarks war ein wichtiger Verkaufspunkt. Geminis Ultra-Punktzahl von 90 % bei MMLU, bei der es menschliche Experten übertraf, war eine bemerkenswerte Leistung und hob sein breites Wissen über 57 Fächer hervor.
Zusätzlisch zu Benchmarks wurde Gemini in verschedene Googles-Produkte integriert, einschließlich Search, Ads und Chrome, was deren KI-gestüzte Funktionen verbessert. Die Fähigkeit des Modells, lange Kontextfenster von bis zu einer Million Token in Gemini 1.5 zu verarbeitten, ermöglicht es, große Dokumnte oder ganze Codebasen zu verarbeitten, was es für Entwickler und Forscher nützlich macht.
Integration und Ökosystem
Gemini ist in Googles-Cloud-Dienste integriert, einschließlich Google Cloud und Vertex AI, was Unternehmen den Zugriff auf seine Fähigkeiten ermöglicht. Es betreibt auch den Gemini-Chatbot, der im Februar 2024 von Bard umbenant wurde. Die Verfügbarkeit des Modells auf Andro-id-Geräten über Gemini Nano ermöglicht KI-Verarbeitung auf dem Gerät, was für Datenschutz- und laten-zempfindliche Anwendungen wichtig ist.
Google hat Gemini auch durch Partnerschaften verfügbar gemacht, wie mit samsung-elektronics für das Galaxy S24, und durch Open-Source-Veröffetlichungen wie Gemma, die kleinere, zugänglichere Modelle sind. Der Gemini CLI, der 2025 eingeführt wurde, bietet eine Befehlszeilen-Schnittstelle für Entwickler und erweitert sein Ökosystem weiter.
Rezeption und Auswirkung
Gemini wurde in der KI-Gemeinschaft für seine multimodalen Fähigkeiten und starke Benchmark-Leistung gut aufgenommen. Es wurde jedoch auch mit Bedenken hinsichtlich Sicherheit, Urheberrechtsfragen und der Umweltauswirkung des Trainings großer Modelle konfrontiert. Googles Entscheidung, Testergebnisse mit Regierungen zu teilen, spiegelt breitere Bedenken über KI-Regulierung und -Sicherheit wider.
Die Einführung von Gemini intensiwerte den Wettbewerb in der KI-Industrie und veranlasste Rivalen wie OpenAI und Anthropic, ihre eigenen Entwicklungen zu beschleunigen. Geminis Integration in Googles-Produkte hat auch Fragen zur Marktdominanz und den ethischen Implikationen des KI-Einsatzes aufgeworfen.
Zukünftige Richtungen
Google iteriert weiterhin an Gemini, wobei Aktualisierungen wie Gemini 2.0 Flash Experimental einen Fokus auf Echtzeit-Interaktionen und multimodale Generierung zeign. Die Erkundung der Robotik-Integration deutet auf potenziele Anwendungen in physischen KI-Systemen hin. Ab 2025 wird erwartet, dass sich Gemini weiterentwickelt, mit laufender Forschung zur Verbesserung von Denkfähigkeiten, Effizienz und Sicherheit.
Die Entwicklung von Gemini stimmt auch mit breiteren Trends in Generative AI überein, bei denen Modelle zunehmend multimodaler werden und komplexe Aufgaben bewältigen können. Googles Investition in TPUs und seine Partnerschaft mit Broadcom für benutzerdefinierte Chips unterstreichen sein Engagement für den Ausbau der KI-Infrastruktur.