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. Die Modellfamilie umfasst Gemini Pro, Gemini Deep Think, Gemini Flash und Gemini Flash Lite und treibt den Gemini-Chatbot an. Der Name leitet sich vom Sternzeichen Zwillinge ab, das die duale Natur des Projekts symbolisiert, das Google Brain und DeepMind zusammenführte. Gemini ist darauf ausgelegt, mehrere Datentypen gleichzeitig zu verarbeiten, darunter Text, Bilder, Audio, Video und Computercode, was es von vielen rein textbasierten Vorgängern unterscheidet.
Entwicklungsgeschichte
Google kündigte Gemini erstmals während der Google-I/O-Keynote am 10. Mai 2023 an und positionierte es als leistungsfähigeren Nachfolger von PaLM 2, das ebenfalls bei dieser Veranstaltung vorgestellt wurde. Google-CEO Sundar Pichai erklärte, dass sich Gemini noch in einem frühen Entwicklungsstadium befinde. Im Gegensatz zu typischen großen Sprachmodellen, die ausschließlich mit Textkorpora trainiert werden, wurde Gemini von Anfang an als multimodales Modell konzipiert, das verschiedene Eingabetypen gleichzeitig verarbeiten kann. Die Entwicklung war eine Zusammenarbeit zwischen DeepMind und Google Brain, zwei Abteilungen, die zu einer einzigen Einheit, Google DeepMind, zusammengeführt wurden.
In einem Interview mit Wired pries DeepMind-CEO Demis Hassabis die fortschrittlichen Fähigkeiten von Gemini und deutete an, dass es OpenAIs ChatGPT, das auf GPT-4 läuft, übertreffen würde. Hassabis hob die Stärken des AlphaGo-Programms von DeepMind hervor, das 2016 weltweite Aufmerksamkeit erlangte, als es den Go-Weltmeister Lee Sedol besiegte, und sagte, dass Gemini die Leistungsfähigkeit von AlphaGo mit anderen Google-DeepMind-LLMs kombinieren würde. Diese Ambition spiegelte Googles aggressive Reaktion auf die wachsende Popularität von ChatGPT und seines eigenen früheren Bard-Chatbots wider.
Im August 2023 veröffentlichte The Information einen Bericht, der Googles Fahrplan für Gemini skizzierte und ein geplantes Veröffentlichungsdatum Ende 2023 enthüllte. Der Bericht deutete an, dass Google hoffte, OpenAI und andere Wettbewerber zu übertreffen, indem es konversationelle Textfähigkeiten mit KI-gestützter Bildgenerierung kombinierte, was kontextbezogene Bilder und ein breiteres Spektrum an Anwendungsfällen ermöglichte. Googles Mitbegründer Sergey Brin wurde aus dem Ruhestand zurückgeholt, um bei der Entwicklung zu helfen, zusammen mit Hunderten von Ingenieuren von Google Brain und DeepMind; er wurde später als „Kernbeiträger“ genannt. Da Gemini mit Transkripten von YouTube-Videos trainiert wurde, wurden Anwälte hinzugezogen, um potenziell urheberrechtlich geschütztes Material herauszufiltern.
Start und erste Modelle
Am 6. Dezember 2023 kündigten Pichai und Hassabis „Gemini 1.0“ bei einer virtuellen Pressekonferenz an. Die 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“. Zum Start wurden Gemini Pro und Nano in Bard bzw. das Pixel-8-Pro-Smartphone integriert. Gemini Ultra sollte „Bard Advanced“ antreiben und Anfang 2024 für Softwareentwickler verfügbar sein. Weitere Produkte, die für die Integration vorgesehen waren, umfassten Search, Ads, Chrome, Duet AI in Google Workspace und AlphaCode 2. Die erste Veröffentlichung war nur auf Englisch verfügbar.
Google pries Gemini 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 gemacht werde, da „umfangreiche Sicherheitstests“ erforderlich seien. Gemini wurde mit Googles Tensor Processing Units (TPUs) trainiert und betrieben. Der Name bezieht sich auch auf das Projekt Gemini der NASA und spiegelt die Fusion von DeepMind und Google Brain wider.
Leistung und Benchmarks
Gemini Ultra soll GPT-4, Claude 2 von Anthropic, Inflection-2 von Inflection AI, LLaMA 2 von Meta und Grok 1 von xAI bei verschiedenen Branchen-Benchmarks übertroffen haben. Gemini Pro soll GPT-3.5 übertroffen haben. Bemerkenswerterweise war Gemini Ultra das erste Sprachmodell, das menschliche Experten beim 57 Themen umfassenden Massive Multitask Language Understanding (MMLU)-Test übertraf und eine Punktzahl von 90 % erreichte. Dieses Benchmark-Ergebnis positionierte Gemini als führendes Modell in der Forschung zu künstlicher Intelligenz und großen Sprachmodellen.
Gemini Pro wurde am 13. Dezember 2023 Google-Cloud-Kunden auf AI Studio und Vertex AI zur Verfügung gestellt. Gemini Nano wurde später Android-Entwicklern zugänglich gemacht. Hassabis enthüllte weiterhin, dass DeepMind erforscht, wie Gemini mit Robotik kombiniert werden könnte, um physisch mit der Welt zu interagieren. In Übereinstimmung mit einer Executive Order, die US-Präsident Joe Biden im Oktober 2023 unterzeichnet hatte, erklärte Google, dass es Testergebnisse von Gemini Ultra mit der Bundesregierung teilen werde. Ebenso führte das Unternehmen Gespräche mit der Regierung des Vereinigten Königreichs, um die auf dem KI-Sicherheitsgipfel in Bletchley Park im November 2023 festgelegten Prinzipien einzuhalten.
Integration in Google-Produkte
Nach dem Start wurde Gemini schnell in das gesamte Google-Ökosystem integriert. 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, wobei „Gemini Advanced mit Ultra 1.0“ über eine neue „AI Premium“-Stufe des Google-One-Abonnementdienstes veröffentlicht wurde. Gemini Pro erhielt auch einen globalen Start und erweiterte seine Verfügbarkeit über die anfängliche englischsprachige Version hinaus.
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 mit Gemma, einer kleineren, kostenlosen und Open-Source-Reihe von Gemini-Modellen. Mehrere Publikationen beschrieben dies als Reaktion auf Meta und andere, die ihre KI-Modelle als Open Source veröffentlichten, und als Abkehr von Googles früherer Praxis, seine KI proprietär zu halten.
Google kündigte am 14. Mai bei der I/O-Keynote 2024 ein zusätzliches Modell an, Gemini 1.5 Flash. Bei derselben Veranstaltung kündigte Google Pläne an, einen für den Desktop optimierten Build von Gemini Nano direkt über seine „Built-in AI“-Architektur in den Google-Chrome-Browser zu integrieren und Webentwicklern lokale Verarbeitungsfähigkeiten über experimentelle APIs wie die Prompt API („window.ai“) zugänglich zu machen.
Nachfolgende Updates und Modelle
Zwei aktualisierte Gemini-Modelle, Gemini-1.5-Pro-002 und Gemini-1.5-Flash-002, wurden am 24. September 2024 veröffentlicht. Am 11. Dezember 2024 kündigte Google das neue experimentelle Modell Gemini 2.0 Flash an. Zu den Funktionen gehörten eine Multimodal Live API für Echtzeit-Audio- und Videointeraktionen, native Bild- und steuerbare Text-to-Speech-Generierung (mit Wasserzeichen) sowie integrierte Google-Suche. Diese Iteration erweiterte die Grenzen der multimodalen KI-Fähigkeiten weiter.
Im Juni 2025 führte Google Gemini CLI ein, einen Open-Source-KI-Agenten, der die Fähigkeiten von Gemini direkt ins Terminal bringt und erweiterte Codierungs-, Automatisierungs- und Problemlösungsfunktionen mit großzügigen kostenlosen Nutzungslimits für einzelne Entwickler bietet. Dieser Schritt unterstrich Googles Engagement für Entwicklerzugänglichkeit und Open-Source-Tools.
Wettbewerbspositionierung
Die Veröffentlichung von Gemini war ein bedeutendes Ereignis in der Wettbewerbslandschaft der generativen KI. Google positionierte Gemini direkt gegen Modelle von OpenAI, Anthropic und anderen KI-Forschungsorganisationen. Die multimodalen Fähigkeiten des Modells und die starken Benchmark-Ergebnisse sollten die Dominanz von GPT-4 und anderen führenden LLMs herausfordern. Googles Integration von Gemini in sein riesiges Produktökosystem, einschließlich Search, Workspace und Android, bot einen Vertriebsvorteil gegenüber Wettbewerbern.
Die Entwicklung von Gemini umfasste auch Kooperationen mit Hardwarepartnern. Die Integration in Samsungs Galaxy S24 unterstrich die Bedeutung von On-Device-KI, während die Verwendung von Googles TPUs die Rolle spezialisierter Hardware beim Training großer Modelle hervorhob. Die Wettbewerbsdynamik erstreckte sich auch auf Cloud-Dienste, wobei Gemini Pro auf Google Clouds Vertex AI verfügbar war und mit Angeboten von Amazon Web Services und Azure konkurrierte.
Technische Architektur und Forschung
Die Architektur von Gemini baut auf Fortschritten bei Deep Learning und Transformer-Modellen auf. Als multimodales Modell integriert es Techniken aus Multi-Head-Attention und Cross-Attention, um Informationen über verschiedene Modalitäten hinweg zu verarbeiten und zu verknüpfen. Der Mixture-of-Experts-Ansatz in Gemini 1.5 ermöglicht ein effizienteres Skalieren, indem nur relevante Teile des Netzwerks für bestimmte Aufgaben aktiviert werden. Das Training des Modells umfasste wahrscheinlich Techniken wie RLHF (Reinforcement Learning aus KI-Feedback) und Curriculum Learning, um Leistung und Ausrichtung zu verbessern.
Die Forschung hinter Gemini stützt sich auf das breitere Feld des maschinellen Lernens, einschließlich Beiträgen von Institutionen wie MIT CSAIL, Stanford AI Lab und Berkeley AI Research. Das Erbe von Google DeepMind, einschließlich des AlphaGo-Programms, floss in das Design des Modells ein, insbesondere in seine Fähigkeit, komplexe, mehrstufige Denkaufgaben zu bewältigen. An der Entwicklung waren auch Forscher wie Demis Hassabis und andere Schlüsselfiguren der KI-Community beteiligt.
Sicherheit und Governance
Google betonte Sicherheitstests für Gemini und verzögerte die breite Verfügbarkeit, um umfangreiche Bewertungen durchzuführen. Das Unternehmen verpflichtete sich, Testergebnisse mit der US-Bundesregierung zu teilen, nach der Executive Order zu KI vom Oktober 2023. Gespräche mit der britischen Regierung zielten darauf ab, sich an den Prinzipien des KI-Sicherheitsgipfels in Bletchley Park auszurichten. Diese Schritte spiegelten die wachsende regulatorische Prüfung von künstlicher Intelligenz und die Notwendigkeit eines verantwortungsvollen Einsatzes leistungsfähiger Modelle wider.
Die Integration von Gemini in Verbraucherprodukte wie das Pixel 8 Pro und das Galaxy S24 warf Fragen zu Datenschutz und On-Device-Verarbeitung auf. Die lokalen Verarbeitungsfähigkeiten von Gemini Nano wurden entwickelt, um die Datenübertragung zu minimieren und einige Datenschutzbedenken auszuräumen. Die breitere Bereitstellung multimodaler KI führt jedoch weiterhin zu Debatten über ethische Nutzung und potenzielle gesellschaftliche Auswirkungen.
Zukunftsaussichten
Stand 2025 entwickelt sich Gemini mit neuen Modellen und Funktionen weiter. Die Einführung von Gemini CLI und der Open-Source-Modelle Gemma deutet auf eine Strategie hin, den Zugang zu KI-Fähigkeiten zu erweitern. Googles fortlaufende Investitionen in Google DeepMind und die Integration mit Google Cloud legen nahe, dass Gemini ein zentraler Pfeiler der KI-Strategie des Unternehmens bleiben wird. Zukünftige Entwicklungen könnten weitere Verbesserungen beim Denken, effizientere Architekturen und eine tiefere Integration mit Robotik und physischen Systemen umfassen, wie Hassabis' Kommentare zur Kombination von Gemini mit Robotik andeuten.
Die Wettbewerbslandschaft bleibt dynamisch, wobei OpenAI und Anthropic weiterhin fortschrittliche Modelle veröffentlichen. Der Erfolg von Gemini wird davon abhängen, ob es seine Leistungsführerschaft behaupten, multimodale Fähigkeiten erweitern und die komplexe regulatorische und ethische Landschaft der KI navigieren kann. Der Name des Modells, der die duale Natur des Sternzeichens hervorruft, erfasst treffend den Ehrgeiz des Projekts, vielfältige KI-Fähigkeiten in einem einzigen, leistungsfähigen System zu vereinen.