Gemini é uma família de modelos de linguagem de grande porte (LLMs) multimodais desenvolvida pelo Google DeepMind, uma subsidiária do Google. Anunciado em 6 de dezembro de 2023, o Gemini serve como sucessor dos modelos anteriores do Google, LaMDA e PaLM 2. Ele é projetado para processar vários tipos de dados simultaneamente, incluindo texto, imagens, áudio, vídeo e código de computador, distinguindo-o de muitos LLMs somente de texto. O nome Gemini refere-se ao signo do zodíaco e também faz alusão à fusão do Google Brain e DeepMind, bem como ao Projeto Gemini da NASA.
O lançamento introduziu três níveis de modelos: Gemini Ultra, voltado para tarefas altamente complexas; Gemini Pro, para uma ampla gama de tarefas; e Gemini Nano, otimizado para tarefas no dispositivo. No lançamento, o Gemini Pro foi integrado ao chatbot Bard do Google, e o Gemini Nano alimentou recursos no smartphone Pixel 8 Pro. O Gemini Ultra estava previsto para lançamento no início de 2024 sob o nome "Bard Advanced". Os modelos estavam inicialmente disponíveis apenas em inglês, com o Google citando a necessidade de testes de segurança extensivos antes de uma implantação mais ampla.
Desenvolvimento
O Google anunciou o Gemini pela primeira vez durante o discurso principal do Google I/O em 10 de maio de 2023, com o CEO Sundar Pichai o descrevendo como um sucessor mais poderoso do PaLM 2, que também foi revelado naquele evento. Ao contrário dos LLMs típicos, o Gemini foi projetado desde o início como um sistema multimodal, capaz de entender e gerar texto, imagens, áudio, vídeo e código. O desenvolvimento foi uma colaboração entre DeepMind e Google Brain, que haviam se fundido no Google DeepMind no início daquele ano.
O CEO da DeepMind, Demis Hassabis, destacou o potencial do Gemini de superar o ChatGPT da OpenAI, que rodava no GPT-4. Ele traçou paralelos com o AlphaGo, o programa da DeepMind que derrotou o campeão de Go Lee Sedol em 2016, sugerindo que o Gemini combinaria os pontos fortes do AlphaGo com capacidades avançadas de linguagem. Em agosto de 2023, o The Information relatou que o Google visava um lançamento no final de 2023, com planos de integrar geração de imagens e outros recursos multimodais para superar os concorrentes.
O cofundador do Google, Sergey Brin, foi trazido de volta da aposentadoria para auxiliar no desenvolvimento do Gemini, sendo creditado como um "colaborador central". Centenas de engenheiros do Google Brain e DeepMind trabalharam no projeto. Como o Gemini foi treinado em transcrições de vídeos do YouTube, advogados foram envolvidos para filtrar material potencialmente protegido por direitos autorais.
Lançamento e Liberação Inicial
Em 6 de dezembro de 2023, Pichai e Hassabis anunciaram o Gemini 1.0 em uma coletiva de imprensa virtual. A estrutura de três níveis foi revelada: Ultra para tarefas complexas, Pro para tarefas gerais e Nano para aplicações no dispositivo. No lançamento, o Gemini Pro foi integrado ao Bard, e o Gemini Nano foi incorporado ao Pixel 8 Pro. O Gemini Ultra estava planejado para o início de 2024, alimentando o "Bard Advanced" e disponível para desenvolvedores. O Google pretendia incorporar o Gemini em Search, Ads, Chrome, Duet AI no Google Workspace e AlphaCode 2.
O Gemini foi treinado nas Unidades de Processamento Tensorial (TPUs) do Google. O Google o promoveu como seu "modelo de IA maior e mais capaz", projetado para emular o comportamento humano. A empresa afirmou que o Gemini não estaria amplamente disponível até o ano seguinte devido aos requisitos de testes de segurança. Em linha com uma ordem executiva dos EUA assinada pelo Presidente Joe Biden em outubro de 2023, o Google concordou em compartilhar os resultados dos testes do Gemini Ultra com o governo federal. Discussões com o governo do Reino Unido também visavam alinhar-se com os princípios da Cúpula de Segurança de IA em Bletchley Park em novembro.
O Gemini Ultra supostamente superou o GPT-4, o Claude 2 da Anthropic, o Inflection-2 da Inflection AI, o LLaMA 2 da Meta e o Grok 1 da xAI em benchmarks da indústria. Dizia-se que o Gemini Pro superava o GPT-3.5. O Gemini Ultra foi o primeiro modelo de linguagem a superar especialistas humanos no teste Massive Multitask Language Understanding (MMLU) de 57 disciplinas, pontuando 90%. O Gemini Pro tornou-se disponível para clientes do Google Cloud via AI Studio e Vertex AI em 13 de dezembro de 2023.
Integração e Expansão
Em janeiro de 2024, o Google fez parceria com a Samsung para integrar o Gemini Nano e o Gemini Pro na linha de smartphones Galaxy S24. No mês seguinte, o Bard e o Duet AI foram unificados sob a marca Gemini, e o "Gemini Advanced with Ultra 1.0" foi lançado através de um novo nível "AI Premium" do Google One. O Gemini Pro também recebeu um lançamento global.
Em fevereiro de 2024, o Google introduziu o Gemini 1.5, descrito como mais poderoso que o Ultra 1.0, apresentando uma nova arquitetura, uma abordagem de mistura de especialistas e uma janela de contexto de um milhão de tokens. No mesmo mês, o Google estreou o Gemma, uma gama menor e de código aberto de modelos Gemini, vista como uma resposta à Meta e outros que abriram o código de seus modelos de IA.
No discurso principal do Google I/O em 14 de maio de 2024, o Google anunciou o Gemini 1.5 Flash, um modelo mais rápido e eficiente. Planos também foram revelados para integrar uma versão do Gemini Nano otimizada para desktop no navegador Google Chrome através de sua arquitetura "Built-in AI", expondo capacidades de processamento local a desenvolvedores web através de APIs experimentais como a Prompt API ("window.ai").
Atualizações Posteriores
Dois modelos atualizados, Gemini-1.5-Pro-002 e Gemini-1.5-Flash-002, foram lançados em 24 de setembro de 2024. Em 11 de dezembro de 2024, o Google anunciou o Gemini 2.0 Flash Experimental, apresentando uma API Multimodal Live para interações de áudio e vídeo em tempo real, geração de imagens nativa, conversão de texto em fala controlável com marca d'água e Google Search integrado.
Em junho de 2025, o Google introduziu o Gemini CLI, um agente de IA de código aberto que traz as capacidades do Gemini para o terminal, oferecendo recursos de codificação, automação e resolução de problemas com limites generosos de uso gratuito para desenvolvedores individuais.
Arquitetura Técnica e Capacidades
O Gemini é construído sobre uma arquitetura transformador, semelhante a outros modelos de linguagem de grande porte modernos. Ele emprega mecanismos de atenção de múltiplas cabeças e codificação posicional para processar dados sequenciais. O modelo é multimodal, treinado em diversos tipos de dados, e usa TPUs do Google para treinamento e inferência. O design do Gemini incorpora técnicas como mistura de especialistas (em versões posteriores) e suporta uma grande janela de contexto, permitindo-lhe lidar com documentos longos e tarefas de raciocínio complexas.
As capacidades do Gemini incluem compreensão de linguagem natural, geração de código, processamento de imagem e áudio e integração com ferramentas externas. O modelo é projetado para ser adaptável em vários domínios, desde aplicações de consumo como o Bard até soluções empresariais no Google Cloud.
Impacto e Recepção
O lançamento do Gemini intensificou a concorrência no espaço da IA generativa, particularmente com o GPT-4 da OpenAI e os modelos Claude da Anthropic. O Google posicionou o Gemini como um desafiante direto desses sistemas, aproveitando sua integração profunda com o ecossistema do Google, incluindo Search, Workspace e Cloud. A natureza multimodal do modelo foi vista como um passo significativo em direção a uma IA mais semelhante ao humano, com aplicações potenciais em robótica, como Hassabis insinuou ao combinar o Gemini com robótica para interação física.
Analistas da indústria notaram o forte desempenho do Gemini em benchmarks como o MMLU, mas também levantaram preocupações sobre segurança, viés e o impacto ambiental do treinamento de modelos grandes. A decisão do Google de abrir o código do Gemma foi vista como um movimento estratégico para fomentar a adoção pela comunidade e abordar críticas sobre IA proprietária.
Direções Futuras
O Google continua a evoluir o Gemini, com atualizações contínuas e novas versões de modelos. A integração do Gemini no Chrome e em dispositivos Android visa trazer IA no dispositivo para um público amplo. O desenvolvimento do Gemini CLI e outras ferramentas sugere um foco em aplicações centradas no desenvolvedor. Em 2025, o Gemini permanece uma parte central da estratégia de IA do Google, competindo com outros grandes players no campo.