Gemini 2.0 lanseras – Google går in i den agentiska AI-eran

Gemini 2.0 lanseras – Google går in i den agentiska AI-eran

Den 11 december 2024 presenterade Google Gemini 2.0, nästa generation av företagets multimodala modeller. Först ut var den experimentella modellen Gemini 2.0 Flash. Google beskrev lanseringen som starten på den ”agentiska eran”, där AI inte bara svarar på frågor utan även kan planera, använda verktyg och genomföra flerledsuppgifter under användarens kontroll.

Marketplace sammanfattar lanseringen i efterhand. Gemini 2.0 Flash byggde vidare på den snabbhet och kostnadseffektivitet som gjort 1.5 Flash populär, men fick starkare multimodal förståelse, inbyggd verktygsanvändning och möjlighet att skapa kombinerade utdata som text, bild och ljud.

Gemini 2.0 i korthet

| Punkt | Uppgift vid lanseringen |
|---|---|
| Lanseringsdatum | 11 december 2024 |
| Första modell | Gemini 2.0 Flash Experimental |
| Huvudfokus | Agentisk AI och multimodala arbetsflöden |
| Indata | Text, bild, ljud och video |
| Utdata | Text samt experimentell bild- och ljudgenerering |
| Verktyg | Google Search, kodkörning och egna funktioner |
| Första tillgång | Gemini API, Google AI Studio och Vertex AI |
| Konsumentprodukt | Experimentell Gemini 2.0-version började testas i Gemini-appen |

Vad menade Google med agentisk AI?

En vanlig språkmodell tar emot en prompt och producerar ett svar. En agentisk modell kan i stället dela upp ett mål i flera steg och använda externa verktyg under arbetet.

Ett arbetsflöde kan exempelvis vara:

1. tolka användarens mål
2. söka efter aktuell information
3. öppna och jämföra flera källor
4. köra kod eller beräkningar
5. använda en ansluten tjänst
6. kontrollera resultatet
7. be användaren godkänna en extern handling

Det gör modellen mer praktisk, men också mer riskfylld. Ett felaktigt textsvar kan rättas innan det används. En agent som klickar, skickar eller ändrar data kan skapa omedelbara konsekvenser.

Gemini 2.0 Flash som första modell

Google valde att börja med Flash-versionen. Den skulle kombinera hög kapacitet med låg svarstid och rimlig kostnad.

Modellen riktades mot:

• interaktiva appar
• multimodala assistenter
• stora volymer av frågor
• verktygsanvändning
• realtidsliknande upplevelser
• agenter som behöver många modellkörningar

Flash var inte automatiskt bäst på de svåraste analyserna. Google utvecklade samtidigt större och mer resurskrävande modeller för uppgifter där maximal kvalitet var viktigare än snabbhet.

Inbyggd verktygsanvändning

Gemini 2.0 Flash kunde använda verktyg som Google Search och kodkörning. Utvecklare kunde även definiera egna funktioner.

Det var relevant eftersom en modell inte bör försöka lösa allt med sitt interna träningsminne. Aktuella priser, lagar, nyheter och lagerstatus kräver färska källor. Exakta beräkningar bör göras med kod eller kalkylverktyg.

Verktyg minskar vissa fel men skapar nya:

• modellen kan välja fel verktyg
• en sökkälla kan vara opålitlig
• kod kan köras på fel data
• en extern instruktion kan försöka påverka agenten
• verktyget kan ha större behörighet än uppgiften kräver

Säkerheten behöver därför ligga både i modellen och i infrastrukturen runt den.

Multimodal utdata

Tidigare Gemini-modeller kunde förstå flera typer av indata. Gemini 2.0 utvecklades även för mer direkt multimodal utdata.

Google visade experiment med:

• text blandad med genererade bilder
• redigerbara visuella resultat
• flerspråkigt ljud
• röster med olika ton och uttryck

Det gjorde modellen relevant för utbildning, presentationer, kreativa appar och tillgänglighet.

Experimentell utdata kunde samtidigt innehålla felaktig text, konstiga bilddetaljer eller ett tonfall som inte passade situationen. Professionell publicering krävde fortsatt mänsklig kontroll.

Project Astra utvecklades vidare

Project Astra hade presenterats på Google I/O 2024 som en kamera- och röstbaserad universell assistent. Med Gemini 2.0 förbättrade Google bland annat dialog, minne, verktygsanvändning och förståelse av den fysiska miljön.

Google beskrev prototyper som kunde:

• samtala på flera språk
• använda Google Search
• använda Maps och Lens
• minnas delar av en tidigare session
• förstå kamera och skärm med lägre fördröjning

Det var fortfarande forskning och begränsade tester. Hela Astra-upplevelsen var inte en allmänt tillgänglig produkt den 11 december 2024.

Läs vår historiska genomgång av Project Astra och Googles universella AI-assistent.

Project Mariner använde webbläsaren

Google DeepMind visade även Project Mariner, en forskningsprototyp som kunde förstå och använda information i en webbläsare. Agenten analyserade skärmens innehåll och kunde genomföra uppgifter genom Chrome.

Möjliga arbetsflöden var att:

• samla information från flera webbplatser
• fylla i formulär
• jämföra produkter
• navigera administrativa system
• förbereda bokningar

Webbläsaragenter är särskilt utsatta för promptinjektion. En webbsida kan innehålla text som försöker få agenten att lämna ut information eller ändra mål.

En säker agent behöver därför:

• begränsade domäner
• minsta möjliga behörighet
• bekräftelse före köp, publicering och skickande
• tydlig visning av vad agenten tänker göra
• loggning och möjlighet att avbryta

Jules för programmering

Google presenterade även en tidig kodagent med namnet Jules. Den skulle kunna arbeta med GitHub-repositories, planera kodändringar och föreslå lösningar under utvecklarens kontroll.

Jules visade samma övergång som OpenAI Codex och andra programmeringsagenter: från kodkomplettering till en agent som kan arbeta med flera filer och tester.

Kodagenten behöver fortfarande mänsklig pull request-granskning. En fungerande testsvit bevisar inte att säkerhet, affärslogik och arkitektur är korrekt.

Agenter i spel och den fysiska världen

Google DeepMind visade forskning där Gemini 2.0 kunde följa instruktioner och agera i virtuella miljöer. Företaget utvecklade samtidigt robotik och embodied AI.

Virtuella miljöer är användbara för agentforskning eftersom systemet kan testas med tydliga mål och utan fysisk personrisk. Men en modell som klarar ett spel behöver inte automatiskt fungera säkert i ett hem eller en fabrik.

Fysisk AI kräver dessutom:

• sensorer
• maskinsäkerhet
• rörelsekontroll
• nödstopp
• ansvarsfördelning
• tester i verkliga miljöer

Färsk information genom Google Search

Gemini 2.0 kunde använda Google Search som verktyg. Det gav tillgång till aktuell information och gjorde svaren mer verifierbara.

Sökning löser inte automatiskt faktaproblemet. Modellen kan fortfarande:

• välja fel källa
• missa publiceringsdatum
• blanda länder
• sammanfatta satir som fakta
• dra en starkare slutsats än källan stödjer

För viktiga svar bör användaren kunna öppna originalkällorna och se vilket underlag som faktiskt användes.

Tillgång för utvecklare

Gemini 2.0 Flash Experimental gjordes tillgänglig genom Google AI Studio och Gemini API. Företagskunder kunde även arbeta genom Vertex AI.

En experimentell modell kan ändra:

• namn
• kvalitet
• pris
• kvoter
• verktygsstöd
• säkerhetsbeteende

Företag borde därför versionslåsa, testa uppdateringar och ha en reservmodell innan en kritisk tjänst byggdes på en experimentell endpoint.

Säkerhet i den agentiska eran

Google redovisade tester och säkerhetsarbete för multimodala och agentiska funktioner. Men den centrala förändringen var att riskerna flyttade från enbart innehåll till handling.

Ett säkert agentsystem behöver:

1. separat identitet för agenten
2. avgränsade behörigheter
3. mänskligt godkännande för irreversibla steg
4. loggning av verktygsanrop
5. motstånd mot promptinjektion
6. kostnads- och tidsgränser
7. möjlighet att återställa ändringar

Det räcker inte att modellen har en policy om att vara försiktig. Den tekniska miljön måste göra förbjudna handlingar omöjliga.

Svenska företag och Gemini 2.0

För svenska företag kunde Gemini 2.0 användas i avgränsade piloter som:

• research med Google Search
• dokument- och bildanalys
• kodassistans
• intern kunskapssökning
• automatiserad databehandling
• multimodal kundservice

Agentiska handlingar borde börja i läsläge. Skriv-, skicka- och raderingsbehörigheter kan läggas till först när loggning och godkännanden har testats.

GDPR, sekretess och dataregion behöver kontrolleras oavsett modellens tekniska kapacitet.

Gemini 2.0 jämfört med 1.5

| Gemini 1.5 | Gemini 2.0 |
|---|---|
| Genombrott inom lång kontext | Tydligare fokus på agentisk handling |
| Starkt multimodalt inflöde | Mer direkt multimodal utdata |
| Verktygsanvändning genom produkter | Mer nativ tool use i modellfamiljen |
| Pro och Flash för olika kostnadsnivåer | Flash Experimental som första 2.0-modell |
| Dokument- och medieanalys | Agenter, webbläsare och flerledsuppgifter |

Gemini 2.0 ersatte inte behovet av lång kontext. Den byggde vidare på 1.5 och riktade kapaciteten mot verktyg och handling.

Vanliga frågor

När lanserades Gemini 2.0?

Google presenterade modellgenerationen den 11 december 2024.

Vilken modell kom först?

Gemini 2.0 Flash Experimental var den första allmänt presenterade modellen i generationen.

Kunde Gemini 2.0 skapa bilder och ljud?

Google visade experimentell multimodal utdata med text, bild och ljud. Exakt produktstöd varierade mellan API och förhandsversioner.

Vad var Project Mariner?

En forskningsprototyp för en AI-agent som kunde förstå och använda information i Chrome-webbläsaren.

Vad var Jules?

En tidig programmeringsagent som kunde arbeta med kodrepositories och föreslå förändringar.

Var alla agentfunktioner tillgängliga direkt?

Nej. Flera delar var forskningsprototyper eller begränsade förhandsversioner.

Sammanfattning

Gemini 2.0 presenterades den 11 december 2024 och markerade Googles övergång från multimodala svar till mer agentiska system. Gemini 2.0 Flash kunde använda verktyg, behandla flera datatyper och stödja mer avancerade arbetsflöden.

Project Astra, Mariner och Jules visade hur modellen kunde användas i kameraassistenter, webbläsare och kod. Samtidigt ökade konsekvenserna av fel. Den agentiska eran krävde därför inte bara starkare modeller, utan även striktare behörigheter, tydliga bekräftelser och granskningsbara handlingar.

Faktaunderlag: Google, ”Introducing Gemini 2.0: our new AI model for the agentic era”, publicerad 11 december 2024. Artikeln är en historisk sammanfattning publicerad i efterhand.