Jeff Dean, Chief Scientist bij Google DeepMind en een van de meest ervaren ingenieurs binnen Google, heeft in een recent interview toegelicht welke ontwerpkeuzes ten grondslag liggen aan Gemini. Zijn kernboodschap: het model is niet gebouwd als een verzameling losse functies, maar als één samenhangend systeem waarin tekst, beeld, audio en code vanaf de grond af aan met elkaar verweven zijn.
Dean deelde ook hoe hij binnen Google op zoek gaat naar veelbelovende onderzoeksideeën, een proces dat volgens hem minder te maken heeft met grote strategische plannen en meer met het serieus nemen van kleine, opvallende signalen uit dagelijkse experimenten.
Wie is Jeff Dean en waarom telt zijn visie
Dean behoort tot de groep ingenieurs die de technische fundamenten van Google mede heeft gelegd. Hij was betrokken bij systemen als MapReduce, Bigtable en TensorFlow, en gold jarenlang als hoofd van Google Research en later Google AI.
Die achtergrond geeft zijn uitspraken over Gemini gewicht. Waar marketingteksten vaak blijven steken in vage beloftes over 'krachtigere AI', spreekt Dean vanuit de machine learning-architectuur zelf, met kennis van de afwegingen die daaraan voorafgingen.
De ontwerpfilosofie achter Gemini
Een terugkerend thema in Deans toelichting is dat Gemini vanaf het begin multimodaal is opgezet, in plaats van dat losse modellen voor tekst, beeld en audio achteraf aan elkaar zijn geknoopt. Dat klinkt als een technisch detail, maar heeft directe gevolgen voor hoe het model informatie verwerkt.
Een model dat native met meerdere datatypes is getraind, kan verbanden leggen die een opgeknipte architectuur mist. Denk aan het interpreteren van een screenshot naast een bijbehorende tekstuele vraag, zonder dat daar een aparte vertaalstap tussen zit.
- Eén architectuur voor tekst, beeld, audio en code in plaats van gekoppelde losse modellen
- Nadruk op efficiëntie, zodat grotere modellen ook praktisch inzetbaar blijven
- Korte onderzoekscycli waarin experimenten snel worden getest en bijgesteld
Hoe Dean veelbelovende ideeën opspoort
Opvallend is Deans uitleg over hoe onderzoeksrichtingen binnen Google ontstaan. Volgens hem beginnen de meest kansrijke ideeën zelden als groots aangekondigd project.
Ze duiken vaker op als klein, onverwacht resultaat in een experiment dat oorspronkelijk een ander doel diende. Dean benadrukt dat teams die ruimte moeten krijgen om zulke zijsporen serieus te onderzoeken, in plaats van strikt vast te houden aan een vooraf bepaalde roadmap.
Die werkwijze verklaart mede waarom grote taalmodellen zich de afgelopen jaren sneller hebben ontwikkeld dan veel buitenstaanders hadden voorspeld: vooruitgang komt vaak uit een opeenstapeling van kleine, snel geteste aanpassingen, niet uit één doorbraakmoment.
Wat dit betekent voor gebruikers en marketeers
Voor wie AI-tools als Gemini dagelijks inzet, is dit meer dan een technisch verhaal achter de schermen. Het verklaart bijvoorbeeld waarom het model relatief soepel omgaat met gemengde input, zoals een vraag die zowel een afbeelding als tekst bevat.
Voor marketeers en contentmakers is het relevant om te beseffen dat dergelijke modellen continu bijgesteld worden op basis van kleine interne experimenten. Grote functieveranderingen worden zelden lang van tevoren aangekondigd, wat betekent dat de manier waarop AI-zoekresultaten en samenvattingen tot stand komen, geleidelijk kan verschuiven zonder duidelijke aankondiging vooraf.
Bron: Search Engine Journal