Google 对轰 GPT-4o ！连夜发布十几款新品，喊了 121 次「 AI」 ，台下观众却快睡着了

昨晚 OpenAI 发布了 ChatGPT-4o 后，压力就给到了 Google I/O ，仿佛 Google 无论如何也摆脱不了「AI 界的汪峰」这一称号。

而 Google 则通过近 2 个小时的发布会，提了 121 次 AI ，推出了十余种新品及升级，可谓「量大管饱」，火力全面覆盖，但给人的惊喜却并不多。

我们先给大家一次性总结这场发布会的亮点，更多功能解析请接着往下看。‍

发布会要点：

Google Search AI：发布了 AI Overviews，加强版 AI 搜索概要功能，多步推理能力上架。

Gemini 大模型：Gemini 1.5 Flash（100 万上下文）；Gemini Pro（200 万上下文）。

Gemma 大模型：发布开源多模态大模型 Pali Gemma 和 Gemma2。

AI in Google Workspace：用 Gemini 的能力和 Side Panel 的形式，将 Google 系列产品串在一起。

Gemini App：手机版的 Gemini 应用程序，即将支持和 AI 视频对话，近几周发布。

Project Astra：最新的多模态 AI 项目，包含 Imagen3、 Music AI Sandbox 和 Veo 等针对图像、音乐、视频的生成式 AI。

做搜索起家，用搜索王炸

Google Search 是 Google 最大的投资和创新领域之一，更是它们的创始产品。

25 年前，Google 开启了搜索功能，今晚 Google 再次拓展了搜索的边界。

简单来说，有了 AIGC 的 Google Search，可以做到更多事情：

无论你在想什么，无论你需要完成什么，只要问问（它），Google Search 就能找到。

而 Google Search 的一切进化，都是建立在专为其定制的 Gemini 模型上。

Google 在发布会上介绍，「与众不同」的 Google Search，主要有三个独特的优势：

Google 的实时信息包括超过一万亿个关于人、地点和事物的事实

名列前茅的产品，和最好的网络服务之一

Gemini 的力量

把将这三件事结合在一起，就解锁了 Google 在搜索领域的全新能力。

第一个新功能是 AI Review，用户可以通过在搜索结果的顶部，获取由 AI 大模型生成的摘要，以此简化整个搜索过程，让复杂问题的检索过程，变得简单。

Google 称，到今年年底，将有超过十亿人使用 Google Search 中的 AI Review 功能，而且 Google 宣称，这也将会是其搜索引擎 25 年以来最大的更新之一。

Multi-step reasoning 是 Google Search 中的另一个重磅功能。

通过全新的多步推理，以后我们做一些生活、工作和出行的计划，会变得非常简单。

比如你可以通过搜索栏来找到「附近最好的瑜伽馆」，随后附近所有关于瑜伽馆的介评价评分、课程推荐、距离等重要信息，都会被分类成块，十分清楚地在搜索结果中显示。

依靠 Google 自有的庞大数据库，AI 在搜索过程当中可以调用最新、最全的高质量信息，所以搜索结果的准确性和可信性也就有了更多的保障。

目前，Google 在全球包含了超过 2.5 亿个地点，并实时更新，当中还包括评分、评论、营业时间等重要信息。

Planning in Search 是另一个帮你减少负担的更新。

比如你现在正在重新调整膳食结构、从头安排饮食计划，不想在早餐、午餐和晚餐时吃通心粉和奶酪。

直接把需求抛给搜索框，Google Search 就能还给你一份按照要求，且合理安排的全新一周食谱。

而且，你还可以随时改变条件和细节，搜索的结果也会根据最新的提示实时更新。

如果说上述的功能，我们已经在其他公司的产品中见过，甚至用过，那 Ask with Video ，一定会给你一些惊喜。

生活当中有很多物件，都有着各自的专属名称，有些器械出现一些小问题时，也都有着对应的修理方式。但很多时候只有专业人士才能叫得出，也只有他们能「对症下药」。

现在通过 Google Search 的 Ask with Video，每个人都能称为专家，它相当于一本装在手机里的百科全书。

唱片的零部件不起作用了不知道从何下手，相机的快门突然失灵......以前可能要大费周折地寄回厂家售后，但现在用 Google 设备的镜头拍下问题所在，Google Search 就能根据你所遇到的问题初步诊断，一些小故障还能当场给出解决方案。

在发布会的实时演示里，AI 还把整个的修理步骤一一列出，按照屏幕上的指示，掩演示者很快就能解决小麻烦。

这个功能，是通过 AI 逐帧分解视频，把每一帧的关键信息导入 Gemini 的长触点窗口挨个分析，并梳理网络中相关的文章、论坛、视频等，从中找到见解，以此实现了 Ask with Video 的智能建议。

比起传统的文字输入，视频最大的好处在于，我们和 AI 的交互过程变得更加直观，用「这里」「这个」等模糊的词语，也能使大模型知道我们指代到底是什么。

Google 称，这些最新的 AI 功能，将会在未来几周内于实验室功能推出，这也意味着更强大的 Google Search 离落地已经不远了。

后续版本中，它甚至还将能基于页面中视频的自动字幕来寻找答案，不知道会不会抢了那些「1 分钟看完 XX 电影」博主的饭碗。

图 · 歌 · 片，瞄着 OpenAI 打

如果说前两天的 GPT-4o 是 AI 再一次给世界带来了一点震撼，那今晚 Google 官宣的 Project Astra 则是震撼的延续。

Project Astra 是 GoogleMind 的原型——一个通用人工智能助手。

和 GPT-4o 的使用效果类似，用户可以通过它和 AI 实时对话，以及视频聊天。

发布会的演示可以很好地表现这个新功能，工作人员在演示视频中将手机镜头对准身边的物品，并向 Project Astra 提出一些疑问，它几乎能做到零延时地准确回答。

例如 Project Astra 能说出音响上半部分的是高音喇叭，对电脑屏幕上显示的代码也能轻松识别其具体作用。

Google 称：

我们的新项目专注于构建一个未来的人工智能助手，它可以在日常生活中真正提供帮助。

基于更强大的 AI 性能，Google 在 I/O 上还宣布了另外三个实用功能，它们分别在「图像」「音乐」「视频」领域，体现着先进技术的「未来感」。

Imagen 3 是 Google 发布的最新的图像生成模型。

它可以更加理解我们的提示词，并以此创建更加逼真的图像。

发布会上展示的「狼」的生成图片，就是 Imagen 3 在一段叙述中，准确提取了 8 个细节信息，并且在图片中都有体现。

不难发现，生成图片不仅细节准确，而且十分逼真。

Imagen 3 还能应对一些更加抽象的图片创作，例如根据「彩虹色」「羽毛组成的 light」「黑色背景」的提示，生成的创意图片。

就像是它很清楚你想要什么。

发言人甚至在发布会上开玩笑式地炫耀「你可以用它来数别人脸上的胡须」。

在音乐生成方面，Google 也有了新的突破。

Music AI Sandbox 是最新推出的音乐生成模型，Google 这次在 I/O 现场还请来了 Marc Rebillet 坐镇分享。

根据艺人创作的一小段音乐 demo，Music AI Sandbox 能在此基础上拓展延长，还可以进一步按照用户输入的提示词，如音乐风格和种类等，进行乐曲的二度创作。

Google 称，它们和 YouTube 一起构建了 Music AI Sandbox：

这是一套专业的 AI 音乐工具，可以从头开始创建新的乐器部分，在轨道之间转换风格等，以帮助我们设计和测试它们。

另一个实用模型名为 Veo，专注于生成视频。

用户只需输入相关的文本、图像或视频提示，Veo 就能创建高质量的 1080p 规格的视频，时长也达到了 60 秒之久。

它能以不同的视觉和电影风格捕捉指令中的详细信息。

例如，我们可以在提示中输入事物、横向或延时的航拍照片，并使用其他提示进一步编辑视频。

一直以来，视频生成 AI 「只在理论上成立」其实有诸多阻碍，其中走向「能用」的最大门槛是：视频生成时间只有短短几秒，一般只能在一两个动作里反复横跳。

所以 Sora 发布之初才会引起非常大的讨论，而今晚开始，Google 的 Veo 也成了大家重点关注的对象，从照片写实主义到超现实主义和动画，大部分的影视风格，它都能处理。

除了 Project Astra 以外，Google 还为我们提供了一个可私人定制的 Gemini ——Gems。

Google 表示，它能在保留指定特征的情况下完成任务，成为千人千面的私人助手，用户可以通过调整定位，使其成为瑜伽好友、虚拟的流行人物、健身伙伴、创意写作指导甚至是微积分导师等，都不在话下。

Gemini 狂卷长文本，Gemini 家族再添新成员

Gemini 项目自曝光以来，一直备受关注。起初也曾存在一定争议，但后来也凭借自身实力挽回了口碑，而今也越来越成熟。

据皮查伊介绍，目前有超过 150 万开发人员使用 Gemini 模型，用户数量已经达到 20 亿，如今皮查伊再提「Gemini 时代」，目标是将其集成到所有产品中，为用户带来全新体验，也为创造者、开发者、创业公司创造新的机会。

目前最新的 Gemini 1.5 Pro 支持 100 万 token 文本量，今年晚些时候据称这个数字将会达到 200 万，能够同时处理 2 小时的视频、22 小时的音频、超过 60,000 行代码或超过 140 万个单词。

此外，大会还宣布了基于 Gemini 1.5 Pro 的 Gemini Advanced，据称它可以处理「多个大型文档，总计最多 1500 页，或汇总 100 封电子邮件」，还支持 35 多种语言和 150 多个国家 / 地区。

不得不说，在文本量方面，Gemini 确实很卷，「朝着将任何输入转为任何输出的目标迈出了一大步」。

安全永远是重中之重

自 AI 诞生之初以来，关于如何辨别 AI 生成内容的争论就一直没有停止。Google 的对策是通过 SynthID，为 AI 生成的图像和音频添加不可见的水印，使其更易于区分，

未来 Google 将会把这一范围推广到文本及视频中，并在接下来的几个月里，通过更新生成式 AI 工具包开源 SynthID 文本水印，帮助更多开发人员更轻松地负责任地构建 AI。

Gemini 融入其中后，Android 会在通话过程中，检测到可疑活动时发出警告，例如被要求提供您的社会安全号码和银行信息，属于是直接把「反诈中心」装手机上了。

还有无障碍功能 TalkBack 也将通过 Gemini Nano 增强，图像描述将更加清晰和丰富，帮助视力不佳的用户通过语音反馈更好地操作手机，体现出 Google 一贯的人文关怀。

而对于 Google 今晚的表现，英伟达 NVIDIA 研究经理 Jim Fan 的评价，十分中肯。

Google 新发布的模型似乎是多模态输入，但不是多模态输出的 Imagen3 和 Music AI Sandbox 仍然作为独立组件与 Gemini分离。将所有模态 I/O 原生合并是不可避免的未来。

它可以执行任务，如「使用更机器人化的声音」「编辑这幅图像」「生成一致的漫画条带」。

而且还不会在模态边界上丢失信息，例如情感和背景声音，全新模型打开了新的上下文能力，用户也能通过少量示例教导模型，并以新颖的方式结合不同的意义。

GPT-4o 并不完美，但它正确地掌握了形式因素，用安德烈的 LLM- 作为操作系统的比喻来说：

我们需要模型本地支持尽可能多的文件扩展名。

Google 做对了一件事：他们终于在将人工智能整合到搜索框中做出了认真的努力。

Gemini 不必是最好的那一个，但却可以成为最广泛使用的一个。

微信扫码关注该文公众号作者