谷歌硬刚OpenAI，但缺王炸

五月真热闹，OpenAI才开了春季发布会，谷歌I/O大会也如期召开了。

主题演讲的关键词仍旧是AI，谷歌还自己在现场给出了提到“AI”的次数，在120次以上。

在万众瞩目的AI领域，谷歌宣布了若干新消息。

AI大模型升级了两个，Gemini 1.5 Pro双下文窗口拓展到200万令牌、Gemini Nano增加多模态理解能力；新发布了三个，更轻更快的Gemini 1.5 Flash、新架下的Gemma 2.0，以及视觉语言模型PaliGemma。

另有文生图模型迭代至Imagen 3，还新发布了一个文生视频模型Veo。

AI的具体应用延展上，谷歌这次憋了不少招。

谷歌的核心产品搜索中，发布AI Overviews，加强版AI搜索摘要功能将率先上架美国。谷歌搜索中还将加入制定计划、视频搜索等多重AI驱动的功能。

此外，Gemini还被塞进谷歌照片以及即时通讯应用Google Messages等产品中。

让人联想到OpenAI才发布的GPT-4o的，是谷歌旨在打造未来通用AI助理的新项目Project Astra，以及Gemin的新功能Live。Gemini Live支持与AI语音聊天，年内预计加入相机功能，和AI实时“视频通话”。

有点尴尬的是，在第三方拉流的直播间里，观众直呼“无聊”，并对眼花缭乱的名字感到困惑。CNET的评论员指出，谷歌需要精进讲故事的能力，而不是一上来就将各个部分尽数展开。

OpenAI赶在谷歌I/O大会前一天开春季发布会，原本盛传的搜索产品没来，但“人类级别响应”的GPT-4o让人一窥新一代AI助理大战的轮廓。

难以想象要是没有OpenAI的狙击，谷歌会有多开朗。

本次谷歌I/O大会上，原本最具惊喜的也是AI助理方面的进展。

首先，谷歌公布了一个新项目，名为Project Astra。用谷歌Deepmind负责人哈萨比斯（Demis Hassabis）的话说，这是真正通向AGI的万能助手项目。

相比于谷歌上一代AI助手Google Assistant，Project Astra的AI助手模式多样，且能实时交互。没有烦人的唤醒词，也没有尴尬的延迟。看你所看，为你排忧解难。

演示视频中，用户打开手机摄像头，对准任意物品，AI可以准确说出物品的名称，如“这是一个音响”。用户可以实时视频的同时，在屏幕上涂画、进一步向AI提问，如画一个箭头指向音响的某个部分，询问是什么。当用户将镜头对准窗外时，AI则直接根据景色猜测出用户所在的地点。

在摄像头匆匆扫过场景的情况下，用户求助“眼镜放在哪儿”，助手准确识别并回答“你的眼镜在红苹果的旁边”。

去年12月，Gemini就曾发布通过视频和AI互动的视频，但事后承认视频经过剪辑，谷歌为此没少被戳脊梁骨。

有意思的是，这次在演示视频的一开头，谷歌就郑重承诺，视频是实时、一次性拍摄的。

不过，谷歌尚未针对Project Astra给出明确的时间线，只是含糊地表示今年晚些时候其中的一些功能将更新到Gemini及其他应用中。

谷歌在AI助手方面还有更看得见、摸得着的进展——Gemini Live，也就是对Gemini产品进行多模态功能拓展。Gemini Advanced用户将可以用语音和Gemini进行对话，对话更流畅自然，延迟更低，可以随时打断，预计夏天上线。谷歌还表示，今年年内将加入相机功能，实现实时视频。

可以说这一次，谷歌被OpenAI精准狙击——GPT-4o不仅早一天发布，而且现场演示，未来几周就会开放给全部用户。

近日外界都在盛传OpenAI将推出搜索类产品，与谷歌一战，但这样的情况并没有发生，而谷歌自己也已经马不停蹄地升级了谷歌搜索。

搜索作为谷歌的核心产品，即将迎来一次大升级——搜索摘要功能AI Overview，同时包含多步推理功能Multi-Step Reasoning、在搜索中做计划Planning in Search，以及用视频提问Ask With Video。

AI Overview，顾名思义，是指用户键入文本、点击搜索之后，出现在最上方的将是AI帮忙整理的信息摘要。其中包含用自然语言对搜索结果的总结和概括，以及推荐的链接。从前这被谷歌称为“搜索生成式体验（SGE）”。

多步推理Multi-step reasoning则可以用来做计划。当用户在搜索框键入“附近最好的瑜伽馆”时，AI摘要会将附近瑜伽馆依照评分、课程、距离等信息分类成块，更清晰地展示给用户。Planning in Search则允许用户直接用谷歌搜索做计划，如在搜索框中键入饮食计划的需求，搜索引擎会给你自动生成一份。

想要搜索商品的时候，AI同样会发挥作用，在搜索框键入“有上下坡的五英里通勤自行车”，搜索引擎会在上方给出选购自行车的思路建议，并给出若干商品推荐。

从一个又一个详尽的演示不难看出，谷歌已经下定决心重塑搜索体验。

不过，AI搜索在很多竞品中都已经被应用，更有专做AI搜索的Perplexity.AI。谷歌对搜索体验作出的重大升级，放在2024年的5月已经不大能带来新鲜感。

应用生态的其他新动作更像是补齐，如Gmail邮箱、Google Messages通讯、谷歌照片等，Gemini逐渐拓展到越来越多的谷歌应用中，大有“Gemini无处不在”的态势。

AI背后的模型，谷歌这次也是大手一挥，升级的升级，新发布的新发布，Gemini家族不断壮大。

三个月前发布的Gemini 1.5 Pro终于“发货”了，即日起正式开放给订阅了Gemini Advanced（类似ChatGPT Plus）的用户。

Gemini 1.5 Pro支持100万token的上下文窗口，今年晚些时候将会增加到200万token。更形象地说，升级后的Gemini 1.5 Pro能同时处理22小时音频、2小时视频、超过60000行代码或140万个单词。

新发布的模型中，Gemini 1.5 Flash原本有明星潜质，但被OpenAI狙击。GPT-4o驱动的ChatGPT狙击Project Astra和Gemini Live，GPT-4o狙击Gemini Flash。

Gemini 1.5 Flash主打更轻更快，反应速度和效率是其主打特色，拥有多模态推理能力，擅长总结、聊天、图像、文档数据提取、视频字幕等。但这些特点，显然和GPT-4o撞车了。

除此之外，谷歌的开源模型Gemma也发布了新版本，Gemma 2.0有270亿参数，并拓展出多模态版本PaliGemma。

多模态生成式模型，谷歌在I/O大会上公布了三个，涵盖图像、音乐和视频。

文生图模型谷歌此前就有，此次做了迭代，发布Imagen 3。Imagen 3对提示词的理解更加准确细致，可以生成更逼真的图像。在演示中，Imagen3从一长段提示词中提取了8个细节信息，并在生成的图像中一一体现。

音乐生成模型Music AI Sandbox是全新的，用户可以用小段Demo拓展延长，也可以按照文本提示对音乐进行再创作，改变和调整音乐风格等。鉴于谷歌旗下还有YouTube等UGC平台，此类模型将很好地服务于创作者。

更惹眼的其实是谷歌此次新发布的文生视频模型Veo。

谷歌Veo可接收文本、图像和视频提示，生成1080p规格、60s的高质量长视频。

年初OpenAI曾发布Sora，虽未正式对公众开放使用，但演示视频和小范围的测试已经让Sora获得了不小的追捧。从演示的效果来看，Veo可与Sora一战。

这届I/O大会，谷歌交出了诚意满满的“成就清单”，大模型仍在进步和创新中，AI应用生态也不断发展。

但新名词轰炸之后，能留给人深刻印象的东西并不多。比起前一天发布GPT-4o让外界感叹科幻电影照进现实的OpenAI，谷歌到底还是缺一个王炸。