谷歌7大模型22项AI大招轰炸！70秒视频生成、Gemini安卓合体、200万tokens上下文

5月15日报道，今日凌晨，在一年一度的谷歌I/O开发者大会上，谷歌干了一场AI硬仗！

时长不到2小时的开幕式期间，谷歌CEO桑达尔·皮查伊携一众谷歌高管总共提到121次“AI”。谷歌DeepMind的联合创始人兼CEO戴密斯·哈萨比斯首次在I/O大会上发表演讲，顺序仅次于皮查伊，足见AI大模型已经成谷歌的头等大事。

在昨天OpenAI发动奇袭、推出干掉传统语音助手的旗舰模型GPT-4o后，作为“全球AI一哥+搜索一哥”的谷歌，势必得扳回一城，搏一搏谁才是AI赛道的头号“大模王”。

这次，谷歌连珠炮般甩出了22项AI大招，包括公布200万tokens超长上下文Gemini 1.5 Pro进阶版、Gemini 1.5 Flash轻量级模型、通用AI Agent、高质量文生图模型Imagen 3、AI音乐创作工具Music AI Sandbox、70秒视频生成模型Veo、首个视觉语言开放模型PaliGemma等多款模型，还剧透了下一代Gemma 2大模型。

Veo生成视频的部分片段：

其他大招包括第六代TPU、AI基础设施、AI搜索新功能、Google Workspace应用Gemini功能、Gemini Live多模态功能、Gemini定制功能、Gemini Advanced、画圈即搜功能、Gemini Nano新功能、安卓Gemini合体、AI辅助红队技术、扩展和开源SynthID文本水印等。

谷歌还展示了一系列AI系统，包括将视觉和语言转化为机器人行动的RT-2、浏览复杂虚拟3D环境的SIMA、解决奥数问题的AlphaGeometry。

发布会开场，皮查伊称目前有超150万开发人员在使用Gemini模型，谷歌拥有20亿用户的产品都在使用Gemini，谷歌推出安卓和iOS上可用的应用程序直接与Gemini互动，3个月内已有超过100万人注册尝试。

谷歌今天的诸多AI大招还有哪些精彩细节，这些技术又将如何深度影响产业，我们将带你一文看尽。

一、未来通用AI Agent：日常生活随时答疑解惑的超级助手

昨天OpenAI果然是有预谋的精准狙击，率先亮出聊天丝滑宛如真人、具有炫酷实时视频理解能力的旗舰模型GPT-4o，导致今天谷歌展示的未来AI助手Project Astra演示有点儿眼熟：

Loaded: 57.83%Picture-in-PicturePauseCurrent Time 0:51/Duration 2:16FullscreenMute自动播放

演示者打开手机摄像头，边走边问摄像头捕捉到的现实场景中的问题。

比如要求“看到能发出声音的东西就告诉我”，Gemini就会给出准确描述：“我看到一个音响发出声音。”接着你可以在手机屏幕上画出红色箭头，追问“音响的这部分叫什么”，Gemini立即回复说这是“高频扬声器”并解释它的用途。

再比如要求Gemini给出创造性的头韵体，它随即根据画面中的蜡笔给出回答：“Creative crayons color cheerfully. They certainly craft colorful creations.”

实时解答代码同样不在话下。

甚至扫一眼周围环境，Gemini就能推断出你住在哪个小区。

找不到东西也可以请求Gemini的帮助，问问它有没有看见自己的眼镜在哪儿，Gemini立即发现它在桌面上靠近一个红苹果的地方。

你还能直接现场板书，问在这里可以添加什么来使得系统更快，Gemini回复说“在服务器和数据库之间添加缓存可以提高速度”。

此外，问它看到这个画面能想起什么，Gemini能瞬间理解它指的是“薛定谔的猫”。

让它给小狗和老虎玩偶的组合起个乐队名，Gemini给出的建议是“金色条纹”。

二、8大AI模型/工具炸场！最强文生图、70秒视频生成、200万tokens超长上下文

1、Veo：全新视频生成模型，只需一个文本、图像或视频提示，就能制作和编辑70秒以上不同视觉风格的高质量1080p视频。

OpenAI发布Sora后，视频大模型的热度就一直居高不下，今天谷歌的Veo也算是正面硬刚Sora了。

用户可以自定义各种风格模式，还能通过点击增长时间，视频时长可以超过1分钟。

从Veo生成的视频中我们可以看到，AI对空间中的物体关系是有理解的。比如车辆是如何在道路上行驶的，车辆之间的位置关系等等。

Loaded: 49.55%Picture-in-PicturePlayCurrent Time 0:00/Duration 1:22FullscreenMute自动播放

同时，Veo生成的视频镜头有不错的一致性，人、动物、物体的移动显得比较真实、自然。

谷歌说，Veo是他们在视频生成领域技术的集大成制作，包含了多年来谷歌开发的生成查询网络（GQN）、DVD-GAN、Imagen-Video、Phenaki、WALT、VideoPoet和Lumiere等各类技术。

值得一提的是，Veo还能理解很多电影术语，比如“时光倒流（Timelapse）”。

在演示视频中，电影导演也用到了Veo，Veo帮他们把灵感变成现实，电影导演说，AI可以帮他们快速发现构思中的错误并快速纠正，提高效率。

谷歌称，实现这些，需要让AI模拟世界的物理法则，这是很关键的。

用户可加入实验室等待名单，在新实验工具VideoFX中尝试。

2、Imagen 3：谷歌迄今最高质量的文生图模型，能更好理解文本，创造出逼真图像，能从草图快速生成高分辨率图像。谷歌自信地说Imagen 3是目前最强大的图像生成模型。

Imagen 3生成的图像可以达到“数毛”级别，具备非常多的画面细节，同时其光影细节也非常震撼。

Imagen 3可以像人一样理解世界，可以理解文字中的信息对应图像中的哪一部分，并且具备上下文理解能力。

Imagen 3可以更好地理解自然语言，理解提示文字背后的意图，比如它可以理解人物照片中的背景虚化效果、人物跟背景中植物和建筑的关系。

3、Music AI Sandbox：AI音乐创作工具，可以改变音乐的创作方式，谷歌与音乐家、词曲作者和制作人密切合作来帮助设计和测试这款工具。

在生成式音乐创作方面，谷歌通过Music AI Sandbox跟音乐家合作，音乐家可以直接把一段哼唱或者弹奏的灵感片段发给AI，生成一首歌或者一段真正的旋律。

音乐家说，AI就像一个朋友，让你试试这个、试试那个，这可以解放他们的创造力，让他们更高效地创作音乐。

4、Gemini 1.5 Pro进阶版：多模态，上下文窗口扩展至200万个token，改进代码生成、逻辑推理和规划、多轮对话、音频与图像理解能力，支持35种语言，面向全球开放。

上下文扩展到200万个tokens，意味着它能够处理1500页PDF、30000行代码或是1小时的视频。Gemini 1.5 Pro在翻译、编码、推理等方面，可处理更广泛、更复杂的任务。

皮查伊宣布把Gemini 1.5 Pro的进阶版开放给全球开发者使用。

Gemini 1.5 Pro即日起面向谷歌Workspace Labs进行开放，支持用户在工作场景中获得更多智能功能。

皮查伊谈道，多模态+上下文可以解锁不少新功能。比如基于Gemini在谷歌Gmail邮箱中搜索内容，人们可以问Gemini“小朋友最近在学校做什么？”，Gemini就会去识别相关邮件及附件，给出一个关键要点的列表。

现场谷歌演示了NotebookLM的音频概述功能，用户只需将文本资料输入进去，该软件即可基于Gemini Pro 1.5能力，生成丰富的音频内容素材，就像整合成一个课本一样，互动性、沉浸性较高。

5、Gemini 1.5 Flash：轻量级模型，针对低延迟和低成本任务（聊天应用、从长文档提取数据等）进行了优化，成本效益更高，上下文窗口达100万个token。

Gemini 1.5 Flash模型，相比此前的Gemini 1.5 Pro，该模型的特点是轻量级，支持快速、多模态、长上下文的推理。

价格方面，Gemini 1.5 Pro为7美元/100万tokens，对于128k以下的输入，将降价50%至3.5美元/100万tokens；Gemini 1.5 Flash的价格为0.35美元/100万tokens。

Gemini 1.5 Pro和Gemini 1.5 Flash这两款型号的模型现已在200多个国家和地区提供预览版，并将于6月全面上市。

6、PaliGemma：谷歌首个视觉语言开放模型，Gemma系列型号在轻量级7B和2B尺寸方面将提供行业领先的性能。

谷歌此前于2月推出开源模型Gemma，包含7B、2B两种参数规模，在各大开源社区下载量已累计数百万次。

今天，谷歌发布其首个视觉语言开放模型PaliGemma，基于SigLIP视觉模型和Gemma语言模型等开放组件构建，用于在各种视觉语言任务上实现一流的微调性能，包括图像和短视频字幕、视觉问答、理解图像中的文本、对象检测和对象分割等。

7、Gemma 2抢先看：将在未来几周正式发布一个有270亿个参数的模型版本。Gemma 2 27B性能媲美Llama 3 70B，尺寸不到Llama 3 70B的一半，可在NVIDIA GPUs或Vertex AI单个TPU主机上运行。

Gemma 2还在进行预训练。下图展示了最新的Gemma 2检查点的性能以及基准预训练指标。

8、LearnLM：基于Gemini的新系列模型，对学习进行了微调，应用教育研究使谷歌搜索、Gemini、YouTube等产品更加个性化、更活跃、更吸引学习者，将在未来几个月发布。

三、AI搜索走向多模态！发布最强AI安卓系统，手机上就能圈图提问读文档

1、AI搜索：到今年年底，谷歌搜索的AI概览将超过10亿人。谷歌搜索将很快推出多轮推理能力，可将复杂问题分解处理，将原本需要几分钟甚至几个小时的研究压缩到在几秒钟内完成，还将支持在搜索中对视频提问。

皮查伊宣布，谷歌即日起开始向每位美国用户推出基于Gemini改进的搜索体验，本周将向更多国家开放。

在谷歌照片方面，Gemini让照片搜索变得更容易。假设用户在停车场准备付款但想不起自己的车牌号，他可以简单地询问Gemini，基于之前拍的照片告诉用户车牌号码。

基于此谷歌宣布推出AI Overviews工具，将陆续面向美国及各国用户开放。

谷歌AI Overviews功能相比传统搜索引擎的结果，其将为用户呈现出完整的包括观点、见解、链接的答案。

谷歌搜索负责人Liz Reid强调，谷歌的AI搜索概述有三大独特优势：实时信息、排名和质量体系、Gemini模型能力。

今天起，谷歌AI搜索概述将在美国全面推出，后续推广到更多国家和地区，在今年内覆盖10亿用户。

Reid称，谷歌引入多步推理功能（Multi-step reasoning），把大问题分解为小部分，并判断优先顺序。

例如，用户想找一个合适的普拉提工作室，需要同时考虑时间、价格、距离等因素。用户可以在谷歌搜索输入：在波士顿找到最好的瑜伽工作室，并显示优惠详情、从我家过去的步行时间。

谷歌搜索将提炼整合出这些信息，并呈现在AI搜索概述中，为用户节省数个小时的时间。这一功能也适合用在出行、聚会等规划上，或是餐饮计划的定制等。

例如“为团队定制一个三天的餐饮计划”，AI搜索概述不仅能提供各类型的食谱，还能直接将食谱中用到的食材等导出成购物清单，这意味着用户仅需提问，就能将所需的一切加入购物车。

此外，谷歌搜索还将很快推出视频搜索功能。例如可以通过拍摄电唱机，来获取故障排除相关的AI搜索概述。

2、Google Workspace应用：侧边面板可使用Gemini 1.5 Pro模型，将使跨应用程序的工作变得更加容易，例如在Gmail中识别收据并在Drive和Sheets中组织收据，还可以通过数据问答让Gemini帮你分析开支。

AI在我们的日常办公中能有什么妙用，这次谷歌在Workspace中增加了不少AI重磅新功能。

在邮件应用中，Gemini可以根据我们的需求总结邮件中的信息，比如家里屋顶漏水了，Gemini可以帮你找到所有修复屋顶的公司发给你的邮件，按照各个公司的报价、可以服务的时间进对比。

Gemini可以找到价格相对合适，上门服务时间最快的合同商，我们确定后，Gemini还可以提供邮件回复建议。

值得一提的是，Gemini是有理解语境能力的，AI知道之前的邮件中都说了什么。

更进一步，在邮件应用中，Gemini还可以帮你追踪所有订单、相关收据，把这些邮件进行归纳整理，放到一个文件夹里，然后把其中关键信息整理进表格里。

用户可以直接选择自动化工作流，后面所有相关订单邮件都会放到文件夹里，关键信息也会自动整理进表格。

我们还可以直接问Gemini“我的钱都花在哪里了？”Gemini可以直接用图表给你展示出来，让你清清楚楚地知道自己哪里花销最大。

此外，在公司办公协作场景中，谷歌还推出了一个“AI虚拟员工”功能，可以说是打造了一个“最强AI实习生”。

这个AI虚拟员工会有一个Workspace账号，用户可以对其自由命名、指派任务。

▲右侧为用户建立的AI虚拟员工Chip

我们可以把这个AI虚拟员工放在各个工作群组里，它可以在各个群聊中提取信息，找到关键信息。

值得一提的是，这个AI员工可以有“集体记忆”，可以总结之前的一些工作重点，还可以把总结发送给相关人员。谷歌高管称，以前需要几个小时做的，现在AI几分钟的就可以做好。

可以说，这着实是最强AI企业实习生了。

3、Gemini Live：今年夏季将扩展Gemini的多模态功能，包括使用你的声音进行深入的双向对话的能力。

在Gemini APP中，谷歌推出Gemini Live功能，用户可通过文本、语音或影像多种方式进行交互，直接与大模型进行对话，并能够随时打断，可以打开摄像头使其“看到”周围的世界并实时响应。

Gemini Live将在未来几个月内，优先向Gemini Advanced订阅用户推出。

4、Gems：Gemini定制功能，无论你需要一位瑜伽闺蜜还是微积分导师，都可以定制专属的Gemini来以特定方式进行互动。

用户可以通过简单的指令打造个人专家，例如写作教练、瑜伽老师、代码检查器等。在构建过程中，用户可直接选择Google Drive中的文件上传。

Gemini还将连接更多谷歌工具，包括日历、任务、邮件等，在这些应用中用户能够通过简单的提示获取AI体验。

5、Gemini Advanced：今年夏季将新增旅行计划功能，支持创建个性化的行程；即日起支持访问Gemini 1.5 Pro，具有100万个tokens上下文窗口，可上传多达1500页的文件；接下来几周内新增数据分析功能，上传电子表格即可更快分析数据、制作图表、发现见解。

上一篇：谷歌2小时疯狂复仇，终极杀器硬刚GPT-4o！Gemini颠覆搜索，视频AI震破Sora

下一篇：OpenAI首席科学家离职 曾参与驱逐CEO奥特曼