今天凌晨,一年一度的 Google I/O 大会在加州山景城盛大开幕了。谷歌憋了好几周的大招,终于舍得一口气放出来,直接来了一波信息轰炸。
差评也派出前线小记者,世超不仅看了大会,还近距离接触了一把谷歌 CEO Sundar Pichai。
逛完一大圈,咱这就带大家伙儿实地走进 I/O,看看谷歌都整了哪些新活儿。
总结一下,这次谷歌把能更新的全做了一遍,AI在各种产品上的应用更是全面开花。
作为谷歌的头牌之一,自三月发布以来,Gemini 2.5 Pro 的表现一直表现非常出色,在 WebDev Arena 和 LMArena 排行榜处于全球领先的地位。
虽然具体的技术细节没有公布,但从他们放出的这张图可以看出,能深度思考的 Gemini 2.5 Pro 在数学、编程、多模态推理方面的效果都十分惊人,甚至在数学上碾压了 OpenAI 的 o3。
他们通过更新 Live API 推出了原生音频输出功能,不仅能够输出人味十足的声音,还能捕捉对话的情绪,自动调整语气。
在 Gemini 的加持下,Live AI 不仅说话的声音像人,说话的内容、方式也像人。
Transformer 架构虽然用了这么久,但计算成本高,速度慢,苦于没啥替代手段,大家只好将就用着。
这次谷歌用扩散模型对大模型的底层架构发起挑战,如果未来 Gemini Diffusion 在表现上还有上升的空间,这可能是一次颠覆性的革新。
Imagen 4、Veo 3、Lyria 2 接连推出,图片、视频、音频生成,谷歌全都要。
从官方的例子可以看出,Imagen 4 遵循提示词的能力满分,能生成高达 2k 分辨率的图片,画面清晰,细节到位。
在 Imagen 3 的基础上,Imagen 4 的整体图像质量更高,对指令遵循的能力更强,速度更快。
视频方面,Veo 3 不仅在 Veo 2 的基础上质量升级,还是首款带音频的视频模型,不仅自带对话,如果需要,也可以来点背景音乐。
结合生成的提示词来看官方的案例,Veo 3 对场景氛围、对话语气和人物动作表情的理解都很出色,生成的视频非常自然。
不得不说,Lyria 2 生成的这段秘鲁风格的舞曲,鼓点、电吉他、贝斯相辅相成,节奏明快,旋律流畅,丝毫没有 AI 痕迹。
如果说咱上面看过的都属于零部件,而下面要说的,是谷歌怎么把这些零件组合起来,融入产品,把AI产品赋能体现得淋漓尽致。
自 2022 年 ChatGPT 问世,大模型对谷歌的核心搜索业务来了一轮狂风巨浪的冲击。
打不过就加入,谷歌这回直接把 Gemini 嵌进传统搜索,利用大模型的多模态和推理能力,把用户想要的整理好,直接喂到嘴里。
AI mode 底层使用谷歌的查询扇出技术 (query fan-out),可以把问题分解成子主题,同时进行多个查询,深入互联网寻找答案。
谷歌表示,加入了 AI 概览以后,用户对搜索的内容满意度更高,使用频率上升了 10%,这是十年来搜索领域最成功的探索之一。
除了搜索,谷歌还把多模态生成技术揉一揉,用 Veo + Imagen + Gemini 搓出了一个电影制作工具 Flow。
从官方案例来看,Flow 的画面表现力确实很优秀。难道失业的风也要吹到导演了吗。。。
谷歌把老项目裸眼 3D Starline 全面升级为 Google Beam,使用六个摄像头从不同角度捕捉画面,再利用 AI 算法把视频流整合,投射在 3D 显示屏中。
这项新功能可以让不同国家的人使用母语通话,即使对方听不懂你在说啥,他们也能听到实时生成的翻译。
还有一个意想不到的产品在这次大会秽土转生了,那就是谷歌 2023 年已经宣判死刑的 Google Glass。
这回谷歌终于放弃之前那套自己搞硬件的想法,而是只干自己擅长的活儿 —— 系统,然后跟咱们国内的 Xreal 合作,推出了基于 Android XR 平台的最新眼镜产品:Project Aura。
Android XR 作为下一代计算设备的系统,结合了谷歌这么些年来在 AI 、VR 和 AR 等方面的技术积累,让头显和眼镜迎来了 Gemini 时代。
Project Aura 支持 AI 的实时翻译,还能进行发短信操作,识别摄像头看到的东西做搜索和问答,并且具备记忆能力。
盘了这么多,其实这次 Google I/O 的内容还远远没有说完,他们还是太全面了。
东西太多,怕大家破产,谷歌还贴心地推出了 Google Ultra 订阅套餐,每月仅需124.99 刀,Google 全家桶带回家!
他们早就摆脱了当年被大模型降维打击的被动局面,转守为攻,可以从容地等待别人去探索市场、试错,时机成熟后再快速入场,找到自己的节奏。
AI 竞赛还在如火如荼地进行,而这次大会,秀的可能不只是当下的技术。想要保住龙头的地位,更重要的,还有谷歌在 AI 领域的广阔布局和长远思考。