# Google 发布「AI 全家桶」反击 GPT\-4o ！搜索引擎罕见大更新， 121 句「AI 」道尽焦虑

- 作者：肖凡博
- 发布时间：2024-05-15 07:14
- 分类：公司
- 原文：https://www.ifanr.com/1585458

![](https://s3.ifanr.com/wp-content/uploads/2024/05/123.png)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/11111.png)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO12.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO10.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO8.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO7.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO6.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO5.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO4.jpg)

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，演示者很快就能解决小麻烦。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO3.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO2.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO20.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO18.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO17.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO16.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO14.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO13.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/11-2.gif)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/22.gif)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/m4-1.jpg)

### 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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/m3.jpg)

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 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」。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/m2.jpg)

### 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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/m1.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/IO23.jpg)

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。

![](https://s3.ifanr.com/wp-content/uploads/2024/05/111111-1.png)

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。

\*王萌对本文亦有贡献