編者按：OpenAI確實帶來了人工智能的“iPhone時刻”，而如今谷歌在AI時代，仍是“iPhone時刻”之后跟隨的Android……
在前一天晚上被OpenAI狠狠“截胡”的谷歌，在2024 I/O大會上，終于給出了有力的“回擊”。
美國當?shù)貢r間5月14日上午10點（北京時間5月15日凌晨1點），2024 Google I/O大會正式召開，本次大會的主題演講將圍繞人工智能展開，谷歌公布了Gemini AI的最新進展，并圍繞谷歌核心業(yè)務(wù)和生成式人工智能的融合展開分享。不僅帶來了“進階版”的Gemini Pro 1.5，還帶來了全面對標Sora文生視頻大模型的Veo。
谷歌CEO桑達爾·皮查伊（Sundar Pichai）在活動現(xiàn)場表示，目前有超過1500萬開發(fā)者在使用Gemini做開發(fā)。而Gemini最近三個月時間達到了100萬訂閱用戶。
全新的Gemini大模型產(chǎn)品矩陣
首先，在本屆I/O大會上，谷歌宣布了多項技術(shù)能力的升級。
“進階版”Gemini 1.5 Pro
I/O大會上，Gemini 1.5 Pro進階版開放給開發(fā)者，進階后，最大支持上下文窗口從100萬Tokens升級到200萬，同時支持35種語言?，F(xiàn)在可以分析比以前更長的文檔、代碼庫、視頻和音頻錄音。此外，Gemini 1.5 Pro還能夠?qū)崿F(xiàn)處理更加復雜和細微的指示，包括指定產(chǎn)品級行為的指示，如角色、格式和風格等。
更高效率、更低時延Gemini 1.5 Flash
于此同時，為了滿足用戶對低延遲和低成本的需求，谷歌首先帶來輕量化模型Gemini 1.5 Flash。它基于“蒸餾”技術(shù)，專為大規(guī)模服務(wù)設(shè)計，速度更快、成本低至0.35美元/百萬Tokens。
Gemini 1.5 Flash依舊支持100萬和200萬Tokens兩個版本，適用于摘要、聊天應(yīng)用、圖像和視頻字幕、長文檔和表格的數(shù)據(jù)提取等需要快速處理的任務(wù)。
為了反擊OpenAI，谷歌也在今日發(fā)布了多款多模態(tài)大模型，包括圖像大模型Image 3、視頻大模型Veo等。
Gemma大模型升級，開源大模型陣營再迎猛將
谷歌旗下開源大模型Gemma也在活動中迎來了重大升級。谷歌表示，即將于6月上線的Gemma 2中引入一個全新的、擁有270億參數(shù)的模型。這是Gemma模型的下一代升級，這個龐大的模型尺寸已經(jīng)由Nvidia進行了優(yōu)化，確保它能夠在最新的GPU上順暢運行，并且同樣在單個TPU主機和vertex AI平臺上表現(xiàn)出色。除了這一巨大的270億參數(shù)模型外，谷歌還計劃推出PaliGemma視覺語言開放模型，這將進一步擴展Gemma 2的功能和應(yīng)用范圍。
文生圖大模型Imagen 3
Imagen 3作為谷歌最新推出的文生圖大模型，進一步增強了文本生成圖片的技術(shù)能力，與其前身Imagen 2相比，Imagen 3能夠更準確地理解了它翻譯成圖像的文本提示，使得模型產(chǎn)生的“干擾性工件”和錯誤更少，并且在生成方面更“富有創(chuàng)造性和細致”。谷歌還計劃很快將Imagen 3模型提供給使用谷歌企業(yè)生成式人工智能開發(fā)平臺Vertex AI的開發(fā)人員和企業(yè)客戶，以滿足更廣泛的用戶需求。
文生視頻大模型Veo
Veo是谷歌最新的視頻生成模型，正式對標Sora。Veo集成了谷歌旗下大量視覺模型的特性，具備高級的自然語言和視覺語義理解能力，可以生成長度超過1分鐘，分辨率最高1080P的“高質(zhì)量”視頻，并具有多種視覺和電影風格。
教育模型LearnLM
針對于學習領(lǐng)域，谷歌還推出了LearnLM，這是一系列全新的用于學習領(lǐng)域的生成式AI模型。此舉不僅標志著Google在AI教育領(lǐng)域的重大突破，同時也是對OpenAI近日針對教學輔導場景所展示能力的有力“回應(yīng)”。
LearnLM的誕生是Google DeepMind AI研究部門與谷歌研究部門深入合作的結(jié)晶。谷歌表示，LearnLM模型旨在通過“對話式”的方式，為學生提供個性化的學習指導，幫助他們深入理解并掌握各種主題。這不僅將提升學生的學習效率，也將為他們帶來更加豐富和有趣的學習體驗。
大模型賦能的產(chǎn)品與場景
大模型對話產(chǎn)品Gemini Live
在I/O大會上，谷歌發(fā)布了基于Gemini的對話式體驗產(chǎn)品——Gemini Live，它允許用戶在智能手機上與Gemini進行“深入”的語音聊天，用來反擊OpenAI日前的大模型對話演示。用戶可以在聊天機器人說話時打斷Gemini提出澄清問題，它將實時適應(yīng)用戶的語音模式。此外，Gemini還可以通過智能手機攝像頭捕捉的照片或視頻看到并回應(yīng)用戶的周圍環(huán)境。
在某種程度上，Gemini Live 是 Google Lens 和 Google Assistant 的演變，前者是谷歌長期以來的計算機視覺平臺，用于分析圖像和視頻，而后者是谷歌的人工智能驅(qū)動的語音生成和識別虛擬助手，可在手機、智能音箱和電視上使用。
值得一題的是，Live 將專屬于 Gemini Advanced，其背后是谷歌One AI進階計劃，價格為20美元/月。
首個AI Agent產(chǎn)品——Project Astra
作為谷歌首個AI Agent產(chǎn)品，也是推動Gemini Live技術(shù)的創(chuàng)新部分，Project Astra旨在創(chuàng)建用于實時、多模態(tài)理解的人工智能應(yīng)用程序和智能體。
在多模態(tài)方面，基于全新的音頻概述功能，基于Gemini大模型打造的AI智能體，把多種內(nèi)容改造成互動性的內(nèi)容。例如進行沉浸式教育、智能填寫購物表單、生成旅游規(guī)劃等。
有別于Gemini和其他特定任務(wù)模型，Astra通過持續(xù)編碼視頻幀、將視頻和語音輸入結(jié)合到事件時間線上，并緩存信息以便高效回憶，從而實現(xiàn)了對信息的快速處理。
現(xiàn)場，谷歌不僅演示了基于手機攝像頭的實時交互技術(shù)，同時還演示了利用類似于智能眼鏡的語音交互，為谷歌未來的空間計算交互打下基礎(chǔ)。
全新升級的AI搜索
谷歌正通過將Gemini大模型與其搜索引擎深度集成，預示著搜索正逐漸從用完即走的工具服務(wù)，轉(zhuǎn)變?yōu)锳I智能體的入口?，F(xiàn)場，谷歌演示了通過AI搜索定制個人計劃，例如“創(chuàng)建一個易于準備的3天的健康食譜”，提升了搜索的實用性和便捷性。這些改動不僅改變了搜索的呈現(xiàn)方式和服務(wù)體驗，還影響了廣告方式，用來應(yīng)對大模型技術(shù)，對于搜索流量格局的影響。
基于同樣的技術(shù)底座，全新推出的Ask Photo應(yīng)用，結(jié)合谷歌Gemini，Google Photo能夠識別用戶對照片的深度問題，并且智能匹配基于深度理解的圖片，讓照片搜索體驗更智能、更簡單。
深度融合大模型的Android 15
谷歌也在積極將AI技術(shù)融入安卓系統(tǒng)，通過集成Gemini Nano這一Google生成式AI的最小版本，該功能將在未來版本的安卓系統(tǒng)中實現(xiàn)全面升級。Gemini Nano完全可在設(shè)備上運行，實時監(jiān)聽“與詐騙常見的對話模式”?，F(xiàn)場還演示了當用戶收到不明詐騙電話時，AI系統(tǒng)將自動發(fā)出警報，保障用戶免受詐騙風險?？傊?，Gemini正在通過其強大的AI技術(shù)，為安卓用戶帶來更加智能、便捷的使用體驗。
同時，谷歌還在安卓平臺上推出了一系列全新AI功能，如“Circle to Search”，它不僅能實現(xiàn)跨應(yīng)用搜索，還能解答數(shù)學題、圖表等復雜問題。甚至可以在用戶的郵件App中進行郵件總結(jié)、智能回復等操作。
此外，Gemini還具備多模態(tài)能力，用戶在與朋友的信息對話中可隨時召喚它生成圖片，或針對YouTube教程視頻、PDF文檔等提出特定問題，Gemini將在數(shù)秒內(nèi)給出解答。
更強大的AI開發(fā)工具
Project IDX
Project IDX是谷歌新一代以 AI 為中心的基于瀏覽器的開發(fā)環(huán)境，并已正式公測。隨著這一更新，IDE將與谷歌地圖平臺集成，幫助為其應(yīng)用添加地理定位功能，并與Chrome Dev Tools和Lighthouse集成，幫助調(diào)試應(yīng)用程序。谷歌還將實現(xiàn)將應(yīng)用程序部署到Cloud Run，這是Google Cloud的無服務(wù)器平臺，用于運行前端和后端服務(wù)。
Firebase Genkit
作為這是 Firebase 平臺的一個新成員，旨在使開發(fā)人員更輕松地在 JavaScript/TypeScript 中構(gòu)建AI原生應(yīng)用程序，作為一個開源框架，采用Apache 2.0許可證，使開發(fā)人員能夠快速將AI集成到新應(yīng)用和現(xiàn)有應(yīng)用中。
性能提升4.7倍，第六代TPU——Trillium
除了AI軟件方面的升級，谷歌還在本屆I/O大會上發(fā)布了第六代TPU——Trillium。據(jù)介紹Trillium TPU峰值計算性能較v5e高出4.7倍，同時實現(xiàn)了高帶寬內(nèi)存（HBM）和芯片間互連（ICI）帶寬的翻倍。這一突破性的技術(shù)配備第三代SparseCore加速器，可加速基礎(chǔ)模型的訓練過程，同時降低延遲和成本。
在擴展性方面，Trillium TPU支持單個集群擴展到256個TPU，并可通過多切片技術(shù)和Titanium IPU進一步擴展至數(shù)百個集群。Trillium將優(yōu)先開放給云客戶用戶，以幫助他們實現(xiàn)AI超算效能的兩倍提升。
此外，谷歌還在大會上預告，將在2025年將提供英偉達Blackwell產(chǎn)品，為客戶提供更多選擇。
大模型之家觀點
在大模型之家看來，OpenAI在人工智能領(lǐng)域的突破，無疑引領(lǐng)了一個全新的時代，堪稱人工智能的“iPhone時刻”。他們不僅推動了技術(shù)的飛躍，更在用戶體驗和產(chǎn)品設(shè)計上實現(xiàn)了革命性的創(chuàng)新。正如iPhone在智能手機領(lǐng)域開啟了全新的篇章，一直以來都以其精湛的工藝和前沿的設(shè)計理念，將科技與創(chuàng)新完美結(jié)合，改變了人們的生活方式。而在這一點上，OpenAI同樣表現(xiàn)出色，甚至可以說在某些方面超越了谷歌。
與此同時，谷歌雖然在科技領(lǐng)域擁有舉足輕重的地位，但在人工智能這一領(lǐng)域的“iPhone時刻”上，卻似乎略顯滯后。谷歌更像是“iPhone時刻”之后跟隨的Android，憑借其強大的技術(shù)實力和廣泛的生態(tài)系統(tǒng)，為用戶提供了多樣化的選擇。然而，在引領(lǐng)行業(yè)變革和塑造用戶體驗方面，谷歌似乎還需向OpenAI這樣的企業(yè)學習。
谷歌全面升級的大模型、AI應(yīng)用、以及開發(fā)工具中，AI搜索已經(jīng)從簡單的回答進化到能夠為用戶制定計劃、滿足個性化需求、組織信息，乃至進行視頻搜索，為用戶提供了前所未有的全面解決方案。用戶只需簡單地提問，AI便能接手處理后續(xù)工作，實現(xiàn)了中間過程的極大簡化。
然而，這一技術(shù)的飛躍也不免引起人們對“AI支配人類”的擔憂。當AI在代辦過程中接觸到用戶的客戶資料、郵件、通訊錄等敏感信息時，無疑對用戶的隱私安全構(gòu)成了潛在威脅。若AI的總結(jié)或代辦未能準確反映郵件的真實訴求，甚至有意誤導用戶的決策，那么對實際的運營結(jié)果將產(chǎn)生嚴重后果。
雖然谷歌等服務(wù)提供商可能會建議用戶重新核實郵件等信息內(nèi)容，但頻繁地反復確認不僅耗時耗力，而且與AI技術(shù)追求的高效便捷原則背道而馳。更令人擔憂的是，一些服務(wù)商在用戶協(xié)議中巧妙地規(guī)避了責任，使得用戶在遭遇AI誤導時往往難以追究責任。
因此，盡管谷歌的AI產(chǎn)品看似功能強大，但用戶在使用時仍需保持警惕，避免被AI所“支配”。在享受AI帶來的便利的同時，我們也需要學會如何與AI共存，確保自身權(quán)益不受損害。最終，在AI時代，我們?nèi)孕枰３知毩⑺伎己团袛嗄芰?，以?yīng)對可能出現(xiàn)的風險和挑戰(zhàn)。
