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

【新智元导读】昨天被OpenAI提前截胡的谷歌，今天不甘示弱地开启反击!大杀器Project Astra效果不输GPT-4o，文生视频模型Veo硬刚Sora，用AI彻底颠覆谷歌搜索，Gemini1.5Pro达到200万token上下文……谷歌轰出一连串武器，对OpenAI贴脸开大。

谷歌I/O2024如期来了，眼花缭乱地发布了一堆更新。

跟OpenAI半小时的「小而美」发布会相比，谷歌显然准备得更加充分，当然，时间也相当之长……

2个多小时的发布会也是挑战着观众们的极限，在场人群早已困倒一大片

准备好，谷歌要开始轰炸了。

首先，Gemini1.5Pro，上下文长度将达到惊人的200万token。

然后，面对昨天OpenAI GPT-4o的挑衅，谷歌直接甩出大杀器Project Astra，视觉识别和语音交互效果，跟GPT-4o不相上下。

接着，谷歌祭出文生视频模型Veo硬刚Sora，效果酷炫，时长超过1分钟，打破Sora纪录。

最后来了一个重磅消息:谷歌搜索将被Gemini重塑，形态从此彻底改变!我们不再需要自己点进搜索结果，而是由多步骤推理的AI Overview来代办一切。

发布会结束后，劈柴甚至还用Gemini算了一下，整个发布会共提了121次AI。

Gemini时代，来了

CEO劈柴上来就无视了GPT和Llama的存在，这样总结道:「我们完全处于Gemini时代」。

并且给出数据:如今全世界使用Gemini的开发者，一共有150万人。

万众瞩目的Gemini更新如期而至。

Gemini1.5Pro最强特性之一，就是超长的上下文窗口，达到了100万tokens的级别，超过了目前所有的大语言模型，而且开放给个人用户使用。

今天，劈柴宣布:它的上下文token数将会达到2000K（200万）!相比之下，GPT-4Turbo只有128K，Claude3也只有200K。

而这也意味着——你可以给模型输入2小时视频、22小时音频、超过6万行代码或者140多万单词。

2M长上下文窗口，可以去排队申请了

这个上下文长度，已经超过了目前所有大模型。

但是，这并不是终点，谷歌的目标是——无限长上下文，不过，这就是后话了。

用篮球讲解牛顿运动定律

在这样的Gemini加持下，我们可以实现许多迅捷的功能。

比如，作为父母需要了解孩子在学校的情况，就可以在Gmail中要求Gemini识别所有关于学校的电子邮件，然后帮你总结出要点。

如果你错过了公司会议，但可以拿到一小时时长的会议录音，Gemini就能立刻帮你总结出会议要点。

为了帮助学生和教师，在NotebookLM中，谷歌设计了一个「音频概述」的功能。

把左边的所有材料作为输入，Notebook就可以把它们整合成一个个性化的科学讨论了。

对于听觉学习型学生，这种形式就非常生动。

演示这个demo的Josh表示，自己的儿子第一次看到这个功能时，直接惊掉下巴。

他第一次感觉到，学习不再是死板的，牛顿力学定律居然以通过篮球来学习!

支持多模态的Gemini可以处理你上传的任何格式的信息，理解内容后将其改造成适合你的形式，与你对话互动了!

Agent:帮你申请退货

接下来，劈柴展示了Agent的一些例子。

买了一双鞋子，不合适想退回怎么办?

拍一张照片给Agent，它就可以从你的邮箱中搜出订单后，帮你填写退货单了。

再比如，你刚搬到某个城市，Agent就能帮你探索你在这个城市所需的服务了，比如干洗店、帮忙遛狗的人等等。

如果靠我们自己搜索，可是要搜十几个网站，但Gemini可以发挥自己的「多步推理」能力包揽这些任务，把你需要的信息一次性提供给你!

搜索和整合信息的功能非常强大，输入新家的地址后，它甚至可以代替软件问你外卖应该放哪个位置。

总的来说，谷歌的理念就是:利用Gemini的多模态、超长上下文和智能体能力，把世界上的所有信息组织起来，让它们对每个人都可触达、可利用。

而最终目标，就是让AI对每一个人都有用。

谷歌搜索，被Gemini彻底重塑

之前OpenAI一直有意无意放出烟雾弹，声称要发布全新的搜索产品，等于是把刀架在谷歌脖子上了。

果然，谷歌这次不甘示弱，放出了个大的。

从今天开始，在Gemini的加持下，谷歌搜索会彻底变样。

在搜索框下，会出现一个为你量身定做的AI总结。

注意，它并不简单地将所有内容拼凑在一起，而是帮你把活都干了!

你的问题是什么样，它就会帮你做规划，展示出若干个卡片，让搜索信息以鲜明的方式被呈现出来。

这次AI Overview即将发布的另一个重磅功能，就是多步骤推理。

它能将用户输入的一个复杂问题分解成多部分，确定需要解决哪些问题，以及用什么顺序解决。

因此，以前可能要花几分钟甚至几个小时的研究，现在几秒钟内就可以完成!因为它将十个问题合而为一。

比如，如果想找到波士顿最好的瑜伽或普拉提工作室，它会直接搜出来结果，然后帮你整理好情况介绍和工作时间。

只要一次搜索，所有需要的信息就自动呈现出来。

在下面这个例子中，你可以要求谷歌提供一个三天的膳食计划。

这些食谱被从整个网络整合出来，清晰又全面。

而且，我们还可以用视频去搜索了!

比如，该怎么修这个唱片机?

以前，我们需要进行一堆搜索，确定它的牌子、型号。

现在，直接拍一个视频丢给谷歌，然后直接开口问:它的这个毛病是什么原因?

谷歌用AI Overview，给出了最全面的信息。

从此，在谷歌搜索中，你需要做的，就是简单的「张嘴问」。

对标GPT-4o，Project Astra打造通用AI智能体

我们已经看到，新模型GPT-4o赋予了ChatGPT强大的实时对话能力，让Her走进现实。

全新AI语音助手，是通往AGI的下一个未来。

对标OpenAI，谷歌DeepMind今天首次对外公布了「通用AI智能体」新项目——Astra。

其实，昨天谷歌放出了一个demo，已经让所有人对Astra项目有了初步的了解。

而今天，现场的演示更加炸裂。

网友称，这是谷歌I/O大会中，自己最喜欢的part。

不仅有Astra强大的对答如流的能力，还首次展示了「谷歌AR原型眼镜」配上AI的震撼演示。

Astra两部分演示，每段视频均为单次拍摄、实时录制完成

召唤Gemini之后，测试者提出问题，「当你看到会发出声音的东西时，告诉我」。

它回答道，「我看到一个扬声器，它可能会发声」。

接下来，测试者用红色剪头指向扬声器的顶部，再次问道，「这个扬声器的部件叫什么」?

Gemini准确理解指令，并答出「这是高音扬声器，能产生高频的声音」。

然后，对着桌上一桶彩色蜡笔，让Gemini就展示的物体，给出了「押头韵」的创意——

「Creative crayons color cheerfully. They certainly craft colorful creations.」

Gemini以「c」音重复开头，生动形象地描绘了用蜡笔欢快涂色，可以创作出许多绚丽多彩作品的场景。

而更让你意想不到的是，它还可以读懂代码。

甚至都不是截屏，而是用摄像头怼着电脑屏幕拍，然后问Gemini「这部分代码是做什么的」?

Gemini看了一眼，就立即给出回答:「此段代码定义了加密和解密函数。它似乎使用AES CBC加密，根据密钥和初始化向量对数据进行编码和解码」。

再将镜头移向窗外，「我在哪个街区」?

Gemini便回答道，「这似乎是伦敦国王十字区，这里以火车站和交通枢纽而闻名」。

眼镜找不到了?

直接可以问Gemini，「你记得在哪里见过我的眼镜」?

它立刻回想刚刚见到的场景，「是的，我记得。你的眼镜就在桌子上，旁边有一个红苹果」。

要知道，刚刚这个问题并没有向它提过，Astra完全是凭自己的视觉记忆回答出来的，简直成精了。

而Astra的这番表现，直接让全场倒吸一口凉气，发出惊呼。

谷歌原型AR眼镜首现身

接下来的演示，更炫酷了。

刚刚找到的眼镜，竟是谷歌的原型AR眼镜!配合上强大的Gemini模型，即将开辟全新的应用。

测试者走到白板前，看向一个「服务器」的构建示意图，然后问道，「我应该怎样做能使这个系统更快」?

Gemini表示，「在服务器和数据库之间，添加缓存可以提高速度」。

再比如，「看到如下图，会让你想起什么」?

——薛定谔的猫!

「在帮我给这对家伙，起一个二重唱乐队名字」。

——Golden Stripes

大会上，Hassabis称，「一直以来，谷歌希望构建一个能在日常生活中真正有所帮助的通用AI智能体。如今，这一愿景成为现实，可以追溯到很多年前。这也是谷歌从头开始打造多模态Gemini的主要原因」。

真正的通用AI智能体，必须像人类一样，对复杂、动态的世界做出理解和响应。

它需要接受和记住所看到的内容，以便理解上下文采取行动，并且具备主动性和个性化。

甚至，你可以与其如真人般丝滑交流，没有任何滞后或延迟。

为了打造这款全能AI智能体，谷歌DeepMind克服了很困难的工程挑战——将AI响应时间降低至对话水平。

具体来说，谷歌团队在Gemini的基础上，开发了能够持续编码视频帧的智能体。

然后，将视频和语音多模态输入，整合到事件时间轴中并缓存，以便实现AI智能体高效召回，更快处理信息。

此外，谷歌还使用广泛的语调变化，增强了语音输出效果。

基于这些努力，Astra能够更好理解上下文，在交谈中可以快速做出反应，让互动的节奏和质量感觉更加自然。

有网友称，「谷歌的这个Astra项目绝对是游戏规则的改变者，我们现在生活在一个由个人AI助手组成的世界，聊天机器人现在已经过时了。它可以实时地看、说、听，几乎没有延迟」

当然，这次演示中，谷歌偷偷推出的AR硬件，也成为网友们的关注点。

谷歌科学家刚刚放出了，用Astra看谷歌I/O大会的演示，可以自己感受下。

图像、音乐、视频，面面俱到

与此同时，谷歌大会上再次推出了一系列关于「生成式媒体工具」的最新进展。

其中，包括图像、音乐，以及视频模型。

最强AI文生图Imagen3

首先，AI文本到图像生成模型Imagen3迎来重磅升级。

比起上一代，Imagen3能生成更多细节、光影丰富，且干扰伪影更少的图像。

新模型对提示的理解能力，得到显著提升，可以从较长的提示中，捕获细节。

如下图中，对狼的特征，背景颜色，画质质量等要求，Imagen3一致地呈现了出来。

另外，Imagen3可以生成视觉丰富、高质量的图像，有良好光照和构图。

它可以准确地渲染小细节，比如人手上的细微皱纹，以及复杂的纹理。

下图中，毛绒大象清晰的编织纹理，还有光照，效果鲜明。

Imagen3还可以在更长的提示中，加入一些微小的细节，比如「野花」、「蓝色的小鸟」...

谷歌还极大地改进了Imagen3的文本渲染能力。

如下图片提示，「由各种颜色的羽毛组成的「光」字，黑色背景」，然后Imagen3生成了漂亮的字体。

以下是官方给出的更多演示demo:

视频生成模型Veo，1080p超过60秒

这次谷歌发布的视频模型Veo，可以看作是对OpenAI Sora的正面迎战了。

可以看出，Veo生成的视频不仅真实，而且在光线、构图等方面具有惊人的电影感。

Veo的推出建立在DeepMind过去一年各种开创性成果的基础上，包括GQN、Phenaki、Walt、VideoPoet、Lumiere等等。

谷歌结合了这些成果中最好的架构和技术，提高了一致性、质量和分辨率。

Veo具备1080p的高质量，用户提示可以是文本、图像、视频等各种格式，还能捕捉到其中关于视觉效果和影像风格的各种细节描述。

通过点击「扩展」按钮，用户就可以持续增加视频的时长，最终，它的时长已经超过Sora达到了1分10秒。

可以看到，在下面这个视频中，汽车的形状与周围环境始终保持一致。

有这种专业级的生成效果，电影制作人可以直接用Veo来协助创作了。

从此，每个人都可以成为导演，也应该成为导演。

好消息是，Veo已经开始在官网开放试用了。此外，团队还开发了实验性工具VideoFX搭载Veo模型。

申请入口:https://aitestkitchen.withgoogle.com/tools/video-fx

在谷歌官博中，给出了Veo更多演示，还特别强调了均是AI生成，未经过修改:

Music AI Sandbox

在音乐方面，谷歌和Youtube一起构建了Music AI Sandbox。

输入一段旋律，它就可以进行风格迁移，帮助艺术家们快速实现自己的想法和创意。

为此，谷歌还特意邀请了许多音乐家、词曲作者和制作人来测试。

他们惊喜地发现，使用这个新的AI音乐工具，他们居然做出了自己从未想到的音乐!

比如这位音乐制作人，希望把乐曲中的这段旋律变一个风格。

Music AI Sandbox的产出，让他激动地当场跳起来。

他表示，作为一个嘻哈音乐制作人，AI带给他的尝试空间，是无止境的。

Demis Hassabis:我在思考智能的本质

谷歌DeepMind负责人Hassabis表示，自己从小玩国际象棋时，就一直在思考智能的本质是什么。

他深信，如果我们能以负责任的方式建造AGI，影响将是深刻的。

谷歌DeepMind自去年成立以来成绩斐然。而最近的大成就，就是几乎可以预测所有生命分子结构和相互作用的AlphaFold3了。

谷歌还打造出了一款Gemini原生多模态应用，可以同时文本、音频、视频内容。

一直以来，谷歌希望能够打造一个有用的个人AI助理。

Gemini App，正重新定义我们的交互方式。

为了让我们与Gemini交互更自然，谷歌发布了Gemini Live。

有了它，你可以在给朋友发消息的同一个程序中，还能与Gemini聊天。

你甚至可以控制自己的说话节奏，或者随时打断Gemini回答，如同与真人交流一样。

比如，你正在为一场面试做准备，只需要进入Live，让Gemini陪你一起做准备。

Gemini可以与你进行模拟面试排练，甚至在与潜在雇主交谈时应该突出哪些技能，还能提供建议。

谷歌表示，今年晚些时候，会推出摄像头模式，可以以周围环境与Gemini实现对话。

与此同时，谷歌还推出了根据个人需求自定义的Gemini专家——Gems。

它可以是你的健身教练、瑜伽伙伴，也可以是你的写作创意导师、编程伙伴等等。

接下来，谷歌还展示了通过规划，让我们如何离AI助手更近一步。

比如，一次旅行的规划，需要涉及地理、时间、天气等诸多因素，需要AI能够做出优先顺序和决策的能力。

Gemini Advanced的全新旅行规划，可以将模型推理和智慧融为一体，为人类更好服务。

在Gemini的加持下，谷歌还会推出Ask Photos的新功能。

比如，如果付停车费时忘了自己的车牌号，就可以直接询问自己的车牌照片是哪个，不需要翻阅手机里的大量照片了。

在比如，你可以问它女儿是什么时候学会游泳的?她的游泳是怎么进步的?

Gemini会识别众多照片中的不同场景，将所有相关内容汇总。

Gemini1.5Flash:更小，更快，200万token

根据某些Gemini1.5Pro用户的反馈，一些程序需要更低的延迟和服务成本。

针对这一点，谷歌发布了Gemini1.5Flash。

跟Pro比，Flash是一个更轻量级的模型，专为那些对响应速度要求极高的特定或频繁任务优化。

并且，它同样具有多模态、1M tokens长上下文的特点，只不过实现了轻量化、低延迟、高效推理，每百万个token的价格仅是Pro版的二十分之一。

今天起，Gemini1.5Flash在Google AI Studio和Vertex AI中就可用了，开发者可以注册申请两百万token的内测版。

此外，为了方便开发者，谷歌还对Gemini的API功能进行了三项优化——视频帧提取、并行函数调用和上下文缓存。

在背后给这些技术进步提供基础设施的，就是谷歌的TPU。

简单来说，相较于TPU v5e，第六代Trillium TPU在性能上实现了高达4.7倍的提升，并在能效上提升了超过67%。

为了实现这一飞跃，谷歌增大了矩阵乘法单元（MXUs）的规模并提升了时钟速度。

并为Trillium配备了第三代SparseCore——专门用于处理高级排序和推荐工作负载中常见的超大嵌入的加速器。

在这里，SparseCores可以通过从TensorCores策略性地卸载随机和细粒度访问，有效加速了重嵌入型工作负载。

与此同时，谷歌还将高带宽存储器（HBM）的容量和带宽翻倍，并将芯片间互连(ICI)的带宽提升了一倍。

由此，Trillium可以支持更加复杂的模型，拥有更多的权重和更大的键值缓存，并大幅缩短了大模型的训练时间和响应延迟。

在一个高带宽、低延迟的Pod中，Trillium可以扩展至256个TPU。

而通过多切片技术和Titanium智能处理单元（IPU），Trillium还可以进一步扩展——通过数百个Pod，连接数以万计的芯片，并在一个多千兆位每秒的数据中心网络支持下，组成一个超大规模的超级计算机。

最后，谷歌还发布了自家首个视觉-语言开源模型——PaliGemma，专门针对图像标注、视觉问答及其他图像标签化任务进行了优化。

不仅如此，谷歌还将在6月推出规模更大的开源模型——Gemma227B。

在性能方面，全新的Gemma27B不仅超越了规模大了2倍还多的模型，而且还能在GPU或单个TPU主机上高效运行。