智東西
作者 程茜 陳駿達
作者 心緣

智東西5月21日報道，今日凌晨，在一年一度的谷歌I/O開發者大會上，谷歌的AI大戲連番上演！

時長不到2小時的主題演講上，谷歌CEO桑達爾·皮查伊攜一眾谷歌高管總共提到95次“Gemini”、92次“AI”。

模型升級方面：Gemini 2.5 Pro新支持原生音頻輸出、Project Mariner的計算機使用功能、深度思考、高安全防護；視頻模型Veo 2新增原生音頻生成功能、Gemini 2.5 Flash在推理、編程和長上下文等關鍵指標上升級。全新發布模型包括：擴散語言模型Gemini Diffusion、視頻生成模型Veo 3、圖像生成模型Imagen 4。

谷歌還推出全新Gemini訂閱計劃：AI Pro用戶月付19.99美元（折合人民幣約144元），可使用Veo 2、Gemini 2.5 Pro等入門級產品；AI Ultra用戶月付249.99美元（折合人民幣約1804元），可擁有Veo 3的無限訪問權限、使用Gemini 2.5 Pro深度思考模式等。

這都指向一個目標：構建通用AI助手。谷歌DeepMind創始人兼CEO戴密斯·哈薩比斯（Demis Hassabis）稱，他們將Gemini打造成一個世界模型，是開發一種新型、更通用、更有用的AI助手的關鍵一步。

谷歌展示了其通用AI助手的最新研究原型。在自行車維修場景中，Gemini可以幫助用戶查詢維修手冊、滾動到特定頁面、搜索視頻教程、主動提供實用信息，還可以撥打電話，查詢零件庫存情況，并幫助用戶下單。

其余更新包括顛覆用戶搜索體驗的AI Mode：根據用戶需求動態調整包含圖表、店鋪列表等的答案生成界面，在購物場景，AI Mode可根據用戶購買意圖定制購物界面，提供虛擬試穿、追蹤用戶預期價位、代理結賬功能，其還集成了視覺搜索，用戶可以通過手機攝像頭實時拍照搜索提問。AI Mode現已經面向所有美國用戶推出。

同時，谷歌此前三大研究項目獲得重大進展：Project Starline引入全新3D視頻通訊體驗、Project Astra能利用Gemini和攝像頭來解決問題、Project Marina支持多任務處理。

大會尾聲，谷歌還現場演示了重量級安卓XR智能眼鏡，并官宣與XREAL共同打造第二款安卓XR設備Project Aura。

翻譯能力是這款眼鏡的亮點之一，不過測試時，可以明顯感覺到工作人員減慢了語速，谷歌安卓XR智能眼鏡僅正確翻譯了對話中的前半部分，之后出現了無法識別的問題。

皮查伊透露，Gemini應用目前已經擁有超過4億月活用戶，超過700萬名開發者通過Gemini API進行開發。

谷歌今天放出的諸多AI大招，智東西帶你一文看盡。

一、Gemini系列模型屠榜，谷歌產品每月處理token數一年增長50倍

Gemini時代，谷歌的模型和產品發布速度都比以往更快。上屆I/O大會至今，谷歌已經宣布10余款模型重大突破、20余款重大AI產品。

自第一代Gemini模型發布以來，Gemini模型的Elo分數已提升300多分。編程方面，Gemini 2.5 Pro成為編程平臺Cursor上年度增長最快的模型，每分鐘產出數十萬行被采納的代碼。

在LMArena排行榜中，Gemini系列模型包攬了每秒生成輸出token數最高的前三名，并且模型價格也在下降。

全棧基礎設施方面，谷歌第七代TPU Ironwood是首款專為大規模AI思考和推理工作負載而設計的TPU，其性能是上一代的10倍，每個Pod的計算能力達到42.5 exaFLOPS。

皮查伊提到谷歌大模型相關的幾組數據：

去年同期谷歌每月通過產品和API處理的token數量為9.7萬億，目前其每月處理的token數達到480萬億，一年內增長了約50倍；

超過700萬名開發者通過Gemini API進行開發，涵蓋谷歌AI Studio和Vertex AI兩大平臺，同比增長超過五倍，同時Vertex AI平臺上的Gemini使用率較去年增長40倍；

Gemini應用目前擁有超過4億月活用戶，在Gemini應用中使用2.5 Pro版本的用戶使用量增長了45%；

在搜索方面，AI概覽功能的每月用戶超15億。皮查伊認為AI Mode是搜索領域的下一個重大進展，我們正處在AI平臺轉型的新階段。

皮查伊還提到，Gemini已經通關精靈寶可夢，集齊8枚徽章獲得冠軍，“距離人工寶可夢智能更進一步”。

二、Gemini編程、語音、深度思考迎升級，DeepMind CEO揭秘終極愿景

哈薩比斯提到，Gemini 2.5 Pro是谷歌迄今為止最智能的模型，也是全球最強大的基礎模型。兩周前，谷歌發布了Gemini 2.5 Pro的預覽版，開發者們用它實現了諸多創意：比如將草圖轉化為交互應用、模擬完整3D城市等。

新版的Gemini 2.5 Pro在WebDev Arena編程排行榜登頂。谷歌還將他們去年發布的LearnLM（專為學習場景微調的模型）接入Gemini 2.5 Pro模型，這讓后者在解題等學習場景的能力進一步提升。

今天谷歌推出了輕量級模型Gemini 2.5 Flash的升級版。這款模型在推理、編程和長上下文等關鍵指標上實現提升，在大模型競技場的排名僅次于Gemini 2.5 Pro。升級版模型將于6月初全面開放，Pro版本隨后跟進，目前開發者已經可以在AI Studio搶先體驗。

Gemini還引入了更多的功能。增強版安全防護的可抵御間接提示注入攻擊；思維摘要功能將模型思考過程可視化，便于調試；Gemini 2.5 Pro即將新增“思考預算”控件，開發者可控制模型思考的長度，從而平衡質量與成本。

Gemini 2.5 Pro和Gemini 2.5 Flash的文本轉語音功能支持多角色對話，能實現語氣微妙變化、切換耳語模式、跨24種語言切換。

谷歌Gemini產品負責人Tulsee Doshi展示了Gemini 2.5 Pro的編程能力。現場，Gemini 2.5 Pro僅參照一張草圖就生成了完整的3D交互網頁，用時37秒就在原網頁代碼上完成修改。

Gemini 2.5 Pro現已在多款AI IDE平臺（如Cursor等）中可用。谷歌昨日開啟公測的編程助手Jules也接入了Gemini 2.5 Pro，能獨立處理GitHub代碼庫的復雜任務，將原本耗時數小時的工作縮短至分鐘級。

▲谷歌Jules用戶界面

在模型架構創新方面，谷歌將擴散模型技術應用于文本生成。全新的Gemini Diffusion實驗模型（擴散語言模型）的生成速度比Gemini 2.5 Flash快5倍。這款模型不僅僅能按順序從左到右生成內容，還可以生成過程中快速迭代解決方案，并在生成過程中進行錯誤糾正。

谷歌打造了Gemini 2.5的“深度思考（Deep Think）”模式，運用類AlphaGo的并行推理技術。這一模式已經在美國數學奧林匹克2025測試和Live Codebench編程測試取得不錯的效果，但由于需要額外安全評估，谷歌將先向可信測試者開放API。

哈薩比斯稱，谷歌未來的重點是將Gemini模型擴展為一個“世界模型”。模型對物理世界的理解能力，不僅對視頻、3D生成至關重要，也是機器人技術突破的關鍵。為此，谷歌還專門微調了Gemini Robotics模型，能讓機器人學習抓取物體、遵循指令等任務，并能夠即時適應新任務。

谷歌的終極愿景是將Gemini打造成真正的通用AI助手（Universal AI Assistant），具備個性化、主動性和強大能力。

三、Veo 3一次性生成超真實有聲視頻，每月花1800元才能體驗

多模態模型方面，谷歌發布了最新圖像生成模型Imagen 4。Imagen 4可以逼真地刻畫出復雜的織物、水滴和動物毛皮等物體。這款模型最高支持2K分辨率，圖片縱橫比和自由定制，其文字生成和排版能力也有明顯提升，給海報制作、PPT制作等生產級應用提供了更好的支持。

谷歌視頻生成模型Veo 2新增了視頻參考、相機控制、對象添加與刪除等功能，而最新發布的Veo 3實現了有聲視頻的直接生成，能直接給城市街道場景的視頻配上自然的噪音，或是直接生成人物之間的對話。此外，Veo 3在文本和圖像提示、現實世界物理和口型同步方面都表現出色。

谷歌為Veo打造了配套的AI電影制作工具Flow，這一工具集成了Veo、Imagen和Gemini三款模型，可用于電影片段、場景和故事的創作。

音樂生成方面，谷歌進一步擴大了配套的音樂創作平臺Music AI Sandbox的訪問權限，由Lyria 2音樂生成模型提供技術支持。谷歌還打造了交互式音樂生成模型Lyria Realtime，允許用戶實時交互地創建、控制音樂。

在大量AI生成內容出現之后，此類內容的識別也成為關鍵挑戰。谷歌于2023年推出了SynthID水印，迄今為止已為100億份AI生成的圖像、視頻、音頻和文本內容添加水印。今天，谷歌進一步發布了SynthID檢測器，這一驗證門戶能幫助人們更方便地識別AI生成內容。

Gemini將推出Canvas功能，支持互動性的用戶協作。用戶描述需求后，Canvas可自動生成可分享的交互式內容，其他用戶也可以對這一內容進行修改。

谷歌還推出了Gemini in Chrome，這是一款Chrome瀏覽器中內嵌的個性化助手，實時理解當前網頁內容與用戶所處的上下文。例如，在購物場景中，Gemini in Chrome可以幫助用戶快速對比商品評論、輔助決策。這一功能將于本周面向美國用戶開放。

Gemini App中將內置上述一系列谷歌的媒體內容生成模型。

四、聯手三星、高通共建安卓XR，現場演示智能眼鏡回消息、搜圖片

谷歌副總裁、安卓XR主管沙赫拉姆·伊扎迪（Shahram Izadi）稱，安卓平臺現在正發生許多令人興奮的變化。上周，谷歌已經發布了安卓16和Wear OS 6兩大新一代操作系統，而今天發布的許多Gemini最新進展將很快登上安卓平臺，不僅限于手機，還包括手表、汽車和智能電視。

而谷歌的安卓XR是Gemini時代的首個安卓平臺，將支持從頭顯到智能眼鏡等多種設備類型，滿足不同使用場景的需求，如沉浸式觀影、游戲和工作等。

目前，谷歌正與三星合作共建安卓XR，并與高通合作針對驍龍平臺進行優化。自去年發布開發者預覽版以來，已有數百名開發者為該平臺構建應用。

谷歌認為，智能眼鏡是AI的理想載體。現場，谷歌工作人員和NBA球星“字母哥”一同展示了谷歌眼鏡原型機的使用體驗。

天氣、時間、圖像和消息等信息能以彩色形式顯示在谷歌眼鏡上，用戶可以直接通過語音指令讓安卓XR智能眼鏡完成消息回復、開啟勿擾模式、圖像檢索等操作。

這款眼鏡還具備一定的上下文記憶能力。在演示人員登上臺后，谷歌眼鏡能回憶起剛才在后臺看到的咖啡究竟是什么品牌的。

谷歌稱，他們與三星的合作關系將會提升至新的高度，從頭顯拓展至智能眼鏡領域，雙方已經在合作開發軟件和參考硬件平臺。

繼與三星合作的XR頭顯Project Moohan后，谷歌官宣了第二款安卓XR設備——來自XREAL的Project Aura。這款智能眼鏡使用了安卓XR的軟件堆棧和高通驍龍XR芯片，配備光學透視（OST）和虛擬透視（VST）顯示技術，擁有70度的視野，不過仍然采用了有線的設計。

五、AI Mode支持上傳全身照虛擬試穿，跟蹤低價代理結賬

自去年在I/O大會上推出以來，谷歌搜索的AI Overviews月活用戶已達15億，在200多個國家和地區可用。

AI Overviews是Google Lens視覺搜索增長的驅動力之一。Google Lens搜索次數的年增長率為65%，今年已經完成超過1000億次視覺搜索。

為提供更沉浸式的AI搜索體驗，谷歌推出了全新的“AI Mode”。AI Mode以新標簽頁形式出現在搜索界面中，其底座是谷歌基于Gemini 2.5定制的模型版本。

這一模式下，其會針對用戶需求對答案進行整合并提供方便閱讀的答案形式，如附帶評分的飯店信息、包含地圖概覽的答案等，同時，用戶還可以通過對話形式進行后續追問。這項功能今天開始在美國推出。

AI Mode背后的關鍵技術是“查詢扇出（query fan-out）”，可跨子主題和多個數據源同時發出多個相關搜索，然后將這些結果匯總在一起，提供易于理解的響應。

在個性化搜索能力方面，AI Mode允許用戶引入更多偏好信息，幫助用戶預定座位、進行所在地活動推薦等。對于用戶需要獲得更為詳盡答案的問題，AI Mode能代表用戶發起數十次甚至數百次搜索，幾分鐘內生成一份專業級報告。

AI Mode在體育數據、金融分析中的深度應用會于今年夏天推出。如讓其展示本賽季和上賽季使用魚類球棒球員的打擊率和上壘率，這個問題包含不同賽季、使用特定球棒的球員、打擊率、上壘率等多個要素。其會動態為用戶生成如圖表等適應用戶觀看的界面。

AI Mode還重塑了用戶的購物體驗，幫助用戶定制瀏覽界面、虛擬試穿以及結賬。

AI Mode將Gemini與購物圖譜相結合，擁有超過500億個產品，并附有評論、價格、顏色選項和可用性等詳細信息，同時會根據用戶特定需求定制產品瀏覽面板。

基于AI Mode，用戶選中衣服點擊“試穿”圖標、上傳全身照，就能進行虛擬試穿。這一效果由時尚定制圖像生成模型提供支持，該模型能夠理解人體結構和服裝的細微差別，例如不同面料在不同人體上的折疊、拉伸和懸垂效果。

同時，用戶在商品詳情上點擊“跟蹤價格”，然后設置合適的尺碼、顏色以及期望的支付金額，AI Mode就會自動在不同網站監控降價信息，并向用戶發送降價通知，將商品添加到用戶購物車并通過Google Pay完成結賬。這項視覺購物、結賬功能將在未來幾個月內陸續推出。

六、三大研究項目突破：3D視頻通訊、視頻通話搜索、為Agent引入多任務處理能力

皮查伊重點提到了目前正改變谷歌產品的三個例子：

第一個項目是在Project Starline之上，谷歌推出一個以AI為核心的全新視頻通話平臺Google Beam，該平臺采用新一代視頻模型將2D視頻流轉換為3D體驗，通過6臺攝像機組成的陣列捕捉用戶動作，借助AI將這些視頻流進行合并，實時處理呈現用戶影像，精度達毫米級，每秒60幀。谷歌與惠普合作的首批Google Beam設備將于今年晚些時候向其測試用戶推出。

此外，谷歌致力于將Project Starline的底層技術引入Google Meet視頻會議平臺，包括實時語音翻譯功能。今天谷歌將直接在Google Meet中推出實時語音翻譯功能，訂閱用戶可以使用英語和西班牙語，未來幾周之內將會支持更多語言，今年晚些時候面向企業用戶推出。

第二個項目是實時、多模態的AI助手項目Project Astra，如今Gemini Live已具備Project Astra的攝像頭和屏幕共享功能，讓用戶可以暢聊所見的一切。

去年，Project Astra展示的實時視覺、屏幕共享和記憶功能已逐步集成至Gemini中，今天谷歌新增了更自然的原生語音交互和計算機控制功能。

Gemini Live API現已推出音頻視頻輸入和本地音頻輸出的預覽版本，開發者可以控制其語調、口音和說話風格。

Project Astra還可用于視障人士的輔助。谷歌演示了Project Astra如何幫助一名盲人音樂家完成現場演出。

第三個項目是Project Marina，這是一個能夠與網絡交互并且完成任務的Agent，谷歌將Agent視為結合了先進AI模型智能與工具訪問能力的系統。

其中，計算機使用是一項使Agent能與瀏覽器和其他軟件進行交互和操作的重要能力。谷歌引入了多任務處理能力，Project Marina可以同時監管十項任務，用戶展示一次任務，Agent還可以學會為未來類似的任務去制定相應的計劃。

谷歌將通過Gemini API將Project Marina的計算機使用能力帶給開發者，今年夏天會面向更廣泛用戶開放。

Gemini SDK現在兼容MCP工具，谷歌會逐步將整體功能引入到谷歌搜索以及Gemini應用。

結語：谷歌全面重塑搜索、瀏覽器體驗，劍指通用AI助手哈薩比斯提到，過去的十年中，谷歌為現代AI時代奠定了許多基礎，從率先提出所有大語言模型賴以構建的Transformer架構，到開發AlphaGo和AlphaZero等可以學習和規劃的智能體系統，并且已將這些技術應用于量子計算、數學、生命科學和算法發現領域的突破。

這也是其最新在年度開發者大會上宣布諸多更新的技術底座。谷歌在升級Gemini模型的同時，將更多的AI能力融入到搜索、Gmail和瀏覽器之中。同時，谷歌還預告了未來的重大舉措，包括改進視頻通話功能、打造更具感知力和對話能力的助手，以及合作開發智能眼鏡。

這些都彰顯出谷歌作為科技巨頭雄厚的技術實力和廣泛的應用市場，并且在I/O大會上，谷歌也提到將在基礎研究上加倍投入，真正構建更個性化、更主動、更強大的AI。未來實現通用人工智能（AGI）的下一個突破性技術或許將會更快到來。