【Alphabet】谷歌放大招 AI搜索引擎来了 发布最强AI模型！发布会现场 - 总共提了120次AI、视频模型登场

　　虽然被OpenAI抢在前面发布了重磅新品演示，但谷歌先发制人，做到了OpenAI还没能做到的事，率先发布 人工智能 （AI）搜索引擎，捍卫搜索领域的王者地位，同时对垒OpenAI新发布的旗舰模型GPT-4o，以升级版的最强大AI模型Gemini迎战。

　　从北京时间5月15日凌晨1点开始，谷歌在山景城总部附近的海岸线圆形剧场，召开了长达两个小时的年度I/O开发者大会Keynote演讲。

　　与预期一致，谷歌的这场发布会一般都是在谈AI、AI、AI、AI和AI。根据发布会最后的官方统计，整场Keynote的演讲稿里总共提了120次AI。

　　谷歌总裁 Sundar Pichai表示，谷歌所有的工作都围绕生成式AI模型Gemini来做，“我们希望每个人都能从Gemini所做的事中受益。”AI搜索正是Pichai提到的Gemini融入谷歌多种服务之一。

　　同时谷歌搜索也将具备多步骤推理能力，可以一次性处理带有多个限制条件的长问题，并支持“拍视频”搜索解决方案的新搜索形式。

　　另外以上下文窗口“长”闻名的Gemini 1.5 Pro大模型，在今年晚些时候将会把100万Tokens的窗口，进一步扩大至200万Tokens，拓展同步处理多模态信息的界限。而对于一些需要快速响应的场景，谷歌也推出了Gemini 1.5 Flash模型。今年2月刚刚问世的Gemma开源模型，也将在下个月迎来参数量更大的Gemma 2。在多模态领域，谷歌也发布了文生图工具Imagen 3、与Youtube&音乐家合作的“AI音乐沙盒”，和最新的视频生成模型Veo。而多模态Gemini Nano模型也将在今年晚些时候登陆Pixel手机，这是在本地运行的机载模型。

　　值得注意的是，谷歌的发布会上也有一些与昨日OpenAI发布会“雷同”的地方——实时AI助手。从今年夏天开始，Gemini也将支持语音实时交互，同时今年晚些时候还将上线实时视频交互。未来几个月内，谷歌也将推出类似于GPTs的自定义AI助手功能，叫做Gems，能够与整套“谷歌全家桶”联动。

　　硬件方面，谷歌宣布了第六代TPU芯片Trillium，并透露能够在明年初用上英伟达最新的Blackwell架构GPU。另外，液冷、光缆等中国股民可能会感兴趣的题材也在发布会上出现。

　　Gemini 1.5 Pro上下文窗口200万token 全球最长

　　谷歌称，推出号称有史以来最强大AI模型Gemini Advanced三个月内。从本周二起，谷歌在Gemini Advanced中加入新模型成员Gemini 1.5 Pro，称它拥有的上下文窗口在全球消费类聊天 机器人 中最长，窗口起始就有100万个token。Gemini 1.5 Pro将向150 多个国家地区的Gemini Advanced订阅者提供，支持超过35 种语言。

　　Pichai称，Gemini 1.5 Pro“提供了迄今为止所有基础模型中最长的上下文窗口。” 他介绍，Gemini 1.5 Pro将拥有200 万个token的上下文窗口，是当前模型100万个token窗口的两倍。

　　Gemini新语音对话功能Live定制版Gemini

　　谷歌称，今年夏季将扩展 Gemini 的多模态功能，包含增加用语音进行深入双向对话的能力，该功能被称为 Live。通过 Gemini Live，用户可以与 Gemini 交谈，并可以从各种自然的声音中选择它回应的声音。 用户甚至可以根据自己的节奏说话，或在回答进程中打断并澄清问题，就像在任何人类对话中一样。

　　谷歌称，今年夏季，将在Gemini Advanced 中添加新的旅行规划功能。借助考虑时间和空间方面物流的先进推理，Gemini将能够建立个性化的行程，节省用户的工作时间。

　　未来几周，谷歌将在Gemini Advanced中添加新的数据分析功能。用户只需上传电子表格，Gemini 就可以分析数据、制作图表，并更快地发掘见解。

　　谷歌将推出被称为Gem的Gemini的定制版本。Gemini Advanced 订阅者将很快能够获得更个性化的体验，根据自己的需求建立Gemini，只需描述用户希望 Gem 做什么和希望它如何响应，就可以让它化身健身伙伴、主厨帮手、编代码的拍档或创意写作指南。

　　Project Astra回答手机所拍物问题安卓端侧Gemini增加多模态功能

　　谷歌官宣推出新的多模态AI项目Project Astra，它可以为用户解释智能手机拍到的东西。在谷歌展示的视频中，只要将手机摄像头瞄准某个物体，Gemini就可以识别它，好比一个红苹果，还可以回答诸如镜头中什么东西是可以发声的这种问题。

　　谷歌称，将很快为模型Gemini Nano添加多模式功能。这意味着，用户的电话可以通过文本、图像、声音和口语，根据用户明白的形式理解世界。

　　谷歌称，端侧安卓系统手机版的Gemini Nano将更有帮助，更有上下文的意识。今年，安卓手机的用户将可以将生成的图像拖放到Google Messages 和 Gmail 中，并可以直接在手机上提出有关YouTube视频和 PDF文件的问题，得到解答。

　　谷歌称，今年晚些时候，Gemini Nano的辅助功能TalkBack将增强。图像描述将更加清晰和丰富，帮助弱视用户和盲人用户通过语音反馈，更好地指示他们的电话。

　　全场发布会回顾

　　发布会开始，Alphabet&谷歌总裁桑达尔·皮查伊登上舞台。

　　皮查伊表示，目前已经有超过150万开发者正在使用谷歌的 人工智能 Gemini，今天将展示一系列有关搜索、图片、工作套件、安卓系统等等与 人工智能 相关的案例。

　　皮查伊宣布，能够总结谷歌搜索引擎结果的“AI概览”（AI Overviews）功能，将于本周在美国推出。

　　---基于Gemini支持，谷歌图片（Google Photos）将支持用户存储图片的AI搜索，例如“告知我，我的车牌号码是多少？”——这个名为Ask Photos的功能将于今年夏天推出。

　　皮查伊宣布，最新版本的Gemini 1.5 Pro（在多项核心功能方面均较最初发布版本有所提高）现在向全球所有开发者开放。从今天开始，支持100万tokens上下文窗口的Gemini 1.5 Pro将在Gemini Advanced功能下向用户开放，支持35种语言。

　　谷歌同时面向开发者推出支持200万tokens的Gemini 1.5 Pro模型的预览，并表示最终的目标将是“无限上下文”。

　　谷歌AI业务总责任人、DeepMind的首席执行官杰米斯·哈萨比斯登台，宣布推出Gemini 1.5 Flash大模型。这个模型兼具速度与效率，和多模态推理能力，和长达100万tokens的上下文窗口。开发者将能够申请体验200万tokens的上下文窗口的Gemini 1.5 Flash。

　　谷歌展示“将来的 人工智能 助手”——名为“Astra”的项目。哈萨比斯表示，这样的AI助手需要像人类一样理解这个动态且复杂的世界。需要记得住它看到的东西，这样才能理解对话并付诸于行动。同时它也得能积极主动接受教导，和自然、无延迟地进行交流。在演示视频中，谷歌的AI助手能够通过摄像头视频，识别“什么东西能发出声音”、“现在身处何地”等指令。

　　谷歌宣布了一系列与图像、音乐、视频相关的生成式AI工具。包含文生图工具Imagen 3、与Youtube和音乐家合作的“AI音乐沙盒”，和最新的视频生成模型Veo。

　　其中最受关注的视频生成模型Veo，能够根据文字、图片和视频的提示，生成高质量1080p视频。

　　哈萨比斯离场，皮查伊重回舞台，发布第六代TPU芯片Trillium，较上一代芯片的算力表现翻4.7倍，云用户从今年下半年开始可以用上新芯片。同时谷歌云将在2025年初，用上英伟达的最新Blackwell架构GPU。

　　皮查伊开始介绍自家的AI超级计算机，比起用户自己买相同的硬件和芯片，谷歌的架构能使得效能翻倍，其中有部分功劳来自于液冷系统。皮查伊表示，谷歌部署液冷全面的 数据中心 已经达到1GW，而且还在不断增长中。

　　皮查伊表示，谷歌投资了200万英里的地面和海底光纤，比第贰名的云服务商翻了十倍。液冷、光缆，应该都是股民们会感兴趣的东西。

　　谷歌搜索业务责任人Liz Reid开始具体介绍AI Overviews功能。Reid表示，在进行搜索时，搜素引擎具备多步骤推理的能力，例如寻找一个瑜伽教室，同时展示新手优惠报价，和距离特定位置的步行时间。这个AI搜索引擎助手，还能介绍食谱、安排行程，和接受视频形式的提问（例如视频中的相机怎么使用）。

　　在办公套件Workspace方面，谷歌将逐步推出总结、邮件Q&A，和智能回复等功能。

　　谷歌Gemini总经理Sissie Hsiao介绍了Gemini App的更新。与周一的OpenAI一样，从今年夏天开始，Gemini也将支持语音实时交互，同时今年晚些时候还将上线实时视频交互功能。未来几个月内，谷歌也将推出类似于GPTs的自定义AI助手功能，叫做Gems。这个AI助手的亮点，将是能与“谷歌全家桶”进行交互。

　　Hsiao再次强调了Gemini的长上下文窗口——能够一次性处理整整1500页的文件，或3万行代码、1小时视频。不一样的载体也能混同一起提交给聊天 机器人 。她再次强调，今年晚些时候上下文窗口将翻倍至200万Tokens。

　　安卓生态全面的责任人Sameer Samat登台，他将讨论今年安卓系统实现的“三大突破”，分别是“画圈圈搜索”、Gemini手机AI助手，第叁是在手机本地运行的AI。

　　谷歌表示，今年晚些时候，能够在本地运行的多模态Gemini Nano模型将登陆Pixel手机，意味着手机将能通过文字、图片、视频、音频，理解用户的世界。举例而言，在听到“帮你将钱转到安全账户”这样的诈骗电话时，手机会自动弹出诈骗警告。整个过程都是在本地运行，不会引发隐私泄露。

　　谷歌披露大模型API的最新定价，其中Gemini 1.5 Pro定价为7美元/100万Tokens，12.8K上下文窗口的版本定价为3.5美元/100万Tokens；而Gemini 1.5的起售价为0.35美元/100万Tokens。

　　对于在今年二月刚刚推出的轻量级开源模型Gemma，谷歌宣布推出视频语言模型PaliGemma，并将会在6月推出Gemma 2。相较于第壹代模型只有20亿和70亿的参数量，第贰代开源Gemma的参数量能达到270亿。

　　作为发布会最后的彩蛋，谷歌总裁皮查伊最后用Gemini汇总了今天的发布会稿子里总共提了多少次AI——120次。当然，这其实不包含皮查伊问完这个问题后，又唤了几遍AI。

　　截至当地时间5月14日收盘，谷歌报171.93美元，上涨幅度0.6%，市值2.1万亿美元。