昨天被OpenAI的最新多模態(tài)大模型GPT-4o搶盡了風(fēng)頭，今天谷歌在I/O開發(fā)者大會上做出“絕地反擊”，產(chǎn)品更新處處對標(biāo)OpenAI。

會前，谷歌上傳了一個視頻在自己的官方推特上，內(nèi)容是一個人將手機鏡頭對著I/O舞臺與Gemini聊天。

當(dāng)被問到在鏡頭里看到了什么時，Gemini回答道：“看起來人們正在為一場大型活動做準(zhǔn)備，也許是一次會議或演示。有什么特別的東西引起了你的注意嗎？”

當(dāng)被要求分析舞臺上顯示的字母含義時，Gemini說這些字母代表谷歌I/O，隨后根據(jù)新的提示，Gemini表示表示它很高興在大會上了解人工智能的新進展以及它們?nèi)绾卧谌粘Ｉ钪袔椭藗儭?/p>

它流暢、類似人類的說話語氣，和對周邊環(huán)境的識別能力，都讓人不得不想起昨天才推出的GPT-4o。

和GPT-4o一樣，這應(yīng)該只是最新Gemini的內(nèi)測版本，還未向公眾開放。GPT-4o目前也只向用戶提供文本和圖像功能，實時語音模式會在來幾周內(nèi)推出。

稍后在大會上，谷歌展示了其語音AI助手Gemini Live和多模態(tài)AI項目Project Astra，這兩個項目可能為新的Gemini提供了技術(shù)支持。

Gemini Live支持實時互動，用戶可以隨時打斷和聊天機器人的會話。通過和Google Lens集成，它支持用戶通過錄制和解說視頻進行網(wǎng)絡(luò)搜索，充分利用了其大上下文窗口的優(yōu)勢，使用戶能夠迅速訪問大量信息，從而使與AI助手的互動更加自然和順暢。

Gemini Live將提供10種語音選項，會在今年晚些時候上線，屆時Google會將Gemini Live開放給Gemini Advanced訂閱者。

Project Astra由谷歌DeepMind實驗室負(fù)責(zé)人代米斯·哈薩比斯（Demis Hassabis）領(lǐng)導(dǎo)，他設(shè)想Astra將是一個隨時待命的全能助手，類似于《星際迷航》中的虛構(gòu)通訊器或電影《她》中的聲音，無處不在。

巧合的是，昨天OpenAI的首席執(zhí)行官薩姆·奧爾特曼（Sam Altman）在推特上也將GPT-4o比作電影《她》。

Astra設(shè)計為可以實時操作，通過對話方式回答問題或協(xié)助完成任務(wù)，支持多種交互方式，包括語音、文字、繪圖、攝影和視頻。

在展示視頻中，Astra幫助谷歌倫敦辦公室的員工找到里他丟失的眼鏡，并對白板上的代碼進行了檢查等等，這一切實際上都是以對話的方式實時進行的。

這還不算最“針鋒相對”的，在大會上，谷歌首席執(zhí)行官桑達(dá)爾·皮查伊（Sundar Pichai）和一眾高管們不停的在演講中強調(diào)“我們的Gemini在誕生之初就是按照多模態(tài)路徑去打造的”，似乎是在“狠狠打臉”剛推出首個多模態(tài)大模型GPT-4o的OpenAI。

當(dāng)然，谷歌對旗艦AI模型Gemini也進行了更新。最新版Gemini 1.5 Pro將添加更大的上下文窗口，從之前最多支持100萬個token到后續(xù)將能夠處理200萬個token。

Gemini 1.5 Pro 于二月份推出，是一款專為跨任務(wù)擴展優(yōu)化的中型多模態(tài)模型（mid-size multimodal model），配備了能夠支持128,000 個 token 的上下文窗口。通過 AI Studio 和 Vertex AI，一小部分開發(fā)者和企業(yè)客戶可以使用100萬個token的擴展上下文窗口。這意味著Gemini 1.5 Pro最多能夠一次性處理 1 小時的視頻、11 小時的音頻、超過 30,000 行的代碼庫，或分析超過 700,000 個單詞的文檔。

速度更快，效率更高也更便宜的的Gemini 1.5 Flash也在此次大會上被推出。Gemini 1.5 Pro起始價格為7 美元/100萬token， Gemini 1.5 Flash起始價格為0.35 美元/100萬token。

今天開始，開發(fā)者可以通過Google AI Studio 和Vertex AI對Gemini 1.5 Flash進行試用。

谷歌表示，Gemini 1.5 Pro將很快在Workspace的側(cè)面板中提供，實現(xiàn)跨應(yīng)用程序的工作流程自動化。

Gemini還被引入谷歌相冊。在新功能“Ask Photos”的幫助下，用戶可以直接通過聊天機器人查詢照片，而無需再手動翻閱成千上萬張照片。例如，如果你想知道自己的車牌號碼，只需問Gemini：“我的車牌號是多少？”而無需輸入關(guān)鍵詞“車牌”并瀏覽所有相關(guān)照片。Gemini將智能地識別并提取屬于你的車輛的車牌號碼。這項功能計劃在今年夏天晚些時候向所有谷歌相冊用戶推出。

在此次AI模型產(chǎn)品線的更新中，還包括將在六月推出新一代開放AI模型Gemma 2。這個基于新架構(gòu)構(gòu)建的模型具有270億參數(shù)，在性能上優(yōu)于比它大兩倍的模型，并且可以在Vertex AI中的單個 TPU 主機上運行。此外，谷歌還推出了Gemma系列中的首個視覺語言模型PaliGemma。值得注意的是，今年早些時候推出的Gemma模型僅包含20億參數(shù)和70億參數(shù)的版本，這次的更新顯著擴大了模型的規(guī)模和能力。

LearnLM，一個基于Gemini并針教育研究做了微調(diào)的模型，也在大會上被推出。

還有對標(biāo)Dall-E 3的新圖像模型Imagen 3，號稱具有“令人難以置信的細(xì)節(jié)水平”，可實現(xiàn)逼真且AI痕跡更少的圖像。

（由Imagen 3生成的圖片）

在OpenAI展示文本轉(zhuǎn)視頻模型Sora三個月后，谷歌推出了競爭產(chǎn)品Veo：它支持多種視覺和電影風(fēng)格，能夠生成超過一分鐘的高質(zhì)量1080p分辨率視頻。

Veo號稱擁有高級自然語言理解功能，能夠精準(zhǔn)理解包括“延時攝影”和“空中景觀鏡頭”在內(nèi)的電影專業(yè)術(shù)語。

在這次Google I/O開發(fā)者大會上，AI依舊是所有話題的中心，幾乎每一個功能更新都與AI緊密相關(guān)。例如，Gemini繼續(xù)優(yōu)化谷歌搜索；Gemini與Gmail的更緊密集成；類似于微軟的Copilot辦公助手的Gemini AI Teammate；安卓手機將引入更多的AI服務(wù)等。

從本次發(fā)布會的展示來看，谷歌和OpenAI之間的差距似乎正在逐漸縮小。兩家公司不僅在技術(shù)層面進行了激烈的角逐，也在推動AI應(yīng)用于更廣泛場景的能力上各顯神通。很難說誰是最終的贏家，但我們確定的是競爭將促使兩者不斷創(chuàng)新，推出更多前沿技術(shù)和解決方案。

會議的最后，被網(wǎng)友戲稱為“劈柴哥”的首席執(zhí)行官幽默地提到，他替大家數(shù)了數(shù)，這次發(fā)布會一共提到了120次AI。

來源：數(shù)據(jù)猿