Google“绝地反击”OpenAI新模型GPT-4o

昨天被OpenAI的最新多模态大模型GPT-4o抢尽了风头，今天谷歌在I/O开发者大会上做出“绝地反击”，产品更新处处对标OpenAI。

会前，谷歌上传了一个视频在自己的官方推特上，内容是一个人将手机镜头对着I/O舞台与Gemini聊天。

当被问到在镜头里看到了什么时，Gemini回答道：“看起来人们正在为一场大型活动做准备，也许是一次会议或演示。有什么特别的东西引起了你的注意吗？”

当被要求分析舞台上显示的字母含义时，Gemini说这些字母代表谷歌I/O，随后根据新的提示，Gemini表示表示它很高兴在大会上了解人工智能的新进展以及它们如何在日常生活中帮助人们。

它流畅、类似人类的说话语气，和对周边环境的识别能力，都让人不得不想起昨天才推出的GPT-4o。

和GPT-4o一样，这应该只是最新Gemini的内测版本，还未向公众开放。GPT-4o目前也只向用户提供文本和图像功能，实时语音模式会在来几周内推出。

稍后在大会上，谷歌展示了其语音AI助手Gemini Live和多模态AI项目Project Astra，这两个项目可能为新的Gemini提供了技术支持。

Gemini Live支持实时互动，用户可以随时打断和聊天机器人的会话。通过和Google Lens集成，它支持用户通过录制和解说视频进行网络搜索，充分利用了其大上下文窗口的优势，使用户能够迅速访问大量信息，从而使与AI助手的互动更加自然和顺畅。

Gemini Live将提供10种语音选项，会在今年晚些时候上线，届时Google会将Gemini Live开放给Gemini Advanced订阅者。

Project Astra由谷歌DeepMind实验室负责人代米斯·哈萨比斯（Demis Hassabis）领导，他设想Astra将是一个随时待命的全能助手，类似于《星际迷航》中的虚构通讯器或电影《她》中的声音，无处不在。

巧合的是，昨天OpenAI的首席执行官萨姆·奥尔特曼（Sam Altman）在推特上也将GPT-4o比作电影《她》。

Astra设计为可以实时操作，通过对话方式回答问题或协助完成任务，支持多种交互方式，包括语音、文字、绘图、摄影和视频。

在展示视频中，Astra帮助谷歌伦敦办公室的员工找到里他丢失的眼镜，并对白板上的代码进行了检查等等，这一切实际上都是以对话的方式实时进行的。

这还不算最“针锋相对”的，在大会上，谷歌首席执行官桑达尔·皮查伊（Sundar Pichai）和一众高管们不停的在演讲中强调“我们的Gemini在诞生之初就是按照多模态路径去打造的”，似乎是在“狠狠打脸”刚推出首个多模态大模型GPT-4o的OpenAI。

当然，谷歌对旗舰AI模型Gemini也进行了更新。最新版Gemini 1.5 Pro将添加更大的上下文窗口，从之前最多支持100万个token到后续将能够处理200万个token。

Gemini 1.5 Pro 于二月份推出，是一款专为跨任务扩展优化的中型多模态模型（mid-size multimodal model），配备了能够支持128,000 个 token 的上下文窗口。通过 AI Studio 和 Vertex AI，一小部分开发者和企业客户可以使用100万个token的扩展上下文窗口。这意味着Gemini 1.5 Pro最多能够一次性处理 1 小时的视频、11 小时的音频、超过 30,000 行的代码库，或分析超过 700,000 个单词的文档。

速度更快，效率更高也更便宜的的Gemini 1.5 Flash也在此次大会上被推出。Gemini 1.5 Pro起始价格为7 美元/100万token， Gemini 1.5 Flash起始价格为0.35 美元/100万token。

今天开始，开发者可以通过Google AI Studio 和Vertex AI对Gemini 1.5 Flash进行试用。

谷歌表示，Gemini 1.5 Pro将很快在Workspace的侧面板中提供，实现跨应用程序的工作流程自动化。
Gemini还被引入谷歌相册。在新功能“Ask Photos”的帮助下，用户可以直接通过聊天机器人查询照片，而无需再手动翻阅成千上万张照片。例如，如果你想知道自己的车牌号码，只需问Gemini：“我的车牌号是多少？”而无需输入关键词“车牌”并浏览所有相关照片。Gemini将智能地识别并提取属于你的车辆的车牌号码。这项功能计划在今年夏天晚些时候向所有谷歌相册用户推出。

在此次AI模型产品线的更新中，还包括将在六月推出新一代开放AI模型Gemma 2。这个基于新架构构建的模型具有270亿参数，在性能上优于比它大两倍的模型，并且可以在Vertex AI中的单个 TPU 主机上运行。此外，谷歌还推出了Gemma系列中的首个视觉语言模型PaliGemma。值得注意的是，今年早些时候推出的Gemma模型仅包含20亿参数和70亿参数的版本，这次的更新显著扩大了模型的规模和能力。

LearnLM，一个基于Gemini并针教育研究做了微调的模型，也在大会上被推出。

还有对标Dall-E 3的新图像模型Imagen 3，号称具有“令人难以置信的细节水平”，可实现逼真且AI痕迹更少的图像。

（由Imagen 3生成的图片）

在OpenAI展示文本转视频模型Sora三个月后，谷歌推出了竞争产品Veo：它支持多种视觉和电影风格，能够生成超过一分钟的高质量1080p分辨率视频。

Veo号称拥有高级自然语言理解功能，能够精准理解包括“延时摄影”和“空中景观镜头”在内的电影专业术语。

在这次Google I/O开发者大会上，AI依旧是所有话题的中心，几乎每一个功能更新都与AI紧密相关。例如，Gemini继续优化谷歌搜索；Gemini与Gmail的更紧密集成；类似于微软的Copilot办公助手的Gemini AI Teammate；安卓手机将引入更多的AI服务等。
从本次发布会的展示来看，谷歌和OpenAI之间的差距似乎正在逐渐缩小。两家公司不仅在技术层面进行了激烈的角逐，也在推动AI应用于更广泛场景的能力上各显神通。很难说谁是最终的赢家，但我们确定的是竞争将促使两者不断创新，推出更多前沿技术和解决方案。

会议的最后，被网友戏称为“劈柴哥”的首席执行官幽默地提到，他替大家数了数，这次发布会一共提到了120次AI。