两小时“吼出”121次AI，谷歌背后埋伏着Open AI的幽灵

谷歌做AI依旧不痛不痒

作者|魏琳华

封面来源|谷歌官网

谷歌和Open AI的又一次对阵，刚刚落幕了。

北京时间5月14日凌晨，OpenAI发布端到端多模态AI大模型GPT-4o，酷似科幻电影《Her》的AI语音对话迅速成为关注焦点。

24小时后，携新版Gemini AI大模型等产品，谷歌在北京时间5月15日凌晨1点的I/O 2024大会上重振旗鼓，试图在AI赛道上重新夺回主动权。

在过往一年中，多次被Open AI抢走风头的谷歌，能否打一个翻身仗？

不到两小时，提到121次AI

将近两个小时的发布会上，关键词“AI”贯穿了谷歌全场的演讲展示。

“我猜想现场一定有人想数一数今天的发布会上有多少次提到AI。”在I/O发布会现场，谷歌CEO桑德拉·皮查伊打趣道，观众席内响起一片笑声。

这个答案由谷歌AI现场完成统计，“一共提到了120次。”皮查伊说。话音刚落，屏幕上的数字跳到了121次。

不到两小时的发布会，谷歌讲了121次AI 图源：谷歌发布会

由皮查伊开场，谷歌在发布会上先后介绍了他们在软件、硬件等方面的AI布局。可以说，关注前沿发展的谷歌，在人们今年所能见到的AI应用方向上均有涉猎。

作为基础架构的大模型Gemini发布1.5 Pro型号，再次打破100万tokens（文本中最小语义单元）的纪录，原版相当于一次可以处理长达1500页文本、30000行代码或是长达1小时的视频，现在新模型将上下文窗口扩大一倍，达到200万tokens。

聚焦于自有模型的能力突破之外，谷歌还面向开发者推出了轻量级模型Gemini 1.5 Flash，相较于旧有模型，Gemini Flash实现了低延迟响应并降低使用成本，其100万tokens只要0.35美元。比前一天发布的GPT-4o更加便宜。

谷歌披露大模型API的最新定价 图源：谷歌发布会

在多模态模型布局上，谷歌一口气发布了图片生成模型imagen和视频生成模型Veo。其中，Veo支持生成60秒以上的1080P视频，它被人们视为对标Open AI的视频生成模型Sora。

“生成视频的难点在于解决物品在空间中的移动，并且随着时间的推移需要保持一致性。”谷歌DeepMind负责人道格说。“AI发展15年，我们就知道它会改变一切，现在已经到了实现它的时刻。”

现场展示中，Veo发布了多个演示视频：在草地上奔跑的猎豹、穿梭在星际之间的宇宙飞船等。在演示片中，谷歌展示了他们和影视从业者的合作实践。初步看起来，它拥有不输于Sora的流畅体验，但同样不对外开放使用。

由Voe生成的视频，汽车在公路上飞驰 图源：谷歌发布会

发布会现场，皮查伊多次提及“Making AI more helpful for everyone ”，借助大模型Gemini的能力，谷歌开发了一系列AI功能。比如支持用搜索方式查找手机图片的Ask Photo、AI助理Project Astra。

让人眼前一亮的是Project Astra，在演示视频中，通过手机和AR眼镜的联合使用，AI能够在目之所及的范围内完成和用户的实时交互。它不仅成功识别并向用户解释了圈出来的硬件，还能帮助用户在桌子上找眼镜、解答白板上的题目。Project Astra也被视为GPT-4o的对手。

Gemini准确识别出电脑上的代码用于加密和解密 图源：谷歌发布会

谷歌还将Gemini集成在包括搜索引擎、Gmail、Maps等在内的AI全家桶产品中。

备受关注的是，在这次发布会上，谷歌正式宣布推出AI搜索功能，目前仅支持向美国地区开放。在演示中，谷歌的AI搜索在解决复杂问题上应用“多步推理”，以往需要搜索十次才能获得的答案，合并到一个问题解决。比如一次性纳入用户的通勤和时间安排，通过AI搜索为用户推荐适合的瑜伽馆。

应用“AI Overview”推荐店铺 图源：谷歌发布会

谷歌秀的肌肉，连自家员工也瞧不上

在谷歌这场秀肌肉的发布会上，Open AI依然是那个站在巨头背后的幽灵。

从ChatGPT开启新一轮人工智能浪潮的时候，它就给了谷歌重重一击。自GPT-4发布之后，人们关注的目光更是开始向Open AI倾斜。

野心勃勃的Open AI CEO萨姆·阿尔特曼也将谷歌视为头号竞争对手。从宣传时间的选择到产品发布战略，Open AI的枪口多次瞄向谷歌。

一年以来，谷歌已经在与Open AI的对阵中多次尝到苦果：

2月15日，Gemini 1.5 Pro 发布。同一天，Open AI发布Sora，虽然目前仍然处于无法测试使用的状态，但Sora实现文生视频的流畅性和画面表现震惊科技圈。对比之下，Gemini的重大更新几乎无人问津。

本次，Open AI刚刚举办的春季发布会同样是一次有备而来的伏击。Open AI将发布会时间由5月9日挪到了5月13日，刚好是谷歌举办I/O发布会的前一天。

在昨日的发布会上，Open AI只用了半个小时，就押到了谷歌今天的两个重点。

一是轻量级模型的发布，Open AI推出的GPT-4o同样以低成本、快速响应的方式实现，官网介绍，GPT-4o达到了媲美GPT-4 Turbo的各项能力，但成本仅为后者的一半。

另一个是AI助手，Open AI CTO米拉·穆拉蒂现场演示了如何和手机上运行的模型GPT-4o完成交谈。“它对人类的情绪、语气理解得十分自然精准，如同与一个真正的人类朋友或助理在聊天。”

在这段实时演示中，GPT-4o准确识别了人类的情绪，它会开玩笑，调侃人类的呼吸声音太大；它能依照用户要求，更改说话的语气，比如用更夸张的戏剧腔代替冰冷的电子音；它还能实现同声传译，准确地把意大利语翻译成英文。

正如阿尔特曼在X中提前预告的那样，科幻电影《Her》中的剧情走入现实，人类和AI实时对话的设想已经具备实现的雏形。

电影《Her》讲述人类和AI恋爱的故事

为了防御对手，谷歌曾经一个月发布5次大模型。今年2月，谷歌曾先后发布Gemini功能更新、推出Ultra版本、发布Gemini 1.5 Pro，并发布开源模型Gemma和世界模型Genie。

但这些不痛不痒的更新不仅没有起到防御作用，甚至还引发了负面反馈。谷歌内部流传出的图片曾毫不留情地吐槽，“连内部员工都记不住这些大模型的名字”。

保守败于疯狂，只剩一张“生态牌”

回顾过往，人工智能曾在2014年、2017年多次引起科技界的关注，而在几次浪潮中，谷歌都扮演着先驱者的角色。

追溯至2011年，谷歌就已经在公司内部成立了“谷歌大脑”(Google Brain)，专注于深度学习和神经网络研究，目标是“让机器也能拥有理解和学习的能力”。

2014年，谷歌斥资4亿美元收购英国AI公司DeepMind，进一步夯实了在深度学习领域的实力，孕育出了具有里程碑意义的AlphaGo（阿尔法围棋）。次年，谷歌将机器学习系统TensorFlow开源，并启动研发AI芯片TPU，在算力层面为后续训练大模型打下硬件基础。

2016年，皮查伊在当年的I/O开发者大会上宣布，将AI置于公司首要发展战略，正式向AI First转型。在提出Transformer架构，并发布LaMda大模型后，从搜索、助理到Pixel手机、Nest家居等，谷歌开始全面把AI能力植入产品线。

谷歌更倾向于让AI扮演一个辅助角色，对AI的态度偏保守。随着时间轴滑向2023年，谷歌的风头慢慢被Open AI压过一筹。谷歌的前瞻性布局和先发优势，被Open AI的疯狂打败了。

在技术成熟的情况下，后起创业公司Open AI使用的核心技术正是由谷歌发明的。GPT的“T”就来源于2017年谷歌发布论文中研究的Transformer架构。Open AI烧了大把的钱，砸出了训练大模型的可行方向。

ChatGPT在2022年底发布之时，谷歌可能也注意到了这家初创公司，但未能引起足够的重视和警惕。2023年1月，谷歌AI负责人Jeff Dean在一个内部会议中表示，虽然谷歌拥有做AI产品的技术和能力，但和小型初创公司相比，谷歌做出决策必须更加保守。

直到2023年2月，ChatGPT引起巨大反响，被视为冲击搜索引擎的新出口。谷歌匆忙应战，推出大模型Bard，却因常识性失误引发口碑崩盘——在发布会现场，Bard将智利超大望远镜首次拍摄系外行星的功劳记在了詹姆斯·韦伯太空望远镜上，间接引发谷歌母公司市值暴跌1000亿美元。

在之后的表现中，谷歌逐渐消磨掉了人们的信任。Gemini Ultra版本发布一天后被质疑造假，有内部员工表示“这（视频）是不切实际的”，谷歌最后也承认演示视频是经剪辑制作的效果。

多次犯下致命失误后，谷歌AI产品的信服力越降越低。谷歌正在尽力追赶并弥补过失。从这次发布会的动作来看，谷歌的策略调整为：以大而全的方式布局所有AI细分赛道的机会。

对于算力、算法和人才储备充足，技术功底深厚的谷歌而言，借助于自家生态的优势，谷歌将Gemini集成在方方面面，凭借数据积累，谷歌自有生态构建的护城河壁垒，是Open AI所无法取代的。

“谷歌最坚固的护城河是分销，Gemini 不必成为最好的模型，也能成为世界上最常用的模型。”英伟达高级研究科学家范麟熙（Jim Fan）在X上评价。

不再领先的谷歌，只好握紧生态的优势牌。