新聞中心
Google I/O 2024: 從Gemini“宇宙”到Android 15
發(fā)布時間：
2024-03-15
5月14日，谷歌2024年I/O開發(fā)者大會如期在加州山景城拉開帷幕。今年的主題完全圍繞人工智能展開，特別是生成式人工智能和其在各類應(yīng)用中的實際應(yīng)用，如 Workspace和Gmail的整合與優(yōu)化。 首席執(zhí)行官桑達爾·皮查伊（Sundar Pichai）在演講中一共說了121次“AI”，并喊出了一句嘹亮的口號——“整合全球信息，惠及所有民眾”。
原創(chuàng) 蘇霍伊 甲子光年
Gemini貫穿一切。
作者｜蘇霍伊
編輯｜栗子
Gemini貫穿一切。
這是「甲子光年」在看完2024年Google I/O開發(fā)者大會的最大感受。
5月14日，谷歌2024年I/O開發(fā)者大會如期在加州山景城拉開帷幕。今年的主題完全圍繞人工智能展開，特別是生成式人工智能和其在各類應(yīng)用中的實際應(yīng)用，如 Workspace和Gmail的整合與優(yōu)化。
首席執(zhí)行官桑達爾·皮查伊（Sundar Pichai）在演講中一共說了121次“AI”，并喊出了一句嘹亮的口號——“整合全球信息，惠及所有民眾”。
現(xiàn)場，谷歌發(fā)布了Gemini系列的最新AI模型：Gemini 1.5 Flash。
同時，谷歌也宣布了Gemini 1.5 Pro升級，全面支持Workspace，同時向全球開發(fā)者開放。Google Workspace辦公套件也宣布將進一步整合Gemini，推出基于Gemini 1.5 Pro的多種技能，如可總結(jié)郵件內(nèi)容。Gmail也將深度整合Gemini，匯總郵件內(nèi)容并生成更好的回復(fù)。
1.AI模型：Gemimi宇宙
皮查伊在大會上公布了一系列AI模型的動態(tài)。
首先是對Gemini 1.5 Pro模型進行了升級。
Gemini 1.5 Pro模型已全球向開發(fā)者開放。原本它的上下文窗口是100萬tokens，現(xiàn)在增加到了200萬tokens，能處理更多的數(shù)據(jù)。
谷歌I/O大會現(xiàn)場，來源：谷歌
用戶即使提供數(shù)千頁的文本或者幾個小時的視頻，Gemini 1.5 Pro也能夠理解內(nèi)容并回答相關(guān)的問題。這項升級將讓模型能同時處理2小時的視頻、22小時的音頻、超過60000行代碼，或超過140萬個單詞。
下個月Gemini 1.5 Pro還將在API層面推出新功能，包括視頻輸入、并行函數(shù)調(diào)用和文本緩存，以提高處理多個請求和問答文件時的效率。
隨后他介紹了Gemini系列新模型——Gemini 1.5 Flash。
這是一個比Gemini 1.5 Pro模型運行更快，體積更小，更易于部署，支持處理多種類型的數(shù)據(jù)，它專為開發(fā)者設(shè)計。
Gemini 1.5 Flash位于Gemini 1.5 Pro和Gemini 1.5 Nano之間，通過一種稱為“蒸餾”的過程，將Pro版本中的關(guān)鍵知識和技能轉(zhuǎn)移到一個更小的模型中，使其具備與Pro相同的多模態(tài)功能和100萬個token的長上下文窗口。
Gemini 1.5 Flash現(xiàn)在就可以使用了。
DeepMind的聯(lián)合創(chuàng)始人兼CEO戴密斯·哈薩比斯（Demis Hassabis）提到，他們根據(jù)開發(fā)者的反饋，優(yōu)化了模型的響應(yīng)速度和成本效率。Gemini 1.5 Flash在處理大量數(shù)據(jù)方面表現(xiàn)出色，特別適用于聊天應(yīng)用、視頻處理和圖像字幕。
Gemini 1.5 Pro將在Alphabet的內(nèi)部測試實驗室Workspace Labs進行測試。Gemini 1.5 Flash也將在機器學習平臺Vertex AI上進行試驗和使用，該平臺使開發(fā)者能夠訓練和部署AI應(yīng)用。
Gemini 1.5 Flash每百萬token的標準價格為0.7美元，輸出為1.05美元。對于較小的上下文（小于128k），有折扣價：輸入為0.35美元/百萬token，輸出為0.53美元/百萬token。這比GPT-3.5 Turbo的價格（輸入0.5美元/百萬token，輸出0.15美元/百萬token）要高一些。
谷歌I/O大會現(xiàn)場，來源：谷歌
Gemini 1.5 Pro是Google當前最強大的模型，標準價格為每百萬token輸入7美元，輸出21美元。對于較小的上下文（同樣小于128k），折扣價格為輸入3.5美元/百萬token，輸出10.5美元/百萬token。相比于GPT-4o（輸入價格5美元/百萬token，輸出15美元/百萬token）略貴一些。
目前，谷歌正在籌備一款Project Astra的通用AI代理，這是一款通過智能手機攝像頭分析周圍世界并與用戶進行交互的應(yīng)用。
Astra設(shè)計為能夠記住看到和聽到的內(nèi)容，從而理解上下文并采取行動。為了提高實用性，谷歌優(yōu)化了其處理信息的速度，通過持續(xù)編碼視頻幀和結(jié)合視頻與語音輸入到事件時間線上，并緩存信息以實現(xiàn)高效回憶。
此外，谷歌還通過增強語音模型，讓Astra具有更廣泛的語調(diào)，使其可以更自然地與用戶交流，無滯后或延遲。
在實際演示中，一個人使用手機的攝像頭掃描辦公室，與Astra通過語言交互，比如詢問“當你看到有東西發(fā)出聲音時，請告訴我。”Astra不僅能識別物體和代碼，還能實時進行語音互動，展現(xiàn)了它的實用性和交互能力。
Project Astra展示了其出色的視覺理解能力和快速的響應(yīng)時間。一個人在辦公室中用攝像頭掃描其中的物品及場景，并用語音詢問它相關(guān)問題。與GPT-4o的功能異曲同工。
谷歌I/O大會現(xiàn)場，來源：谷歌
Project Astra是AI技術(shù)在實用性和交互性方面的一個重大進步，尤其是在增強現(xiàn)實和人機交互方面。它讓設(shè)備不僅是獲取信息的工具，而是能理解和參與我們?nèi)粘Ｉ畹幕锇椤；蛟S未來的一天，Astra可能會改變我們與技術(shù)的互動方式，讓這種交互更個性化和直觀。
但谷歌透露，Astra的上線還需數(shù)月，且只有部分功能將被整合進谷歌的產(chǎn)品中，比如XR眼鏡或個人助手。
在文生視頻領(lǐng)域，谷歌發(fā)布了名為Veo的視頻生成大模型。該模型能以多種電影和視覺風格生成超過一分鐘時長的高質(zhì)量1080p視頻，并憑借對自然語言和視覺語義的理解緊密代表用戶的創(chuàng)意愿景。
谷歌宣布今年晚些時候，能夠在本地運行的多模態(tài)Gemini Nano模型將登陸Pixel手機，提供文字、圖片、視頻、音頻的理解能力，并具有隱私保護功能。
同時，谷歌即將在6月推出的新一代AI模型Gemma 2，將提供多種尺寸和全新架構(gòu)，以滿足不同開發(fā)者的需求并實現(xiàn)卓越的性能和效率。
這款模型以其270億參數(shù)提供與更大模型相當?shù)男阅埽瑫r優(yōu)化了部署成本，能在更少的計算資源上運行。Gemma 2還支持廣泛的調(diào)優(yōu)工具，使得在多種平臺和硬件上的部署和微調(diào)變得更加簡單高效。
2.多模態(tài)AI搜索
除了Gemini相關(guān)產(chǎn)品的發(fā)布外，谷歌搜索負責人Liz Reid宣布了一項重大更新，將AI技術(shù)更深入地整合到搜索引擎中。
谷歌I/O大會現(xiàn)場，來源：谷歌
最新的變革是引入視頻搜索功能，允許用戶上傳視頻來展示他們需要解決的問題，Gemini技術(shù)將在互聯(lián)網(wǎng)各處尋找解決方案。
谷歌正在加強其AI搜索領(lǐng)域的立足點，以應(yīng)對新興的AI搜索工具如Perplexity的競爭。這些新興工具雖然吸引不少用戶，谷歌搜索仍未受太大影響。
事實上，谷歌的新AI搜索服務(wù)ESG已于去年5月發(fā)布，一年后向公眾開放，名為AI Overview。
AI Overview主要強調(diào)多模態(tài)功能，允許用戶通過簡化語言或更詳細地調(diào)整搜索結(jié)果概述。此外，利用Gemini的多步推理能力，AI搜索可以處理復(fù)雜的多步查詢。例如同時尋找瑜伽工作室的位置、受歡迎程度和新會員優(yōu)惠。
谷歌還提供了計劃能力，使用戶可以一次性獲取完整的計劃，如為一群人制定三天的餐飲計劃。
谷歌的多模態(tài)搜索是其獨特之處，支持通過聲音搜索歌曲、圖片搜索產(chǎn)品，并結(jié)合視頻內(nèi)容進行搜索，如識別舊貨店買的壞掉的唱片機的具體問題。
雖然這種聯(lián)想搜索功能已成為AI搜索的常態(tài)，但谷歌通過更好的結(jié)構(gòu)化和界面設(shè)計，提供了優(yōu)異的用戶體驗。
盡管其他AI搜索引擎也具備類似功能，但谷歌的多模態(tài)搜索能力尤其突出，能夠結(jié)合聲音、圖片甚至視頻進行搜索，極大地提升了搜索的靈活性和效率。
例如，用戶可以通過上傳視頻來解決復(fù)雜的技術(shù)問題，省去了尋找合適描述的時間和麻煩。盡管Perplexity等對手也在追趕多模態(tài)功能，但谷歌在這方面的優(yōu)勢明顯，結(jié)合其優(yōu)秀的界面和用戶體驗，使其在AI搜索領(lǐng)域繼續(xù)保持領(lǐng)先。
谷歌還將推出一項名為Gemini Advanced的訂閱服務(wù)，讓用戶能夠創(chuàng)建個性化的Gemini版本，稱為Gems。
Gems類似于聊天機器人，可幫助用戶完成任務(wù)并具備特定的個性特征，類似于Character.AI平臺上的虛擬角色。谷歌表示，用戶可以將Gemini定制成健身教練、廚房助手、編程伙伴、創(chuàng)意寫作指導(dǎo)等，實現(xiàn)高度個性化的交互體驗。
谷歌還表示，很快Gemini將能讓用戶針對屏幕上的視頻提問，并依據(jù)自動字幕回答問題。對于付費的Gemini Advanced用戶，系統(tǒng)還將能提取PDF文件內(nèi)容并提供所需信息。這些包括Gemini在Android上的多模態(tài)功能更新，預(yù)計在未來幾個月內(nèi)逐步推出。
3.Andriod 15與TPU Trillium
谷歌I/O大會現(xiàn)場，來源：谷歌
當然，對于谷歌重要的Android，谷歌也沒有落下。
I/O大會上，谷歌也發(fā)布了Android生態(tài)系統(tǒng)的“三大突破”：
Circle to search（畫圈圈搜索）；
Gemini手機AI助手；
以及在手機本地運行的AI。
Circle to search（畫圈圈搜索）功能。比如使用Android手機或平板電腦，現(xiàn)在可以直接在屏幕上圈出數(shù)學題并獲得解題幫助。谷歌的人工智能不會直接解答問題，以防學生作弊，而是會把問題分解成幾個步驟，使解題過程更簡單。
這一功能已在Pixel和三星的部分設(shè)備上使用。
此外，谷歌還介紹了使用設(shè)備上的Gemini Nano AI技術(shù)，幫助用戶識別并避免詐騙電話，系統(tǒng)會通過識別典型的詐騙對話模式并彈出實時警告。谷歌承諾，今年晚些時候會提供更多關(guān)于這項功能的細節(jié)。
Gemini AI的集成將Android操作系統(tǒng)的功能大幅增強，不僅限于單一應(yīng)用，而是可以跨應(yīng)用提供服務(wù)，比如允許用戶直接將圖像從Gemini拖放到其他應(yīng)用。
這表明，Android系統(tǒng)正在向一個更加智能和多功能的平臺轉(zhuǎn)型，其中Gemini將能訪問整個應(yīng)用程序庫，實現(xiàn)與各種應(yīng)用如Uber和Doordash的深度集成。
Android 15 Beta 2將在明天正式推出。
在硬件方面，谷歌官宣推出第六代TPU—Trillium，峰值計算性能提高 4.7 倍，將在今年向云客戶提供。
“我們在過去的25年投資建設(shè)了世界一流的技術(shù)基礎(chǔ)設(shè)施。從支持搜索的尖端硬件，到支持人工智能進步的定制張量處理單元。”皮查伊說。
谷歌I/O大會現(xiàn)場，來源：谷歌
在Trillium的介紹中提到，這是性能最強和能效最高的TPU，其每個芯片的峰值計算性能比前代TPU v5e提高了4.7倍。這種顯著的性能提升不僅將加速AI模型的訓練過程，還會提高運行這些模型的效率，對谷歌的AI研發(fā)和服務(wù)有極大的促進作用。
比如谷歌的AI模型Gemini就已經(jīng)在第四代和第五代TPU上進行訓練和服務(wù)，顯示出TPU在支持先進AI應(yīng)用中的關(guān)鍵作用。
此外，其他領(lǐng)先的人工智能公司如Anthropic也在使用谷歌的TPU來訓練他們的模型，這進一步驗證了TPU在當前AI研發(fā)領(lǐng)域的重要性。Pichai的聲明中提到了谷歌在過去25年中對技術(shù)基礎(chǔ)設(shè)施的投資，這種長期投入不僅支持了谷歌搜索這樣的基礎(chǔ)服務(wù)，還促進了定制硬件如TPU的發(fā)展，從而推動了人工智能技術(shù)的整體進步。
通過這次大會的宣布，可以看出谷歌在保持其技術(shù)領(lǐng)先地位的同時，也在不斷尋求通過硬件創(chuàng)新來鞏固其在AI領(lǐng)域的競爭力，Trillium TPU的推出就是一個明顯的例證。
硬件的進步不僅對谷歌自身的產(chǎn)品和服務(wù)利好，也為整個AI行業(yè)提供了更高效的計算資源。
（封面圖來源：谷歌）
END.
中科聚信
CopyRight © 2024 中科聚信信息技術(shù)（北京）有限公司 All Rights Reserved.
