谷歌发布「Project Astra」正面硬刚GPT-4o！超60秒AI视频丝滑生成，还把上下文窗口卷到了200万Tokens

赶在谷歌的I/O开发者大会之前发布的GPT-4o大模型，掀起的一片“AGI已至”的惊呼声。OpenAI出手再次惊艳世界，谷歌果然坐不住了。

当地时间5月14日，谷歌DeepMind CEO哈萨比斯亲自携谷歌版的《Her》多模态大模型登场：能听会看能说道。不仅能几乎没有延迟地和人类流畅交流，通过摄像头，这个名为「Project Astra」的AI助手甚至能直接帮忙读代码：

谷歌还祭出了自己的硬件优势，带来一波AR和AI大模型的梦幻联动。

一边撸狗一边玩转大模型已经成为现实。

面对OpenAI的疯狂挑衅，谷歌选择正面硬刚GPT-4o，铆足了劲，在I/O大会上释出的冰山一角。两个小时的主题演讲里，「AI」关键词被提及了多达121次，CEO劈柴还觉得不够多。

于是，对标Sora能生成一分钟长视频的视频生成模型Veo来了：

Gemini 1.5 Pro不仅面向所有人开放，上下文窗口还从100万Token直接一步推广到了200万的国际水平，一口气能读1500页PDF。

连安卓系统也与大模型Gemini绑定，摇身一变成为以AI为内核的操作系统。

总之，信息量多到爆炸！

谷歌版GPT-4o新模型登场

第一时间引发最多讨论的，当然是谷歌版《Her》——Project Astra。

Project Astra基于Gemini系列模型打造，谷歌表示，研究人员们希望这样的智能助手，能真正在人们的日常生活中提供帮助。

有意思的是，OpenAI总裁哥Brockman昨天在场外补充了有关GPT-4o多模态能力的更详细视频，而谷歌这边，哈萨比斯也是第一时间在X上更新了与这样一个智能助手的互动。

看样子，Ta不仅能完成帮忙找眼镜这样的基础工作。

帮忙搞点文艺创作，解答一下专业书上看不懂的内容，也都是信手拈来。

还有Google DeepMind的工作人员干脆和Project Astra一起看起了I/O大会直播：

不少网友都认为，这是谷歌对OpenAI的GPT-4o的正面回应。

不过嘛，网友们也关注到了不少问题，比如，Project Astra的延迟似乎还是比GPT-4o长，谷歌的演示中也没有体现是否能打断智能助手说话。

值得关注的是，Project Astra背后，是Gemini系列模型的进一步升级迭代。

比如，Gemini 1.5 Pro的上下文窗口来到了惊人的200万Tokens。

谷歌还最新推出了Gemini 1.5 Flash这一轻量级模型，并开源了27B的Gemma 2和视觉语言模型PailGemma。

60秒长视频生成

你可能已经默默在心里比较了一番Project Astra和GPT-4o的高下。

谷歌的回应，谷歌最强视频生成模型Veo来了。

Veo可以生成1080p的高质量视频，生成视频的长度也看齐Sora：最长的案例影片，长度超过了1分钟。

谷歌还强调，Veo生成的画面一致性出色，并且可以hold住各种风格。比如“延时拍摄”和“航拍”这种术语，直接写在提示词里，Veo都能get。

目前，谷歌已经和电影制作者展开了合作，在电影项目中探索Veo的应用。

与此同时，谷歌的图片生成模型Imagen也迎来更新：Imagen 3大模型发布。

官方提到，与此前的模型相比，Imagen 3的视觉伪影更少，生成的图像细节拉满，并且在生成文字方面效果也很好。

上图的提示词：「一张庄严的图书馆入口的照片，刻有“中央图书馆”字样」

另外，谷歌此次还推出了音乐生成模型Lyria，可用于支持YouTube创作者生成音乐。

Gemini进入全线产品

在这些跟OpenAI叫板的“肌肉”展示之外，谷歌对大模型应用的看重，也在此次I/O大会中尽显。

英伟达科学家Jim Fan就他的I/O观后感中表示：谷歌做对的一件事是：他们终于开始努力把AI集成到搜索框中。

还不止是搜索，这一次，谷歌可以说是把Gemini塞进了全线产品中，包括谷歌搜索、Android，以及谷歌邮箱、谷歌Photos等。下面我们划划重点。

1、谷歌搜索

基于Gemini，谷歌搜索推出AI概述(AI Overview)新功能，彻底化身AI搜索。

用户在搜索框输入问题，马上就能得到一个AI总结的答案，包括相关链接。

而且是超长问题都能处理的那种，比如：

查找波士顿最好的瑜伽或普拉提工作室，并提供他们的入门优惠详情以及从灯塔山步行所需时间。

AI Overview秒秒钟就会列出五星好评且距离灯塔山近的店，并附带课程标价，连店在地图上的位置都标记了出来：

对于这种复杂问题的搜索，谷歌表示采用了多步推理技术，可以将复杂问题拆解成一个个小问题，然后自动对问题进行排序回答。

多步推理加持下，AI Overview已经脱离了纯粹的搜索——把制定计划一并搬进了搜索引擎里。

比如直接让它为一个团体制定一个为期三天的易于执行的餐饮计划。

AI Overview一键给出了方案，每个方案都可以点击修改，下方还可以一键将食材加入购物车：

还没完，当你没有想法、问的问题比较笼统时，谷歌搜索还会AI自动将搜索结果整理成一个个“群组”，为你提供建议。

比如问：在达拉斯找一个餐厅庆祝周年纪念日。

搜索出的结果会按照音乐餐厅、具有历史魅力的餐厅等一键分组。再往下翻，页面会从餐饮逐渐扩展到电影、酒店、购物等。

此外，谷歌搜索还支持视频搜索了。

演示中，唱片机出故障，只需一边录制视频一边说出疑问，谷歌AI Overview就会立刻分析故障原因，并给出处理建议。

谷歌搜索AI Overview功能将在本周开始在美国推出，后面将陆续推至其他国家。

2、Android 15系统

谷歌把Gemini也带到了安卓系统中。

凭借直接内置的Circle to Search功能，用户使用简单的手势“圈”一下手机上看到的任何内容，就能进行搜索。

比如圈出练习题，就能一键获取答案。

目前这一功能，已在Pixel和三星的部分设备上使用。

此外，还可以在一个应用之上随时调出Gemini助手层，随时使用。你还可以将Gemini生成的图片直接拖到Gmail等应用中，直接询问某个视频中的具体信息，不用滑动翻文档询问某个PDF中的信息……

甚至连电话反诈，都用上Gemini了：听到关键字“把钱转到安全账号”，马上就能给出警报。

总之，官方强调，现在Gemini在手机上现在不止是一个APP，更是嵌入了安卓的系统级体验的基础。

3、谷歌Photos

谷歌Photos基于Gemini也推出了新功能——Ask Photos，可以一键从图库中帮你找到想要的照片和视频。

比如你想知道自己的baby是什么时候学会游泳的，Ask Photos会从你在谷歌Photos中存储的成百上千张照片中查找出含游泳、游泳证书等相关图片，最后总结给出回复：

Ask Photos这一功能将在今年夏天推出。

4、谷歌Workspace

Gemini也接入到了谷歌Workspace提供的一套生产力和协作工具中，包括谷歌邮箱、谷歌Docs、谷歌Calendar等。

这使得在这些工具间进行跨应用工作变得更加容易。

例如在谷歌邮箱中自动分析邮件以及附件，识别整理好收据，然后一键在Drive和Sheets中处理。

5、NotebookLM

谷歌AI笔记应用NotebookLM也大升级。

如下图所示，当你提出一个问题后，背后的Gemini模型就会结合NotebookLM中的笔记内容，进行多模态的语音对话式回答。

也就是说，所有笔记都可以变成交互式教材。

第六代TPU

最后，在硬件部分，谷歌也带来了新消息：第六代TPU Trillium将在今年向云客户提供。与TPU v5e，Trillium的峰值计算性能提高4.7倍，HBM和带宽增加了1倍，芯片间互联(ICI)带宽也增加了1倍。另外，Trillium的能效比TPU v5e高出了67%以上。

有关谷歌I/O的更多细节，可以戳：

https://blog.google/technology/developers/google-io-2024-collection/

那么今日份的发布会笔记，就先做到这里了。你觉得谷歌这波表现如何?