全面叫板OpenAI！谷歌发布多模态大模型全家桶：从AI助手到文生视频模型

被OpenAI抢先一天后，科技巨头谷歌不甘示弱，推出了自己的最新多模态AI（人工智能）产品。

当地时间5月14日，在谷歌I/O开发者大会上的主题演讲中，谷歌展示了由升级后Gemini模型驱动的AI助手项目Project Astra、对标Sora的文生视频模型Veo，以及在硬件方面发布的第六代Tensor处理器单元（TPU）Trillium芯片。根据发布会最后的官方统计，完全聚焦于AI的这场主题演讲总共提到了121次AI。

完全聚焦于AI的这场主题演讲总共提到了121次AI。 来源：谷歌I/O主题演讲

谷歌CEO桑达尔·皮查伊（Sundar Pichai）表示，谷歌的所有工作都在围绕生成式AI模型Gemini展开，“我们希望每个人都能从Gemini所做的事情中受益”。

14日当天，谷歌（Nasdaq：GOOGL）股价收于每股171.93美元，涨0.6%，总市值2.12万亿美元。

AI搜索支持视频输入，Gemini、Gemma上新

作为搜索引擎巨头，AI搜索正是谷歌所做工作中的一部分。

据介绍，在最新Gemini的加持下，谷歌搜索将具备多步骤推理能力，可以一次性处理带有多个限制条件的长问题、帮助用户进行头脑风暴，并支持视频搜索，让用户通过拍摄视频来搜索解决方案。这些功能将先在美国推出，谷歌预计会在今年年底前将其带给超过10亿人。

谷歌AI搜索将具备多步骤推理能力。来源：谷歌

谷歌的Gemini以超长的上下文窗口而出名。在大会上，谷歌重点强调了大模型Gemini 1.5 Pro的多模态和长文本能力，为其推出一系列更新。谷歌将向全球150多个国家地区的Gemini Advanced订阅者提供最新模型、拥有100万个token的Gemini 1.5 Pro，支持超过35种语言，定价为每100万token 3.5美元。

据皮查伊介绍，Gemini 1.5会提供“迄今为止所有基础模型中最长的上下文窗口”。Gemini 1.5 Pro将在今年晚些时候将会把窗口进一步扩大至200万token，拓展同步处理多模态信息的边界。

从今年夏天开始，Gemini将支持语音实时交互，并在今年晚些时候上线实时视频交互。未来几个月内，谷歌也将推出类似于GPTs的自定义AI助手功能，名为Gems，可以与整套“谷歌全家桶”联动。

另外，对于一些需要快速响应的场景，谷歌推出了Gemini 1.5 Flash模型。Flash将是API中速度最快的Gemini模型，针对大规模、大批量的高配任务进行了优化，也具有100万token的长上下文窗口。

谷歌也在发布会上带来了旗下开源大模型Gemma的最新版本Gemma 2。据介绍，Gemma 2采用全新架构，参数上达到27B，拥有突破性的性能和效率。

AI助手Project Astra叫板GPT-4o

在OpenAI推出能够实现人类级别响应的智能助手GPT-4o后，谷歌的AI智能体项目Project Astra也重磅登场。

在演示视频中，Astra能够通过手机摄像头或智能眼镜看到的内容来分析响应语音命令。它成功地识别出代码序列、为电路图提出改进建议、能够通过镜头“看到”伦敦国王十字区，并提醒用户智能眼镜的放置位置。

Project Astra是谷歌对于未来AI助手的展望。来源：谷歌

谷歌AI助手将能够通过智能眼镜和用户一起观察世界。来源：谷歌

据介绍，谷歌在Gemini的基础上开发了Astra的原型，可以通过连续编码视频帧、将视频和语音输入组合到事件时间线中以实现更快地处理信息。通过语音模型，谷歌也强化了智能助手的说话能力，让其能够给出更快速的回应。

不过，在演示视频中，谷歌AI助手的回应速度似乎还是会比GPT-4o稍慢一些，语音所表现出的感情色彩也平淡一些。

皮查伊表示，谷歌计划从今年开始将Astra的功能添加到其Gemini应用程序及其产品中。不过，他也强调，虽然最终目标是“让Astra在公司的软件中实现无缝连接”，但该产品将被谨慎推出，并且“商业化之路将由质量驱动”。

除了在AI助手领域的竞争外，谷歌还通过文生视频模型Veo来反击OpenAI的Sora。Veo能够根据文字、图片和视频的提示来生成高质量的1080p视频，创作“一致且连贯”的镜头，用户可以对光照、镜头语言、视频颜色风格等进行自定义设置。不过，谷歌没有宣布Veo的具体推出时间。

来源：谷歌I/O主题演讲

此外，谷歌还宣布了一系列与图像、音乐有关的生成式AI工具，包括能够表现更高细节水平的文生图工具Imagen 3，还有与Youtube以及音乐家合作的AI音乐工具“AI音乐沙盒”。

在硬件方面，谷歌将于今年晚些时候推出交付第六代数据中心AI芯片TPU Trillium。皮查伊表示，每块芯片的计算性能将比第五代提升4.7倍，谷歌通过扩大芯片的矩阵乘法单元（MXU）和提高整体时钟速度来实现这一目标。此外，第六代将比第五代芯片节能67%，谷歌还将Trillium芯片的内存带宽提高了一倍。

发布会后，著名AI学者吴恩达（Andrew Ng）对谷歌表示祝贺，称个人很期待“拥有200万个token的上下文窗口以及对设备上AI进行更好支持的Gemini”，认为其会为应用程序构建者带来新的机会。

英伟达高级研究科学家范麟熙（Jim Fan）表示：“谷歌正在做的一件事是正确的：他们终于在认真将AI整合到搜索中......谷歌最强大的护城河是分销。Gemini不一定要成为最好的模型，而是可以成为世界上最常用的模型。”

此前，在5月9日播出的一档节目中，谷歌CEO桑达尔·皮查伊接受采访时谈及公司与微软和OpenAI的竞争。他表示，尽管谷歌在聊天机器人领域的起步较晚，但他对公司的长期竞争力并不担忧，AI浪潮尚处早期。

4月25日，谷歌母公司Alphabet发布了截至3月31日的2024年第一季度财报。财报显示，Alphabet第一季度实现营收805.39亿美元，同比增长15%，是自2022年初以来公司营收增长最快的一个季度。非美国通用会计准则下（Non-GAAP）净利润为236.62亿美元，同比增长57%；摊薄后每股收益为1.89美元，高于市场预期的1.51美元。