谷歌回击OpenAI：提了121次AI AI搜索、智能对话、视频生成来了

两天时间里，科技界先后迎来两场重要的发布会。前一天，OpenAI刚刚发布了重大更新GPT-4o，号称颠覆语音助手，再度全网刷屏，紧随其后的谷歌压力颇大。

北京时间5月15日凌晨，谷歌在2024年I/O开发者大会上展开回击：一次性掏出十几款产品更新，重磅级的发布包括轻量化的模型Gemini 1.5 Flash、AI通用智能体Project Astra、强大的AI搜索、视频生成模型Veo、第六代TPU Trillium等，Gemini 1.5 Pro的上下文窗口也从100万tokens升级到200万。

在两个小时的主题演讲里，据Gemini统计，“AI”被提及了121次，谷歌官网同步发布了11篇AI相关的博客介绍此次更新。这场不见硝烟的战争，谷歌看起来全力以赴了。5月14日，谷歌美股(GOOGL)涨0.71%，报170.34美元/股，截至发稿其盘后跌0.27%。

反击OpenAI

相比通过底层技术的革新实现跨越式发展，猎豹移动董事长兼CEO傅盛发文表示，这一次OpenAI的发布会是在工程能力上发力，也就是说把原有的东西做得更好，更便宜、更集成化、用户体验更好，“这次OpenAI发布会上最大的亮点就是语音助手，大家都感叹交互起来和人一样，但像谷歌这样的公司做这类语音助手能力一定不差，工程能力的提升是大公司容易做到的事情”。

谷歌不负期待，掏出了类似的视觉识别和语音交互产品Project Astra，被认为是正面交战GPT-4o。

“我们一直希望开发能在日常生活中提供帮助的通用AI智能体。”谷歌DeepMind首席执行官哈萨比斯（Demis Hassabis）第一次出现在I/O大会上，他表示Astra（高级视觉和对话响应智能体）项目是谷歌在构建未来AI助理方面的进展。

Astra项目展示了多模态理解和实时对话能力。在谷歌演示的视频中可以看到，通过摄像头，这个AI助手能完成帮忙理解屏幕中的代码、找眼镜在哪里这样的工作，也可以通过画面理解“薛定谔的猫”这样的概念。

哈萨比斯在演讲中表示，要做到真正实用，智能体需要能够像人一样理解周围复杂多变的环境并作出反应，还需要具备主动性、“会学习”并能满足个性化需求，这样用户才能自然地与它交谈，不会有滞后或延迟，“虽然我们在开发能够理解多模态信息的AI系统方面取得了惊人的进步，但要将回答时间缩短到可对话的程度，仍是一项非常艰巨的工程挑战”。

谷歌此次另一回击OpenAI的产品是视频生成模型Veo。今年2月，OpenAI发布视频生成模型Sora引发全网热烈讨论，彼时几小时前才发布Gemini 1.5 Pro大模型的谷歌风头被抢完。

此次，谷歌推出Veo对标Sora，表示这是“我们最强大的视频生成模型”，不仅能生成各种电影和视觉风格的高质量1080p分辨率视频，理解“延时拍摄”或“风景空中拍摄”等电影术语，时间还可以超过一分钟。谷歌表示，凭借对自然语言和视觉语义的深入理解，Veo生成的视频能够准确捕捉提示的语气并在较长的提示中呈现细节。

谷歌演示了一段汽车追逐的示例生成视频，从整体画面上看，镜头是一致且连贯的，移动较为真实，但相比Sora以往放出的视频，细节没那么清晰，大全景为主。不过，在官网的博客中，谷歌放出了更多的生成案例概览，其中不乏高清且精致的画面。

在影音领域，除了视频，谷歌还更新了图片生成模型Imagen 3，官方提到，与此前的模型相比，Imagen 3分散注意力的视觉伪影更少，细节逼真。谷歌还发布了一套名为Music AI Sandbox的音乐AI工具，可以让人们从头开始创作新的器乐部分，以新的方式转换声音等等。

变革搜索

I/O大会之后，英伟达高级科学家Jim Fan发表观后感表示，谷歌做对了一件事，“他们终于开始认真努力将人工智能融入搜索框，”他认为，谷歌最强大的护城河是分销，“Gemini不必是最好的模型，就可以成为世界上使用最广泛的模型。”

谷歌搜索此次推出了AI概述（AI Overview）新功能，用户在搜索框输入问题，即可得到一个AI总结的答案，且能处理超长问题，如AI可以帮忙查找波士顿最好的瑜伽或普拉提工作室，并提供入门优惠详情以及步行所需时间，并附带课程标价，地图上的位置也能标记出来。

凭借Gemini的多模态功能，谷歌搜索还可以做到利用图片搜索产品和文字信息，能用“Circle to Secarch”功能圈出图片中的一部分去搜索。具体而言，谷歌推出了新功能Ask Photos，可以一键从图库中找到想要的照片和视频。

谷歌在演示中举例，假设在停车场缴费时，却想不起自己的车牌号。以往，用户可能需要翻找多年积累的照片来寻找车牌，但现在，只需直接询问Photos，它能够识别出照片里经常出现的车辆，并提供车牌号码。

谷歌还支持视频搜索。在演示中，唱片机出故障，带有针头的金属部件在意外漂移，用户只需一边录制视频一边说出疑问，AI就会立刻分析故障原因；数码相机控制杆出现问题，只需要用摄像头对着产品提问，就能得到关于如何修复的解答，省去用户描述问题的时间和麻烦。

谷歌表示，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。

去年12月，谷歌发布了首款原生多模态模型Gemini 1.0，包含Ultra、Pro和Nano三种不同大小。几个月后，谷歌发布了Gemini 1.5 Pro，性能更强，且拥有100万tokens的长上下文窗口。

此次发布会，谷歌再次更新超长上下文窗口，扩展到了200万tokens（2000K）的级别，并表示将以非公开预览版的方式提供给开发者。相比之下，GPT-4 Turbo的上下文窗口为128K。“这代表着我们朝无限上下文的最终目标又迈出了一步。”谷歌首席执行官桑达尔·皮查伊（Sundar Pichai）说。

训练最先进的模型需要大量的计算能力。此次发布会，谷歌还宣布推出第六代TPU Trillium，与上一代TPU v5e相比，每个芯片的计算性能提高了4.7倍。皮查伊提到，过去六年中，行业对机器学习计算能力的需求增长了100万倍，且每年都会以十倍的速度增长。谷歌将在2024年底向Cloud客户提供Trillium。

十多年来，谷歌一直在AI领域进行投入，但皮查伊表示，目前谷歌仍处于AI平台转型的初期，“我们看到了为创作者、开发者、初创公司以及每一个人所带来的巨大机遇。帮助推动这些机遇正是我们Gemini时代的意义所在”。