太平洋科技要闻

OpenAI为什么总要故意砸场，谷歌今天又给出了什么回应？

新浪科技整合编辑：龚震发布于：2024-05-15 09:38

OpenAI又一次加塞砸场

这已经不是第一次了。OpenAI摆明了是要加塞，故意在谷歌发布会前一天发布自己的产品，砸直接竞争对手的场子，抢占媒体报道风头。因为是创业公司，OpenAI总能比谷歌更快作出反应，安排活动。

他们上次这么做还是是2月份，谷歌发布了多模态大模型Gemini 1.5 Pro，直接将性能拉到支持百万Token的业界新高。但这并没有成为那天的焦点，因为OpenAI在同一天发布了文生视频工具Sora，诸多栩栩如生又极具想象力的AI视频随即成为了社交媒体上的爆款，抢尽了谷歌Gemini的几乎所有风头。

这一次OpenAI又搞突然袭击。谷歌I/O大会的日期是提前数月就宣布的，但OpenAI上周突然宣布在谷歌大会前一天召开发布会，在昨天发布了最新大模型GPT-4o（o代表着Omnimodel全能模型），提前引爆了AI大模型的关注热度，再次打乱了谷歌即将发布AI新品的传播节奏。

GPT-4o不仅是完全免费的，而且覆盖了桌面与移动App，不仅性能大幅提升，而且可以综合处理文本、图片和音频，人机交互更加自然简单。举例来说，可以让GPT-4o加入网络会议，给用户记录发言总结概要。

GPT-4o具体有什么用？用户可以让GPT-4o处理眼前的问题，极大提升生产力，可以与AI实时语音对话，就像是与真人聊天一样自然流畅，AI处理反应已经达到人类的速度，甚至还可以理解用户的情绪，以相应的情感作出回应。

面对OpenAI的故意撞车和抢占风头，谷歌在今天的I/O大会上又拿出了怎样的AI产品，是否带来了足够的震撼与新意？

谷歌I/O开发者大会今年已经进入了第16个年头，AI早已成为I/O大会的绝对乃至唯一的主角。谷歌CEO皮查伊更是在结束时宣布，整场发布会一共说了121次AI，引发了全场大笑。(这个梗是因为去年媒体统计谷歌在I/O上一共说了143次AI，今年谷歌干脆自己公布统计数字)。

Gemini 1.5 Pro支持两百万Token

虽然整场发布会都没有提及竞争对手，但谷歌CEO皮查伊从主题演讲一开始就开始秀谷歌的AI实力，宣布谷歌已经全面进入Gemini时代。他强调谷歌已经在AI领域投入了十多年时间，贯穿了AI的每一层：研究、产品、基础设施。

虽然AI新贵OpenAI在产品发布方面抢占了先发优势，但谷歌在研究论文、用户规模、产品数量以及算力方面都占据着压倒性优势，这也是OpenAI必须与微软结盟的直接原因，因为两家公司都不可能单独与谷歌掰手腕。

皮查伊还宣布，Gemini大模型已经覆盖了谷歌全平台的20亿用户产品，仅仅三个月时间就有100多万用户注册使用。而两个月前发布的原生多模型Gemini 1.5 Pro已经得到超过150万开发者的使用。

在性能方面，谷歌就是AI业界的灭霸。Gemini 1.5 Pro此前直接将Token(上下文处理)性能提升到了百万级别，全面压倒了受困于性能变慢的GPT-4.0 Turbo。三个月后，谷歌在今天宣布改进版的Gemini 1.5 Pro全面开放给Gemini Advanced的用户，并且支持35种语言。

更为残暴的是，谷歌还将Gemini 1.5 Pro的上下文窗口处理性能直接翻倍到了200万(暂时只面向开发者提供)，在这方面OpenAI只能望尘莫及。皮查伊宣布，这是朝着无限上下文的最终目标迈出的重要一步。

Gemini 1.5 Pro可以给用户带来怎样的实际体验？谷歌用Workspace办公组件展示了AI给生产力带来的巨大变化。举例来说，如果是通过Google Meets进行远程会议，哪怕用户无法参会，也可以让Gemini为自己录音并列出会议纪要。

有了Gemini，Gmail邮箱就有了灵魂。代写邮件已经是基本操作了。用户可以让Gemini帮助自己整理和总结Gmail的海量邮件，根据最近的收据和信用卡账单邮件整理归纳出用户的消费支出，给出一份专业又具体的财务支出清单。

在电商时代，Gemini还能扮演智能管家的角色。用户甚至可以让Gemini自动在邮件中找到收据邮件，并进入商家平台申请退货，还能让快递上门取货。这一切都只需要用户向Gemini下达指令。Gemini 1.5 Pro从今天开始全面入驻Workspace Labs。

轻量AI模型Flash

Gemini模型家族的新品还不仅于此。谷歌DeepMind CEO哈撒比斯(Demis Hassabis)在主题演讲中介绍了Gemini的新成员：轻量、迅捷、高效的模型1.5 Flash，以及未来AI助手Project Astra。

去年12月，谷歌发布了第一代原生多模型Gemini 1.0，包括了Ultra、Pro以及Nano三个版本。三个月后谷歌发布了百万Token处理能力的Gemini 1.5 Pro。今天谷歌将Gemini 1.5 Pro处理能力提升到200万级别之外，还推出了轻量模型Gemini 1.5 Flash。

虽然Gemini 1.5 Flash的上下文处理能力同样达到了百万级别，但却比1.5 Pro更为轻便迅速，针对低延迟和专注成本的任务进行了优化，更适合规模化构建。Gemini 1.5 Flash今天就会在通过谷歌AI Studio和Vertex AI两大平台向开发者提供。

Project Astra是谷歌DeepMind打造的未来通用智能AI助手，也是对标OpenAI GPT-4o的产品。Astra不仅具备多模态处理，可以无缝应对文本图片视频等多媒体内容，还能以更为智能实时的方式与用户进行对话。

或许略微遗憾的是，OpenAI已经在昨天抢先发布了GPT-4o的类似功能，晚了一天亮相的Astra少了诸多惊喜和震撼，或许这就是OpenAI突然抢先发布的主要原因。因为谁先发布就占据了媒体报道的焦点。如果OpenAI在谷歌Astra之后发布GPT-4o，同样也会失去诸多传播魅力所在。

搜索更加人性与个性

从搜索到邮件，从地图到图片，再到办公组件，谷歌有着太多上亿乃至十亿用户级别的产品可以承载AI落地。横跨iOS与Android平台，移动与桌面两端的20亿+的用户规模，以及几乎覆盖所有领域的产品，更是谷歌AI技术落地的庞大产品军火库。

生成式AI在搜索领域的应用显然是最直接的用户体验。即便微软借助OpenAI试图弯道超车，但过去一年市场份额也只涨了不到一个百分点(目前3.64%)。而谷歌虽然市场份额减少了两个百分点，但目前全球市场占有率依然接近91%。

有了Gemini大模型的加持，谷歌搜索得以全面提升，提供一对一的解答。用户可以随心所欲的提问，无论是具体知识，还是寻求建议，谷歌搜索的AI Overviews都可以应答如流，不仅给出实际的回答，更提供信息来源。

具体来说，用户搜索“如何清洗布质沙发”的问题，AI Overviews不仅会提供几种清洗沙发的方法，还会带来答案的信息来源，再附上清洗产品的链接(购买谷歌搜索广告的商家产品)。未来用户还可以根据自身需求，对AI Overview的回答进行个性化调整，提供更为简明扼要或者细节详尽的回答。

实际上，此前已经有不少用户已经通过Search Labs的实验功能体验到了AI Overviews功能。AI Overviews今天正式在美国市场推出，未来会逐步扩展到其他国家市场。谷歌预计，单是本周时间就会有数亿用户使用到AI Overviews，今年年底用户规模或将突破10亿级别。

AI功能全面落地手机端

虽然I/O主题演讲开始78分钟之后，谷歌才开始介绍Android平台的AI新功能，但这并不意味着Android在谷歌AI战略的重要性降低。实际上，移动端才是用户体验谷歌AI功能的最直接平台。

在今年年初三星手机推出谷歌AI技术加持的画圈搜索、全屏翻译等人性功能之后(三星国行版使用百度AI技术)，半年时间全球已经有超过1亿设备搭载了谷歌画圈搜索功能。谷歌预计今年年底这一数字将翻一倍，达到两亿设备。

而且，得益于谷歌LearnLM模型，画圈搜索功能还有了更多的实际运用。从今天开始，画圈搜索将帮助学生做家庭作业，替代家教作用，帮助他们更好了解如何做题，而不仅仅是给出直接答案。这也是昨天OpenAI GPT-4o所展示的使用场景。

Gemini on Android是谷歌为Android平台推出的一系列人性化功能。有了这一功能，用户可以用对话的方式，在写邮件和发短信的过程中直接生成和发送个性化图片，可以在YouTube视频中直接寻找想要的内容，在PDF中迅速找到自己所需的内容，而不用再自己费力浏览搜索。

在Android设备端上的Gemini Nano模型还带来了TalkBack和反诈功能，这两大功能都会在今年晚些时候发布。有了TalkBack功能，失明或者弱视患者可以通过手机摄像头，听AI描述眼前的世界，即便没有网络也可以使用。

智能反诈功能则可以根据聊天中的敏感内容(例如骗子要求进行银行转账，询问个人密码时)，即使弹出警告窗，提醒用户这可能是诈骗电话。由于Gemini Nano完全是基于设备端，用户不用担心自己的通话内容被监听。

AI图片工具Ask Photos

Google Photos是谷歌在2015年发布的云相册服务，iOS和Android用户可以将自己的所有照片和视频都存入这个云端相册，并在任何联网设备上接入。目前Google Photos每天上传的照片与视频数量超过了60亿。

海量的图片如何整理和搜索，一直是个用户体验难题。现在谷歌推出了AI工具Ask Photos之后，用户可以轻松寻找出任何想要的图片，回忆过去的点滴记忆，再也不担心找不到或者花很长时间才能找到想要的照片。

举例来说，用户想回忆女儿的成长过程，可以向Google Photos提问“女儿是什么时候学会游泳的？”。谷歌就可以迅速展示小女孩最早开始游泳的照片，让用户看到这个温暖的记忆判断。

AI甚至还可以帮助用户进行归纳总结。用户可以提出更为复杂的问题，“女儿的游泳技能是怎么提升的？”谷歌不仅会搜索相关的女儿游泳照片，还可以提供一段简单的说法，帮助用户更好的回忆女儿的游泳技能的提升过程。

文生视频模型叫板Sora

谷歌DeepMind的文生视频模型Veo是今天最为惊艳的产品之一。三个月前OpenAI用一波Sora生成视频抢尽了谷歌Gemini 1.5 Pro的风头，今天谷歌拿出了自己的产品回击Sora。

虽然比OpenAI的Sora晚了三个月发布，但是Veo带来的视频却更为高清流畅自然，看起来更为真实(当然三个月时间，Sora也可能有了重大更新)。Veo可以生成一分钟以上的1080p分辨率视频，可以理解“延时摄影”以及“航拍风景”等术语，展示多种电影与视频风格。

为了展示Veo在电影行业的潜力，谷歌还邀请了出演过《火星救援》等诸多作品的好莱坞电影人格罗夫(Donald Glover)进行产品试用。此次大会上也展示了格罗夫创意工作室Gilga使用Veo制作的数个看起来极具大片风格的视频片段。

谷歌宣布，Veo从今天开始向特定创作者提供内测，并在未来整合到YouTube Shorts和其他产品中。无论什么AI功能，苹果都有海量用户的产品可以承载。YouTube Shorts是谷歌对标TikTok的短视频服务，发布三年时间之后，目前月活用户已经突破了23亿(当然这是得益于YouTube的庞大体量)。显然，一旦Veo进入YouTube Shorts，其用户规模将是Sora所无法想象的。

此外，谷歌还展示了DeepMind最新的文生图片模型Imagen 3，这是对应OpenAI的DALL.E3。谷歌在发布会上展示了Imagen 3生成的数张高清图片，据称具有更好的自然语言理解，更好理解文本背后的意图，带来更为细节、更强渲染能力的图片。

Imagen 3也从今日开始通过谷歌的AI图片工具ImageFX向特定创作者提供测试，未来会整合到谷歌的机器学习平台Vertex AI中。

文本：一个短发胡须男子微笑着看着镜头。

背景模糊，可以看到浅影的树木和建筑。

文本：一只手握着一个泥塑小鸟雕像，另外一只手拿着刻刀。

可以看到雕刻着的围巾。他的双手沾满粘土。

用一张近摄的单反图片突出纹理和雕刻质感。

此外，谷歌还推出了面向音乐爱好者的Music AI Sandbox，用生成式AI音乐模型Lyria，帮助音乐人更为便捷地创作出不同风格的音乐作品。这些功能也会整合进YouTube平台。

第六代TPU芯片Trillium

谷歌在AI领域的强大优势不仅体现在大模型，还体现在他们在AI处理器领域的实力。过去六年时间，行业对机器学习运算能力的需求增长了100万部，而且每年都会增长10倍。而谷歌在这方面则站在了行业价值链的顶端。

早在2016年谷歌就推出了为AI训练设计的第一代TPU(定制张量处理单元)。Gemini大模型完全是在自己的第四代和第五代TPU上进行训练与服务的，谷歌甚至还向Anthropic等其他AI公司提供了TPU训练服务。相比之下，OpenAI目前还只能依靠微软获得训练能力。

今天谷歌在I/O大会上还发布了第六代TPU处理器Trillum，计划今年晚些时候向云服务客户推出，Trillium的每个芯片处理速度比前一代TPU v5e提升了4.7倍。