谷歌有内鬼吧？
每次发布会都被OpenAI狙击的死死的，所有新东西在OpenAI发布会后都让人兴奋不起来，翻不起一点大众的波澜。
就连今天Ilya离职也为OpenAI狙击Google开发者大会做了最后的贡献，成功分流了科技圈的讨论热点。
题外话说一句，上次OpenAI逼宫事件后，Ilya虽然妥协，但肯定无法久待，Sam肯定会找人替代他的位置，这个人现在找到了，新的gpt-4o也发布了，这是个好的时间节点。
Ilya真的很善良，哪怕走也给OpenAI带来了最大的贡献。
他是一个令人值得尊敬纯粹的技术大牛，分手都那么温柔。
话题扯远了，我拉回来。
让我们来看看谷歌这次开发者大会，推出最强大 AI 模型 Gemini 1.5 Pro里面的内容有什么值得注意的。
一、谷歌开发者大会内容
在本次开发者大会上，谷歌将焦点聚集在了当前炙手可热的生成式AI功能上，特别强调了经过再次升级的Gemini 1.5 Pro大模型，并推出了谷歌视频生成模型Veo。
谷歌搜索也迎来了更新，同时宣布Gemini模型将被整合到Android 15系统中，并展示了一系列即将推出的生成式AI功能。
同时在会上，谷歌宣布Gemini 1.5 Pro升级到200万tokens，并全面支持Workspace，同时Gemini 1.5 Pro将面向全球开发者开放。
谷歌正式发布了“AI Overviews”搜索功能，该功能本周将在美国率先推出，随后逐步扩展至其他国家和地区。
谷歌搜索与Gemini大模型的结合，使得搜索结果能够生成AI摘要，用户可以输入一段具体的文字，系统将根据文字内容和场景匹配搜索结果，为旅行规划创建更为合理的清单，甚至根据天气提供推荐。
此外，未来谷歌还将推出视频搜索功能，用户可以通过拍摄视频来搜索所需内容。
谷歌在大会上，还推出了“Ask Photos”功能。
该功能在Gemini大模型的支持下，允许用户通过聊天的方式搜索照片或视频，例如询问车牌号码，系统将通过检索和识别技术找出相应的车牌号。
询问孩子的游泳情况，系统将搜集并展示孩子过去的游泳照片。
该功能预计将在夏季正式推出。
谷歌还发布了Gemini 1.5 Flash模型，该模型成本低于Gemini 1.5 Pro，并对延迟进行了优化，宣称能够一次性分析1500页文档或超过30000行的代码库，为开发者提供了一个经济实惠的选择。
紧随其后的是重磅项目Project Astra，旨在打造面向未来的生成式AI交互体验。
演示视频展示了手机通过摄像头对周围环境的理解，并能够实时进行语音交互。
用户打开摄像头询问拍摄的物体，系统能够准确识别并给出语音回答。
甚至它能够回忆起拍摄过程中某个物体的位置，这种功能可以从手机无缝转移到眼镜上继续使用。
而在文生图功能方面，谷歌推出了Imagen 3，相比前代能够更准确地识别文字信息，创作的图片更符合文本描述。
除了图片和文本生成，谷歌发布了视频生成模型Veo，与OpenAI的Sora竞争.
Veo能够通过文本和图像生成视频，生成的视频分辨率可达1080P，时长可超过1分钟。
用户只需提供描述视频场景的文本提示，Veo就能将该场景转化为相应的视频内容.
比起Sora到现在的遥不可及，目前Veo可以在平台上加入等待名单申请试用。
https://aitestkitchen.withgoogle.com/zh/tools/video-fx除此之外，在办公场景中，谷歌Gmail将整合Gemini大模型的能力。
它不仅能够总结邮件内容，还能根据需求比较邮件内容（如自动比价装修报价邮件），并根据上下文智能提供回复建议。
在开发者大会上，谷歌明确表示Android 15将加入谷歌Gemini大模型，提供更多AI功能。
例如已在三星AI手机上应用的即圈即搜功能，除了搜索物体外，还增加了截图功能，圈选题目给出解题思路和答案，帮助学生解题。
在查看PDF等文件时，系统能够总结文件内容，并以询问的方式提供用户想要了解的信息。如果识别的页面包含视频，系统也能对视频内容和字幕进行分析，快速获取视频信息。
此外，谷歌还为手机增加了AI诈骗电话检测功能，如果在通话过程中识别到疑似诈骗行为，系统将弹出提示窗警告用户。
谷歌在大会结束时宣布，Android 15 Beta 2将于明天上线。
关于谷歌开发者大会的主要内容就是以上这些。
而Gemini 1.5 Pro的功能详细分析其他博主已经说的很充分的，我来说一说为什么我觉得谷歌这次发布会可能掀不起什么波澜。
二、原因分析
其实Google在开发者发布大会上的内容，不难发现又多又全，但是特点不够鲜明。
1、Gemini的升级
Gemini 1.5 Pro 在 2 月份就已经发布，本次更新发布了Gemini 1.5 Flash，但是跑分并没有很亮眼，被昨天发布的GPT-4o甩在后面。
而在发布会上介绍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”——200万token，拓展同步处理多模态信息的边界。
Excuse me？就这？
200万Token上下文，如果是几个月前，那可以说是非常有特点，但是现在是2024年5月份了，暂且不提是KIMI先提出的200万Token上下文内容, Google是不知道通义千问已经在3月份就免费开放1000万字长读取文本功能了吗……
对比起来毫无优势。
而且对于大部分使用者来说，是100万Token还是200万Token在高频的日常任务差别不大，不是每个人都要拿来写长篇小说的。
反正我是内心毫无波澜。
2.VEO视频
Veo模型具备生成多种风格、高清1080p分辨率视频的能力，且视频时长可轻松超越一分钟。
Veo模型在自然语言处理和视觉语义理解方面取得了显著进展，使其在解析视频内容、渲染高清晰度图像以及模拟物理现象等方面实现了技术上的飞跃。
Veo所生成的视频作品，能够精确而细腻地传达用户的创意构想。
VEO视频本身看上去还行，但是Sora早了它几个月，而且Sora视频的质量看上去很棒，VEO没有特别惊艳，除了时间确实1分钟比较长，其他并没有特别让人有印象的点。
对比起来，国内的生数在几周前公布的视频都让我印象更加深刻。
现在AI视频开始造成的震撼已经随着时间慢慢淡化，风头被OpenAI抢走了，菜都凉了，无法让人兴奋。
3.通用AI智能体Astra
根据大会的说法，谷歌基于Gemini开发了智能体原型，该原型能够通过连续编码视频帧、将视频和语音输入整合到事件时间线中，并缓存这些信息以实现快速检索，从而加速信息处理。
通过语音模型，谷歌进一步增强了智能体的发音能力，赋予了智能体更丰富的语调。
这些智能体能够更好地理解所处的上下文，并在对话中迅速作出反应。
但是从大会上发布的演示在交互体验上，与昨天GPT-4o的实时演示相比，似乎存在一定的差距。
无论是在响应时间、语音情感的丰富度，还是在可打断性等方面，GPT-4o的交互体验看起来更强。
Astra响应速度上，从展示的内容上看好像是比不过GPT-4o，也没有演示是否能随时打断，其实这才是在与人交流中比较关键的体验。
有了GPT-4o珠玉在前，Astra逊色不少。
结语
基于之前被Gemini多模态视频剪辑欺骗的历史，我觉得产品好不好，还是看实际效果，不能看DEMO。
等看到实际效果再评价比较客观。
<hr/>我是德里克文，一个对AI绘画，人工智能有强烈兴趣，从业多年的设计师！如果对我的文章内容感兴趣，请帮忙关注点赞收藏，谢谢！ |
|
