界面新闻记者 |
界面新闻编辑 | 文姝琪
5月20日至21日，搜索巨头谷歌在加州山景城海岸线圆形剧场举办一年一度的Google I/O大会(开发者大会）。
自从2024年I/O大会上，谷歌CEO桑达尔·皮查伊（Sundar Pichai）宣布Google进入“Gemini时代”后，AI就成了大会重头戏。
今年也不例外，首日的核心就是GeminiAI相关的新产品升级。桑达尔·皮查伊、谷歌Deepmind CEO、2024诺贝尔化学奖得主戴密斯·哈萨比斯（Demis Hassabis）等一众高管登台亮相，介绍展示了新的推理AI模型Gemini2.5 Pro、引入Gemi2.5后的Google AI搜索、 Android XR以及Google眼镜等功能和服务的重大更新。
升级版推理模型：“更懂思考的”Gemini2.5 Pro
谷歌在会上发布的最重要的AI产品是其Gemi2.5的升级版模型——Gemini2.5 Pro。
Gemini2.5 Pro是Gemini系列最新的推理旗舰模型，对标OpenAI o3。相对于Gemini2.5，Gemini 2.5 Pro在其基础上进一步增强了复杂任务处理能力，尤其在代码生成、逻辑推理和多模态理解方面表现有了极大提升。
据Deepmind CEO哈萨比斯介绍，Gemini 2.5 Pro具备深度思考能力，能够在回答前“思考”多个假设，进行复杂的逻辑推理和信息分析，并具备“思维链”功能，能够在回答时展示完整的思考步骤和多种选择方案。
在评价模型能力的LMArena排行榜上，Gemini 2.5 Pro在所有类别（对话能力、代码生成、图文生成以及综合评分项目）中都排名第一。
谷歌在现场重点演示了其AI Coding的能力，按照官方定位，相对于Gemini 2.5，Gemini2.5 Pro是一款“更擅长编程”的模型。
据现场工作人员介绍，Gemini 2.5Pro特别擅长创建视觉效果丰富的网页应用，包括UI设计、响应式布局和复杂交互动画的生成。工作人员现场演示了一项前端网页编程任务，将几十张2D图片改成3D排列，仅通过几个简单的提示词，模型不到一分钟时间就自动完成了编码实现。
在衡量AI编程能力的排行榜WebDev Arena上，Gemini 2.5Pro居于首位，比其上一个版本提升了142分，超过了包括Claude 3.7 Sonnet和GPT-4.1 Turbo等竞争对手。
除了编程能力外，多模态能力也是Gemini一直重点提升的核心。
谷歌公布了Gemini Live API的预览版。Live API支持文本转语音、语音转语音，做到以视听输入和输出音频对话，早期功能有情感对话（Affective Dialogue）、主动音频功能（Proactive Audio）。情感对话能够检测用户声音中的情感并作出适当回应。主动音频功能下模型将忽略背景对话并知道何时回应。
Live API 支持超过24种语言，并可以在它们之间无缝切换，目前已在 Gemini API 中可用。
在集中体现多模态能力的“世界模型”上，伴随Gemini 2.5Pro的升级，谷歌旗下的视频生成模型、音频生成模型、图像生成模型也升级到了新版本.
新的视频生成模型Veo3首次实现了视频与音频的原生同步生成。它不仅能生成高质量的视频画面，还能同步生成包括环境音效、角色对话和口型同步的音频内容。
音频生成模型Lyria 2能够支持生成高保真度、高质量的音乐，适用于品牌配乐、影视音乐和数字内容制作。
还有新的图像生成模型Imagen 4，生成的图像更加丰富，色彩更加细腻，细节更加逼真。
基于Gemini 2.5 Pro在深度思考、复杂任务上的能力，谷歌还在大会上宣布将计划通用人工智能助手Project Astra 、智能体系统应用（AI Agent）Project Mariner。Project Astra目前已经具备视频理解、屏幕共享和记忆等功能；Project Mariner 现在包含一个Agent智能体系统，可以同时完成多达十项不同的任务，如查找信息、订票、购物，相应的功能已经被整合进入Gemeni API中。
“Gemini所有应用目前月活跃用户已超过4亿。尤其是2.5系列模型的使用增长强劲和用户参与度很高。”谷歌CEO皮查伊在演讲中提到，世界正在加速拥抱AI——去年同期，Google 旗下Gemini所有模型API及AI产品每月处理9.7万亿个Token。而现在，这一数字已超过480万亿，前后增长了50多倍。
首次引入Gemeni 2.5 的谷歌搜索
在"老本行"搜索方面，这次I/O大会宣布将Gemini 2.5正式引入Google搜索引擎，面向美国用户全面开放。
引入AI模型的谷歌搜索将提供“AI mode”"AI Search”功能。皮查伊称，“AI搜索是对传统搜索引擎的颠覆”。
在AI Mode下，用户可以通过语音、文字、图片等多模态方式输入搜索问题，搜索引擎会自动分解查询意图，生成对应的答案，可以用在制定旅游行程、购物建议、编程指南等生活场景中。
此外，AI Mode将支持一系列全新的功能，比如：深度搜索（Deep Search）、实时互动搜索（Search Live）。
深度搜索可以支持AI模型自动发起上百次搜索，跨领域整合信息并生成引用详尽的专家级报告，节省大量人工研究时间。
实时互动搜索功能则基于Gemini模型和Live API技术，支持实时视频交互。用户在AI Mode界面下轻触“Live”图标后，可以直接通过手机摄像头对着现实场景进行“现场直播”提问：AI能够实时“看懂”摄像头画面内容，结合视觉信息进行理解和分析。实时以语音形式给出回答，并提供相关资源链接。
AI Mode已于2025年5月20日上线，作为搜索引擎的新标签页形式，面向美国用户开放。
新AI硬件：“Android XR”与AR眼镜
谷歌最后环节还展示了一系列新的AI硬件，头显XR与眼镜，这些新型硬件都是以其“Android XR”平台为基础开发构建。
Android XR是谷歌与高通、三星合作，专为扩展现实（XR）设备的开发平台。谷歌工程主管Shahram Izadi介绍称，除手机外，未来几个月里谷歌将会把Gemini AI功能拓展至智能手表、汽车控制台、电视及眼镜上。
谷歌宣布将与中国AR眼镜企业XREAL合作，发布新一代AR眼镜——Project Aura。作为谷歌首款专为Android XR平台打造的旗舰级AR眼镜，Project Aura基于OST（Optical See through，光学透视）技术路线，谷歌将在操作系统与XR生态提供平台支持，由XREAL提供轻量化AR眼镜硬件，并将搭载高通骁龙XR芯片。
谷歌团队人员现场演示了这款眼镜产品的新功能。眼镜内置谷歌最新的Gemini人工智能助手，支持通过对话回复短信、搜索眼前图片信息、实时导航等功能。
同时这款眼镜支持多语言即时翻译。两位工作人员在台上戴上眼镜面对面对话，演示了将波斯语和印地语对话翻译成英语的功能。
该眼镜预计今年下半年上市，谷歌还将与三星合作推出另一款头戴式MR设备“Moohan”。