Google 年度開發者大會登場

Google 年度開發者大會 I/O 於台灣時間 5 月 15 日凌晨登場，今年火力全開更新 AI 功能，會後統計這場活動中一共提到 122 次「AI」。

Gemini 以「多模態」形式進入搜尋引擎、助手等功能中，今年開始 Google 將能夠用「影片」進行搜尋，同時推出 AI Overview 功能，靠 AI 協助把搜尋內容摘要整理；智慧助手 Astra 能夠邊錄影邊辨認畫面中的物體、動作等資訊，即時回應相關問題；大型語言模型則推出全新的 Gemini 1.5 Flash 和影像生成模型 Veo。

圖源：GoogleGoogle Deepmind 領導人德米斯．哈薩比斯（Demis Hassabis）首次出席 Google I/O。

《數位時代》前進現場直擊，Google I/O 最新發布內容。

AI 革命一：搜尋引擎！除了能搜尋影片、還能理解更複雜指令！

首先是鞏固 Google 龍頭地位的搜尋引擎，這次迎來根本性的更新，加入 Gemini 的新能力後，不只能辨識影音內容，還可以理解更長更複雜的指令。

Google 能用「影片搜尋」了！

Google 搜尋過去很長一段時間都以文字、圖片為主要搜尋方式，如今終於進階，開放「影片搜尋」，可以即時拍攝影片，用語音或文字簡單補充詢問，搜尋引擎會自動分析畫面中的內容並提供相應的回覆。

現場展示功能，當播放黑膠唱片時遇到技術困難，金屬唱針不規則晃動，可以用影片錄下畫面，並語音簡單詢問「為什麼會這樣？」，Google 就會自動搜尋，並且透過 Google Overview 的功能提供 AI 搜尋摘要。

AI Overview：理解更長更複雜的指令

AI Overview 是 Google 去年發表的技術，會在搜尋引擎頂端摘要、整理搜尋到的內容，這一次透過 Gemini 模型新的「多步驟推理能力」，AI Overview 能處理複雜的問題。不管問題有多大串、包含多少細節和該注意的地方，都不用再分次查詢。

例如用戶想找一間新的瑜珈或皮拉提斯教室，可以直接搜尋：「幫我找在波士頓最棒的瑜珈或皮拉提斯教室，並告訴我它們的新會員優惠資訊、還有從燈塔山走過去的時間。」內容包含多項需求，但 AI Overview 功能依舊可以完成任務。

AI 革命二：Astra 助手！即時分析影片內容，思考反應

今年首度登上 I/O 舞台的 Google Deemind 負責人傑米斯·哈薩比斯（Demis Hassabis）上台展示 Google「未來的人工智慧助手」——名為「Astra」的助手，號稱能像人類一樣理解這個動態且複雜的世界。

Astra 同樣解鎖「多模態」的能力，命名為加入影片的即時分析技術，能夠在看到動態畫面時快速思考和反應，甚至可以擁有記憶力，這項功能一發表，讓現場響起如雷掌聲。

在展示的功能中，使用者拿著手機邊拍畫面邊到處走動，先走到窗邊詢問 Astra：「你覺得我現在人在哪個社區」，接著拍到電腦畫面，用筆刷圈選螢幕中的程式碼問 Astra：「你覺得哪裡有問題要改善？」，甚至在影片結束前，可以問 Astra：「記不記得我的眼鏡放在哪裡？」，Astra 也能分析這幾分鐘經過的所有畫面，找到眼鏡所在的影格並分析畫面中的資訊，最後得出結論：「放在一顆蘋果旁邊。」

AI 革命三：Google 相簿搜尋！AI 幫你找照片、記錄生活

Google 也在 Google 相簿推出 Ask Photos with Gemini 功能，可以透過影像分析將照片中的物體分類，並貼上關鍵字標籤，例如用戶可以快速找出帶有自己車子車牌的照片，甚至可以記錄「女兒學習游泳的過程」，並將這些相關的照片整理，當詢問 Gemini：「我女兒是何時學會仰式的？」，可以快速找出相關圖片並提供日期作為答覆。

AI 革命四：Android！Gemini 橫跨對話、影音等所有體驗

Android 預計將成為 Google AI 功能體驗最佳的載具，Gemini 在手機裡會隨時準備好提供多元協助，根據大會中展示的應用，可以在聊天的對話中隨時生成迷因圖，或者詢問體育影片中的規則，若收到 80 多頁的 PDF 檔案也可以透過 Gemini Advanced App「現學現賣」，即時回答問題。

圖源：Google 大量參數處理的能力，讓 Gemini 可以在幾秒鐘內讀通整本經濟學，並提供摘要或回答問題。

AI 革命五：Gemini 更新！新模型 Flash，更輕量、一次處理百萬 Token

大型語言模型的技術，是這次所有新功能的重要基礎。Gemini 作為 Google 最核心的 AI 大型語言模型，這次更新直攻「多模態」和「大量處理」兩大核心能力，進化到能一口氣處理百萬 Token 的文字、圖片、影音。

Gemini 1.5 Flash

這次 Gemini 家族全新成員 Gemini 1.5 Flash，大小介於 Gemini 1.5 Pro 和 Gemini 1.5 Nano 之間，不過能用更輕量、更高的效率，和 Gemini 1.5 Pro 達到同等級的能力，例如一個對話指令的視窗可以處理百萬 Token，代表一次可以分析長達 1,500 頁的文件，或超過 30,000 行的程式碼。這個輕量版的模型是通過「知識蒸餾（Distillation）」的方式來實現，更適合需要速度、低成本的開發者，

圖源：Google Google Gemini 1.5 Flash 單次處理參數

Gemini 1.5 Pro 更新

今年 2 月才公開的 Gemini 1.5 Pro 也預告將升級，今年稍晚會把能一次處理的 Token 量翻倍到 200 萬個，代表能夠同時處理 2 小時的影片、22 小時的音檔、超過 60,000 行的程式碼或超過 140 萬字的文字內容。

AI 革命六：影像模型 Veo！文字指令生成影片

至於影像生成，Google 端出 Veo 跟 OpenAI 推出的 Sora 打對台，可以輸入自然語言文字指令，生成超過一分鐘的 1080p 高畫質影片，並且能理解電影拍攝和視覺技術相關的術語，在創作過程中可以融入縮時拍攝等手法。

至於 OpenAI 推出的 Sora，能夠生成包含多名角色、特定動作類型以及大量細節的複雜場景，而且 AI 不僅了解用戶在提示詞所說的各種物體，還知道這些物體是如何存在於現實世界，進而營造出讓人驚豔的逼真感受。

OpenAI 趕在 Google I/O 前一天，發表 GPT-4o

另外，在 Google I/O 登場前一天，OpenAI 發表全新模型 GPT-4o，在擁有 GPT-4 等級智慧的同時，具備更為強大的語音、視訊處理能力，並能給予用戶逼近與真人互動的感受。

GPT-4o 能夠在聊天過程中即時口譯，讓說著不同語言的兩人順暢地進行交談。或者請求 GPT-4o 講一個睡前故事時，可以用更飽滿、有語氣的聲音生動地說故事；又或者能用接近人類的口吻，教導人們解開簡單的數學問題。

根據 OpenAI 說法，GPT-4o 能夠「讀懂」用戶的表情與語氣，知道什麼時候該如何做出回應，並能在不同的語氣間快速切換，一下是冷冰冰的機械聲，一下又能活潑地唱起歌來。

2 天內 2 大 AI 大咖接連發表最新技術，這場 AI 革命將持續影響人們生活。

OpenAI 開大招！GPT-4o 新模型上線，能做漫畫分鏡、對話超逼真

本文經授權轉載自：《Web3+》

Google I/O 開發者大會重點整理！不僅揭曉 6 大 AI 革命，還開放「影片搜尋」？