谷歌“狙击”OpenAI，发布新一代大模型！主打Agent+多模态

鱼羊 西风 发自 凹非寺
量子位 | 公众号 QbitAI

继量子芯片之后，谷歌又来抢“OpenAI双12直播”的流量了！

就在刚刚，谷歌新一代大模型Gemini 2.0突然登场，再次由谷歌CEO皮猜亲自官宣。

新一代模型专为AI Agent而打造，谷歌表示目前已经将2.0版本提供给了一些开发者内测，正在迅速将其集成在Gemini和搜索等产品线中。

好消息是，Gemini 2.0 Flash实验版模型今天就在网页端开放，大家都能玩，移动端即将推出。

除此之外，谷歌还推出了一项名为深度研究（Deep Research）的新功能，基于高级推理和长上下文能力，它能直接帮你干研究助理的活儿——给个主题，自己出报告的那种。

目前这个新功能在Gemini Advanced版本中可用。

谷歌这一波出手，再结合Sora的不尽如人意，新一天的直播还没开始，已经有人开始唱衰OpenAI了：

OpenAI的护城河是什么？

“面向智能体时代的新AI模型”

在谷歌CEO皮猜、Google DeepMind CEO哈萨比斯，以及Google DeepMind CTO科雷（Koray Kavukcuoglu）三人共同撰写的博客文章中，官方给Gemini 2.0的定位是：

面向智能体时代的AI模型。

在多模态方面的新进展，以及原生工具的使用，使我们能够构建新的AI智能体，以更接近实现通用助手的愿景。

具体如何体现？在Gemini 2.0 Flash实验版第一时间上线的同时，谷歌还在Gemini Advanced中推出了一项名为深度研究（Deep Research）的智能体新功能。

你可以把它当成以研究助理，围绕一个复杂主题生成研究报告。有点像是个科研版AI搜索。

另外一个Gemini 2.0的重点关键词是：多模态。

2.0 Flash实验版除了支持图像、视频、音频多模态输入，还支持多模态输出。

不单单是简单的图文混排，可控的多语种文本到语音（TTS）输出也行，还能直接本地调用工具，比如谷歌搜索、代码工具、第三方用户定义的功能。

有ChatGPT插件那味儿了。

不过，作为实验模型，其文本到语音和原生图像生成功能目前仅提供给早期访问合作伙伴。谷歌透露2.0 Flash将在1月份正式推出，会提供更多不同大小的模型。

而根据谷歌发布的基准测试结果，不论是在多模态的图片、视频能力上，还是编码、数学等能力上，仅是Flash实验版的Gemini 2.0表现就已几乎全面超越Gemini 1.5 Pro 002。

而且它的速度是1.5 Pro的两倍。

谷歌表示，明年年初，会将Gemini 2.0扩展到更多旗下产品中，比如Project Astra。

就是I/O大会上谷歌推出来跟GPT-4o的语音功能打擂台的那个。

此次，基于Gemini 2.0，Project Astra更新了以下功能：

• 更好的对话：现在能够以多种语言和混合语言进行对话，更好地理解口音和不常见的单词。
• 使用新工具：Project Astra会用谷歌搜索、Lens和地图了。
• 更强的记忆力：Project Astra现在拥有10分钟的会话记忆，并且可以记住更多历史对话，也就说，凭借这些“记忆”，它能更懂你了。
• 改进延迟：Project Astra可以按正常人类对话的节奏来理解对话。

谷歌还提到，正在将Project Astra移植到眼镜等更多移动终端中。

另外，谷歌透露，他们正在和Supercell等游戏开发商合作，测试基于Gemini 2.0打造的游戏智能体们的实力。

这些智能体可以根据屏幕上的动作对游戏进行推理，并与玩家实时对话提供行动建议。

玩《突击小队》、《部落冲突》、《农场日记》，场面belike：

除了网页端可用，Gemini 2.0 Flash实验模型还通过Google AI Studio和Vertex AI的Gemini API向开发者提供。

从OpenAI跳槽到谷歌的Logan Kilpatrick表示，他们在Google AI Studio中创建了一个全新体验，展示了Gemini 2.0视频理解、原生工具使用、空间理解的入门应用。

那么，你觉得这够Agent吗？

参考链接：

[1]https://x.com/GoogleDeepMind/status/1866869343570608557

[2]https://blog.google/technology/google-deepmind/google-gemini-ai-update-december-2024/#ai-game-agents