首页  >  资讯  >  文章
2024-05-15 17:16

谷歌发布「Project Astra」正面硬刚GPT-4o!超60秒AI视频丝滑生成,还把上下文窗口卷到了200万Tokens

赶在谷歌的I/O开发者大会之前发布的GPT-4o大模型,掀起的一片“AGI已至”的惊呼声。OpenAI出手再次惊艳世界,谷歌果然坐不住了。

当地时间5月14日,谷歌DeepMind CEO哈萨比斯亲自携谷歌版的《Her》多模态大模型登场:能听会看能说道。不仅能几乎没有延迟地和人类流畅交流,通过摄像头,这个名为「Project Astra」的AI助手甚至能直接帮忙读代码:

谷歌还祭出了自己的硬件优势,带来一波AR和AI大模型的梦幻联动。

一边撸狗一边玩转大模型已经成为现实。

图片

面对OpenAI的疯狂挑衅,谷歌选择正面硬刚GPT-4o,铆足了劲,在I/O大会上释出的冰山一角。两个小时的主题演讲里,「AI」关键词被提及了多达121次,CEO劈柴还觉得不够多。

图片

于是,对标Sora能生成一分钟长视频的视频生成模型Veo来了:

Gemini 1.5 Pro不仅面向所有人开放,上下文窗口还从100万Token直接一步推广到了200万的国际水平,一口气能读1500页PDF。

连安卓系统也与大模型Gemini绑定,摇身一变成为以AI为内核的操作系统。

图片

总之,信息量多到爆炸!

谷歌版GPT-4o新模型登场

第一时间引发最多讨论的,当然是谷歌版《Her》——Project Astra。

Project Astra基于Gemini系列模型打造,谷歌表示,研究人员们希望这样的智能助手,能真正在人们的日常生活中提供帮助。

有意思的是,OpenAI总裁哥Brockman昨天在场外补充了有关GPT-4o多模态能力的更详细视频,而谷歌这边,哈萨比斯也是第一时间在X上更新了与这样一个智能助手的互动。

看样子,Ta不仅能完成帮忙找眼镜这样的基础工作。

图片

帮忙搞点文艺创作,解答一下专业书上看不懂的内容,也都是信手拈来。

还有Google DeepMind的工作人员干脆和Project Astra一起看起了I/O大会直播:

不少网友都认为,这是谷歌对OpenAI的GPT-4o的正面回应。

图片

不过嘛,网友们也关注到了不少问题,比如,Project Astra的延迟似乎还是比GPT-4o长,谷歌的演示中也没有体现是否能打断智能助手说话。

图片

值得关注的是,Project Astra背后,是Gemini系列模型的进一步升级迭代。

比如,Gemini 1.5 Pro的上下文窗口来到了惊人的200万Tokens。

图片

谷歌还最新推出了Gemini 1.5 Flash这一轻量级模型,并开源了27B的Gemma 2和视觉语言模型PailGemma。

60秒长视频生成

你可能已经默默在心里比较了一番Project Astra和GPT-4o的高下。

谷歌的回应,谷歌最强视频生成模型Veo来了。

图片

Veo可以生成1080p的高质量视频,生成视频的长度也看齐Sora:最长的案例影片,长度超过了1分钟。

谷歌还强调,Veo生成的画面一致性出色,并且可以hold住各种风格。比如“延时拍摄”和“航拍”这种术语,直接写在提示词里,Veo都能get。

目前,谷歌已经和电影制作者展开了合作,在电影项目中探索Veo的应用。

图片

与此同时,谷歌的图片生成模型Imagen也迎来更新:Imagen 3大模型发布。

官方提到,与此前的模型相比,Imagen 3的视觉伪影更少,生成的图像细节拉满,并且在生成文字方面效果也很好。

图片

上图的提示词:「一张庄严的图书馆入口的照片,刻有“中央图书馆”字样」

另外,谷歌此次还推出了音乐生成模型Lyria,可用于支持YouTube创作者生成音乐。

Gemini进入全线产品

在这些跟OpenAI叫板的“肌肉”展示之外,谷歌对大模型应用的看重,也在此次I/O大会中尽显。

英伟达科学家Jim Fan就他的I/O观后感中表示:谷歌做对的一件事是:他们终于开始努力把AI集成到搜索框中。

图片

还不止是搜索,这一次,谷歌可以说是把Gemini塞进了全线产品中,包括谷歌搜索、Android,以及谷歌邮箱、谷歌Photos等。下面我们划划重点。

1、谷歌搜索

基于Gemini,谷歌搜索推出AI概述(AI Overview)新功能,彻底化身AI搜索。

用户在搜索框输入问题,马上就能得到一个AI总结的答案,包括相关链接。

而且是超长问题都能处理的那种,比如:

查找波士顿最好的瑜伽或普拉提工作室,并提供他们的入门优惠详情以及从灯塔山步行所需时间。

AI Overview秒秒钟就会列出五星好评且距离灯塔山近的店,并附带课程标价,连店在地图上的位置都标记了出来:

图片

对于这种复杂问题的搜索,谷歌表示采用了多步推理技术,可以将复杂问题拆解成一个个小问题,然后自动对问题进行排序回答。

图片

多步推理加持下,AI Overview已经脱离了纯粹的搜索——把制定计划一并搬进了搜索引擎里。

比如直接让它为一个团体制定一个为期三天的易于执行的餐饮计划。

AI Overview一键给出了方案,每个方案都可以点击修改,下方还可以一键将食材加入购物车:

图片

还没完,当你没有想法、问的问题比较笼统时,谷歌搜索还会AI自动将搜索结果整理成一个个“群组”,为你提供建议。

比如问:在达拉斯找一个餐厅庆祝周年纪念日。

搜索出的结果会按照音乐餐厅、具有历史魅力的餐厅等一键分组。再往下翻,页面会从餐饮逐渐扩展到电影、酒店、购物等。

图片

此外,谷歌搜索还支持视频搜索了。

演示中,唱片机出故障,只需一边录制视频一边说出疑问,谷歌AI Overview就会立刻分析故障原因,并给出处理建议。

图片

谷歌搜索AI Overview功能将在本周开始在美国推出,后面将陆续推至其他国家。

2、Android 15系统

谷歌把Gemini也带到了安卓系统中。

凭借直接内置的Circle to Search功能,用户使用简单的手势“圈”一下手机上看到的任何内容,就能进行搜索。

比如圈出练习题,就能一键获取答案。

图片

目前这一功能,已在Pixel和三星的部分设备上使用。

此外,还可以在一个应用之上随时调出Gemini助手层,随时使用。你还可以将Gemini生成的图片直接拖到Gmail等应用中,直接询问某个视频中的具体信息,不用滑动翻文档询问某个PDF中的信息……

图片

甚至连电话反诈,都用上Gemini了:听到关键字“把钱转到安全账号”,马上就能给出警报。

总之,官方强调,现在Gemini在手机上现在不止是一个APP,更是嵌入了安卓的系统级体验的基础。

3、谷歌Photos

谷歌Photos基于Gemini也推出了新功能——Ask Photos,可以一键从图库中帮你找到想要的照片和视频。

图片

比如你想知道自己的baby是什么时候学会游泳的,Ask Photos会从你在谷歌Photos中存储的成百上千张照片中查找出含游泳、游泳证书等相关图片,最后总结给出回复:

图片

Ask Photos这一功能将在今年夏天推出。

4、谷歌Workspace

Gemini也接入到了谷歌Workspace提供的一套生产力和协作工具中,包括谷歌邮箱、谷歌Docs、谷歌Calendar等。

这使得在这些工具间进行跨应用工作变得更加容易。

例如在谷歌邮箱中自动分析邮件以及附件,识别整理好收据,然后一键在Drive和Sheets中处理。

图片

5、NotebookLM

谷歌AI笔记应用NotebookLM也大升级。

如下图所示,当你提出一个问题后,背后的Gemini模型就会结合NotebookLM中的笔记内容,进行多模态的语音对话式回答。

图片

也就是说,所有笔记都可以变成交互式教材。

第六代TPU

最后,在硬件部分,谷歌也带来了新消息:第六代TPU Trillium将在今年向云客户提供。与TPU v5e,Trillium的峰值计算性能提高4.7倍,HBM和带宽增加了1倍,芯片间互联(ICI)带宽也增加了1倍。另外,Trillium的能效比TPU v5e高出了67%以上。

图片

有关谷歌I/O的更多细节,可以戳:

https://blog.google/technology/developers/google-io-2024-collection/

那么今日份的发布会笔记,就先做到这里了。你觉得谷歌这波表现如何?

8
查看相关话题: #谷歌 #Gemini #AI大模型

相关文章