With Gemini 2.0, is Google So Back Baby?
15:41 Share

<context>随着Gemini 2.0的发布，谷歌是否重回巅峰？NLW探讨了谷歌的最新公告，包括Gemini 2.0、一系列新代理，以及为什么该公司在2025年将比2024年更强大。 由以下公司提供支持： Vanta - 简化合规 - ⁠⁠⁠⁠⁠⁠⁠https://vanta.com/nlw AI Daily Brief帮助您了解AI领域最重要的新闻和讨论。 在您收听的任何地方订阅AI Daily Brief播客版本：https://pod.link/1680633614 订阅时事通讯：https://aidailybrief.beehiiv.com/ 加入我们的Discord：https://bit.ly/aibreakdown

</context> <raw_text>0 谷歌推出了一系列新的AI功能，展示了该公司今年AI战略的进展。AI Daily Brief是一个关于AI领域最重要新闻和讨论的每日播客和视频。要参与讨论，请在我们的节目说明中点击Discord链接。

朋友们，在我们今天深入讨论之前，快速提醒一下，这一集因为旅行原因被耽搁了。因此，我再次只做一个主要的节目。我想我们可能会在周五做一个扩展的新闻节目，以试图赶上我们错过的所有头条新闻。年末有点波动，但我们正在努力实现。至少你不会错过任何集数。

今天我们要讨论的是谷歌的一系列新公告。很明显，他们并不满足于让OpenAI在其“12天的OpenAI”或其他什么活动中尽情享乐，而是希望进来抢一些风头。我们将首先讨论实际宣布的内容，然后在节目的最后，我会花一点时间谈谈这反映了谷歌在2025年进入AI竞赛的地位。

正如我所说，宣布的内容非常多，所以需要一点时间来逐一讲解。最大的头条是这是Gemini 2.0。几乎在他们的原始前沿模型发布一周年之际，这个模型当时试图作为第一个本土多模态模型来吸引注意力和能量，显然他们在Gemini 2.0上的思路非常明确。这在博客文章的副标题中就体现出来了：我们的新AI模型，适用于代理时代。

那么Gemini 2.0实际上包含了什么呢？首先，它具有本地图像和多语言音频生成。它还具有谷歌所称的本地智能工具使用功能，这意味着它可以直接与谷歌产品（如搜索）接口，甚至执行代码。它也是第一个接受流媒体视频作为输入的模型。因此，当你把这些结合在一起时，谷歌现在拥有一个可以实时查看事物、进行对话并在后台采取行动的模型。此次发布集中在对Gemini Flash的改进上。

Gemini Flash是该模型的一个版本，旨在快速且便宜。第一代Flash仅支持文本，但现在已完全多模态，并具备更大模型的所有功能。这意味着它可以接受图像、视频和音频作为输入，并生成音频响应。

Gemini的产品负责人Tulsi Doshi表示：“我们知道Flash因其速度和性能的平衡而受到开发者的极大欢迎。2.0 Flash与以往一样快速，但现在更强大。”根据谷歌的基准测试，Gemini 2.0 Flash在编码和图像分析等领域相比Gemini 1.5 Pro有了显著改善。谷歌实际上对Flash成为大多数工作的最佳模型充满信心，因此它将取代Pro成为旗舰模型。

谷歌DeepMind的首席执行官Demis Hassabis表示：“实际上，它的表现与当前的专业模型一样好，因此你可以认为它在成本效率、性能效率和速度上整体提升了一个层级。我们对此非常满意。”

音频生成功能是Flash的新特性，被描述为可引导和可定制。它具有八种不同的声音，针对多种语言和口音进行了优化。Doshi表示：“对此的反应相当不错。”Dan Mack在Twitter上写道，

“我有点讨厌AI影响者通过说‘这太疯狂了’来吸引关注，但我必须说，这确实是疯狂的。谷歌通过允许在桌面上进行实时视频和音频交互，抢先于OpenAI推出了Gemini 2.0 Flash。这无疑是AI时代的新纪元。虽然基础模型的重大更新是个大事，但他们也指出这一切都是关于代理时代的。因此，谷歌展示了三个基于新模型的原型代理也就不足为奇了。

第一个是Project Astra，这是他们的通用AI助手的更新版本。该助手现在完全支持语音对语音。谷歌展示了它跟上复杂对话、在不同语言之间转换以及访问其他谷歌工具的能力。该助手现在可以通过谷歌搜索、地图和Lens访问实时信息，这是我们迄今为止未见过的AI助手功能。Astra现在具有10分钟的会话记忆，可以回忆您过去的对话，以增强个性化体验。

第二个代理是一个名为Jules的编码助手。Jules展示了将推理模型与代理能力结合时会发生什么。Jules可以创建多步骤计划来解决问题，修改多个文件，并为Python和JavaScript编码任务及GitHub工作流准备拉取请求。如果这个代理是上个季度宣布的超过四分之一的谷歌代码现在由AI生成的背后原因，那么我们可能会迎来一些伟大的东西。

谷歌在设计Jules时考虑了大量的人类参与。坦率地说，可能比他们需要的更多，以确保安全。Jules在采取行动之前会提出建议计划。用户可以监控进度，并在合并任何更改之前请求权限。谷歌实验室的产品管理总监Jaisalyn Konzelman表示：“我们对AI代理在计算机使用中的全部能力的理解仍处于早期阶段。Jules目前仅向一小部分受信任的测试者提供，但将在明年初更广泛推出。

第三个代理是名为Project Mariner的网页浏览助手。这展示了我们看到的最重要的用户体验转变之一，即我们不再试图适应AI和代理的能力，而是试图让代理更像我们。Anthropic在今年早些时候做了一些新闻，他们展示了他们版本的一个非常初步的代理，实际上可以在您的屏幕上指点和点击。

而Mariner也是类似的。该模型可以控制Chrome浏览器，点击按钮、填写表单，并像人一样使用网络。谷歌领导人称这是我们现在看到的一个根本性的用户体验范式转变。引用：“我们需要弄清楚，所有这些如何改变用户与网络的互动方式，以及出版商如何为用户和未来的代理创建体验。”

演示显示该代理根据购物清单构建在线购物车。这个过程非常缓慢，光标移动之间大约有五秒的延迟。该代理还多次卡住并请求帮助。目前，该代理无法独立使用结账，这是一个安全限制，以免处理信用卡信息。从功能角度来看，该代理确实像Anthropic的计算机使用模式一样，持续截屏以确定其下一步行动。

因此，Mariner只能使用Chrome中的可见标签，因此在代理控制时您无法进行其他操作。不过，谷歌对此感到非常满意。DeepMind首席技术官Kare Kevick-Soglu表示：“因为AI现在代表用户采取行动，所以重要的是一步一步来。您作为个人可以使用网站，现在您的代理也可以在网站上做您所做的一切。”

作为预览下一步的额外奖励，谷歌表示他们正在测试理解视频游戏的代理。他们表示，这些代理可以“仅根据屏幕上的动作推理游戏，并在实时对话中提供下一步的建议”。如果您卡住了，代理还可以访问谷歌搜索以找出您应该做什么。谷歌

谷歌正在测试这些代理在《部落冲突》和《农场英雄传奇》等游戏中的表现。

无论您是运营领导者、市场营销人员，还是非技术创始人，Plum都为您提供了AI的力量，而无需技术麻烦。立即访问顶级模型，如GPT-4.0、CloudSonic 3.5、Assembly AI等。不要让技术阻碍您。查看Use Plum，即Plum加B，以提前体验工作流自动化的未来。今天的节目由Vanta提供支持。无论您是启动还是扩展公司的安全计划，展示一流的安全实践和建立信任比以往任何时候都重要。

Vanta自动化ISO 27001、SOC 2、GDPR以及领先的AI框架（如ISO 42001和NIST AI风险管理框架）的合规性，节省您的时间和金钱，同时帮助您建立客户信任。此外，您可以通过自动化问卷和展示您的安全态势，简化安全审查，所有这些都由Vanta AI提供支持。

超过8000家全球公司，如Langchain、Leela AI和Factory AI，使用Vanta实时展示AI信任和证明安全性。了解更多信息，请访问vanta.com/nlw。即vanta.com/nlw。今天的节目一如既往地由Superintelligent提供支持。

您是否曾想过一个完全专注于AI如何与您的公司相关的AI每日简报？您的公司在AI采用方面是否遇到困难，无论是因为您在寻找能够带来价值的用例时停滞不前，还是因为正在发生的AI转型被孤立在各个团队、部门和员工中，无法改变整个公司？Superintelligent开发了一种新的定制内部播客产品，通过分享来自公司内外的最佳AI用例来激励您的团队。

可以把它看作是一个仅针对您公司AI用例的AI每日简报。如果您想了解更多，请访问besuper.ai/partner并填写信息请求表。我对这个产品非常兴奋，所以我会亲自尽快回复您。再次强调，访问besuper.ai/partner。尽管如此，我们还没有结束，因为除了代理，谷歌还为Gemini 1.5 Pro引入了一种新的推理模式，称为深度研究。

这似乎更接近于一种长格式研究工具，而不是OpenAI的O1模型的竞争者。在深度研究模式下，Gemini会根据提示生成一个多步骤的研究计划。一旦修订并获得批准，该模型会花几分钟时间搜索和汇编信息。然后，它会多次重复这个过程，迭代所学到的信息。完成后，该模型会生成关于关键发现的报告，并附上完整的学术来源引用。

谷歌称其为代理，因为它在完成此过程时使用了谷歌搜索。Gemini应用的产品总监David Citron表示：“我们构建了一个新的代理系统，利用谷歌在网络上查找相关信息的专业知识来指导Gemini的浏览和研究。深度研究为您节省了数小时的时间。”Orton教授Ethan Malek深入研究了AI的高级学术应用，似乎对此印象深刻。

他写道：“……谷歌的新深度研究功能感觉是迄今为止最适合谷歌的AI应用之一，确实令人印象深刻。我已经使用了一段时间，它在几乎任何主题上都能提供非常好的初步报告。学术来源的付费墙限制了一些内容。”他还补充道：“……我希望他们能提供幻觉率的统计数据。我怀疑比本科生要好，更可能错过微妙的东西，而不是完全错误。”

他继续说道：“对教师的一个警告是，谷歌的新深度研究功能解决了AI创建研究作业的大部分问题。组织良好且写得很好，引用准确，使学生很容易跳过或自动化他们的研究工作。”Bilawal Sidhu称其本质上是“困惑的增强版”。

最后几项公告。谷歌当然在各处部署这些新模型能力，其中一个最早的应用是对谷歌AI概述的升级。该公司表示，该工具现在能够处理“更复杂的主题以及多模态和多步骤搜索”。他们还表示，它可以回答有关数学和编程的问题。您会记得，AI概述在年初是谷歌面临的叙事挑战的一部分。最初，由于建议将胶水作为比萨饼配料等原因，它们在网上遭到广泛嘲笑。

尽管如此，谷歌首席执行官Sundar Pichai表示：“……我们的AI概述现在覆盖了10亿人，使他们能够提出全新的问题，迅速成为我们最受欢迎的搜索功能之一。我们将在明年继续将AI概述带到更多国家和语言。”最后，在硬件方面，谷歌推出了第六代Trillium AI芯片。该芯片用于训练和推理，与NVIDIA的GPU以及亚马逊的Nutranium芯片竞争。他们声称性能改进可能会从根本上改变AI训练的经济学。

他们表示，与其前身相比，训练性能提高了4倍，同时显著降低了能耗。作为一个更具体的指标，谷歌声称每美元的训练性能提高了2.5倍。Gemini 2.0完全在Trillium集群上进行训练。谷歌透露，他们建立了一个100,000芯片的集群，他们声称这是最强大的AI超级计算机之一。

在他们的公告中，谷歌没有提供与竞争对手芯片制造商的比较，因此很难知道新硅的表现如何。然而，这些芯片现在对谷歌云用户普遍可用，因此我们很快就会知道。退一步说，谷歌在过去几年AI领域的品牌故事非常引人入胜。我认为，如果你回顾几年前，谷歌在生成AI方面是默认的领导者，无论是从现实还是想象的角度来看。

ChatGPT的推出和OpenAI的崛起确实打乱了局面。而且不仅如此，现在不仅有一个消费者产品领先于谷歌，而且在2023年初，Meta也因其开源方法开辟了一个完全不同的空间。在2023年的大部分时间里，谷歌在生成AI方面显得明显落后。事实上，就在一年前，当Gemini 1.0发布时，

普遍的看法是，他们的手被迫，模型实际上并没有那么成熟，尚未与GPT-4竞争，直到他们在2024年初发布其性能最强的版本。基本上，谷歌不得不采取行动，因此他们不得不比原本想要的更早宣布Gemini 1.0。

然后在今年年初，虽然我们确实在Gemini中获得了一个GPT-4级别的模型，但我们也得到了我刚提到的AI概述和搜索，告诉人们在比萨上放胶水。当然，还有围绕历史不准确的图像生成的整个争议和风波，这迫使多样性进入了历史上非常单一的情况。想想黑色纳粹。

换句话说，谷歌年初的开局相当惨烈。然而，慢慢地，这种情况发生了变化。不可否认的一个重要原因是，谷歌在Notebook LM中获得了一个突破性的AI产品。添加播客摘要功能，开启了这一全新用例和信息消费方式，真的是让这艘船朝着正确的方向航行，并为谷歌带来了大量叙事动力。

我认为这为此次公告定下了基调，公告内容全面，包含了很多优秀的内容，并得到了极其积极的反馈。人们对这些新功能感到兴奋。他们对Astra感到兴奋。他们并没有以愤世嫉俗的态度对待这一切。重要的是，从品牌的角度来看，这更像是回归本色。换句话说，人们在说：“哦，我们所熟知的谷歌，理应在这个领域成为领导者，他们回来了。”

我认为这正是谷歌希望其品牌所处的位置。该公司在AI战争中拥有众多优势。他们有一系列产品可以将AI集成并捕获数据，这可能使他们的AI产品不仅非常有用，而且已经与人们今天使用的系统相连接。因此，如果他们能够继续保持这种势头，他们可能会在2025年迎来更大的机遇。