谷歌放出最强大模型狙击OpenAI，重心转向AI智能体

界面新闻记者 | 肖芳
界面新闻编辑 | 宋佳楠

继发布最强量子芯片之后，谷歌又在AI上作出重要举动。

北京时间12月12日凌晨，谷歌赶在OpenAI宣布ChatGPT正式登陆iPhone之前，发布了全新模型Gemini 2.0。

谷歌CEO桑达尔·皮查伊称，这是谷歌迄今为止最强大的模型。凭借原生图像和原生音频的输出等多模态方面的提升，Gemini 2.0能够构建新的AI智能体，让谷歌离构建通用助手的愿景更进一步。

需要指出的是，Gemini 2.0主要开放给开发者以及受信任的测试人员。目前，Gemini 2.0 Flash体验版模型已经面向所有Gemini用户开放。

Gemini 2.0 Flash是建立在1.5 Flash基础之上的模型，此前1.5 Flash是谷歌最受开发者欢迎的版本。与1.5 Flash相比，Gemini 2.0 Flash在同样快速的响应时间下性能进一步增强。谷歌方面称，2.0 Flash在关键基准测试中甚至超越了1.5 Pro，其速度是1.5 Pro的两倍。

同时2.0 Flash还具有新功能，除了能够支持图片、视频和音频等多模态输入，还可以支持多模态输出，比如可直接生成图像与文本混合的内容，以及原生生成可控的多语言文本转语音（TTS）音频。它还可以原生调用Google Search、代码执行以及第三方用户定义的函数等工具。

全球Gemini用户现在可以在电脑端和移动端体验基于2.0 Flash优化后的聊天对话，并且该版本将很快在Gemini移动应用中推出。基于这个新模型，用户还可以体验到Gemini助手。明年初，谷歌还会将Gemini 2.0扩展到更多产品中。

Gemini 2.0最大的变化在于把重心转向AI智能体，想要做所有AI智能体的基座模型。基于此，Gemini 2.0开发出了一系列原型，这些原型能够帮助用户完成相应的任务。

其中，Project Astra的升级版，用于探索未来通用AI助手能力的研究原型。自从在Google I/O大会上推出Project Astra以来，谷歌一直向那些在Android手机上使用它的受信任的测试人员收集反馈。此次推出的升级版可以实现多种语言和混合语言之间的对话，也可使用 Google Search、Google Lens和Google Map等新工具，能够记住长达10分钟的会话内容，并可以近于人类对话的延迟来理解语言。

全新的Project Mariner从浏览器入手探索人与智能体交互的未来发展。Project Mariner 使用了Gemini 2.0构建的早期研究原型，能够理解和推理浏览器页面中的信息，包括像素和文本、代码、图像和表单等网页元素，然后通过实验性的Chrome扩展程序帮助用户完成相应任务。此次升级，Project Mariner改进了原来速度较慢的问题。

简而言之，用户可以用这项功能让浏览器自己去帮你完成特定任务，例如批量查找某些网站上邮箱地址，从而在一定程度上实现浏览器的“自动运行”。

Jules则是面向开发者的编码智能体，它可以直接集成到GitHub工作流程中来协助开发者完成开发任务。

在谷歌的演示视频中，演示人员输入了一长串含有详细编程问题的提示语，之后Jules会对这些要求进行分析，给出一个三步的编程解决方案，待点击同意后，模型就会开启自动编程，生成代码。这无疑有助于开发者进一步提升工作效率。

去年年底，谷歌发布了Gemini 1.0模型，主要能力是整合和理解信息。而Gemini 2.0能让信息变得更加有用。桑达尔·皮查伊表示，Gemini 2.0的进展得益于谷歌长达10年全栈式AI创新研究的投入，基于谷歌定制的硬件第六代TPU Trillium构建而成。

就在谷歌以最强大模型吸睛之时，OpenAI为期12天的产品发布活动仍在进行中。同一天，OpenAI对外展示了ChatGPT与苹果Apple Intelligence的整合，内容略显平淡。谷歌Gemini 2.0的突然发布，显然抢了不少OpenAI的风头。

在Gemini 2.0的加持下，谷歌一口气推出三款智能体产品，也意味着其在和微软绑定OpenAI、亚马逊与Anthropic的竞争中又迈出了重要一步。

智能体已经成为大模型领域竞争的核心方向。所谓智能体，是指能够感知环境、进行决策并采取行动以实现特定目标的系统，被视作大语言模型（LLM）落地应用的关键载体。

近两个月前，微软曾连发10个AI智能体，面向销售、运营等场景，随后又宣布Copilot Studio平台已支持用户构建自主智能体，同时发布5款预构建的智能体。而在刚刚结束的2024 re:Invent上，亚马逊一口气发布了6款大模型，其中Amazon Nova Premier同样是多模态大模型，专为复杂推理任务而生。