在科技巨头纷纷加速人工智能领域布局的背景下，谷歌于近日深夜震撼发布其最新力作——Gemini2.0，一款被标榜为“迄今为止最尖端、功能最全面的AI模型”。此次发布不仅彰显了谷歌在AI技术上的深厚积累，更预示着AI技术向“Agent”时代迈出了重要一步。
Gemini2.0的最大突破在于其实现了原生多模态输入输出功能，这一创新使得模型能够同时处理图片、视频、音频等多种格式的数据，并生成相应的输出内容。这种能力不仅极大地拓宽了AI的应用场景，还提升了用户体验的丰富性和互动性。
在Gemini2.0发布之前，谷歌曾推出一款名为Gemini-exp-1206的模型，该模型因能够处理高达200万个标记（相当于一个多小时的视频）而广受关注，并在Livebench排名中仅次于OpenAI的模型，展现了其强大的数据处理能力。而Gemini2.0的出现，更是将这种能力推向了新的高度。
据谷歌DeepMind的CEO德米斯·哈萨比斯介绍，Gemini2.0在保持成本效率、性能效率和速度的同时，整体性能相较于Gemini 1.5 Pro有了显著提升。在速度方面，Gemini2.0的处理速度是1.5 Pro的两倍，这意味着用户将享受到更加流畅和高效的AI服务。
基于Gemini2.0的强大架构，谷歌推出了三款全新的AI智能体原型：通用大模型助手Project Astra、浏览器助手Project Mariner以及编程助手Jules。这三款智能体分别针对不同的应用场景，为用户提供全方位、个性化的AI服务。
Project Astra作为谷歌最早对外发布的AI助手，具备实时语音和视觉处理能力，能够通过手机或谷歌眼镜进行跨文本、音频、视频的多模态实时推理。此次升级后的Astra在对话、工具调用、记忆和延迟方面都有了显著提升，能够更好地理解不同口音和不常见词汇，使用Google搜索、镜头和地图等工具，提供长达10分钟的会话记忆，并以接近人类正常对话的速度作出反馈。
Project Mariner则是一个旨在探索人机交互未来的浏览器助手。它能够理解和推理浏览器屏幕上的信息，包括像素、文本、代码、图像和表单等，并通过实验性的Chrome扩展程序使用这些信息完成任务。例如，它可以登录杂货店网站购物，查找航班和酒店，购买家居用品等，极大地提高了用户的工作效率。
而Jules则是一款专为编程人员设计的助手。它能够直接集成到GitHub工作流程中，查看用户已有的代码，并直接在GitHub中进行更改，解决开发者在编程过程中遇到的难题。这一功能不仅节省了开发者的时间，还提高了代码的质量和效率。
Gemini2.0还在游戏、学术研究、机器人等领域进行了尝试。谷歌与Supercell等游戏开发商合作，探索智能体在游戏中的应用；推出的Deep Research则如同学术研究助手，能够直接生成论文；同时，谷歌还将Gemini 2.0的空间推理能力应用于机器人身上，帮助机器人实现更加智能化的操作。
在音频和图像生成方面，Gemini2.0同样展现出了强大的实力。它能够生成和修改图像，处理照片和视频，回答相关问题，并用不同口音和语言的声音朗读文本。为了防止滥用，谷歌还使用SynthID技术对所有生成的音频和图像进行水印标记。
Gemini2.0的强大性能得益于谷歌定制的硬件第六代TPU Trillium的支持。与前代产品相比，Trillium在训练性能、推理吞吐量、峰值计算性能等方面都有了显著提升，为Gemini2.0的运行提供了坚实的硬件基础。
目前，用户已经可以通过PC端优先体验Gemini2.0 Flash实验版，而移动版也将在不久的将来推出。明年1月，谷歌还将推出Gemini 2.0 Flash多模式版本，并推出更多Gemini 2.0模型尺寸，以满足不同用户的需求。
对于此次发布，谷歌和Alphabet的首席执行官桑达尔·皮查伊表示，如果Gemini 1.0是关于组织和理解信息的，那么Gemini 2.0就是为了让信息更加有用。而“Agent”正是人工智能时代下一个大方向，它们能够更好地了解用户周围的世界，提前思考多个步骤，并在用户的监督下代表用户采取行动。
谷歌表示，他们正在将AI融入所拥有的所有产品中，并准备将Gemini 2.0的先进推理能力引入AI Overviews，处理更复杂的主题和多步骤问题。谷歌的愿景是在2025年开启真正的“AI智能体时代”，为用户提供更加智能、便捷和个性化的服务。
