言變圖的“LLM時刻”，還有AI全家桶，Google殺瘋了

摘要：Google AI主導(dǎo)了一場逆襲

作者丨鯨哥

對于Google來說，作為Transformer等核心技術(shù)的發(fā)明者，在“AI 4巨頭”的討論中沒有它，是一件很尷尬的事情。

這讓其一直憋著一口氣，決心證明自己。最近Google的系列更新就頗具看點：

發(fā)布開源模型 Gemma 3，性能超越DeepSeek V3、o3mini為全球第二強開源模型，但是模型大小僅為7B。

發(fā)布Gemini 2.0 Flash Experimental，動動嘴就能PS的AI文生圖產(chǎn)品。不僅如此，對指令理解也相當(dāng)?shù)轿唬苓B續(xù)生成一致性圖片，并評為AI生圖的GPT時刻，這幾天在 傳瘋了。

Deep Research開放免費使用，背后是2.0 Flash Thinking Experimental 提升推理能力并擴(kuò)展上下文窗口。

還有新一代 機器人 AI 模型Gemini Robotics ，對物理世界更懂了。

國外有網(wǎng)友評價Google這次更新，是幾乎每項到了最佳：

到底有沒有這么強呢，鯨哥認(rèn)為是大差不差，有驚喜，也有吹噓。

先說這次最被熱議的更新—Gemini 2.0 Flash Experimental。 原生圖像生成功能上線，說話就能PS照片的夢想實現(xiàn)。通過聊天任意編輯圖像的局部或者全部，有點類似Adobe firefly 版本。

我們用英偉達(dá)CEO黃仁勛此前發(fā)布會的圖片，來試試是否可以隨意PS。

我們先要求換背景，讓黃仁勛在直播間中帶貨。這個難度不大，是不是摳圖也不好說。

“321上鏈接”，5090顯卡刀法精準(zhǔn)，直接賣爆了，我們讓黃仁勛開心地笑起來。看得出來表情有些崩，但整體還是做到了AI改變?nèi)宋锉砬椤?/p>

再要求把臉從黃仁勛換成馬斯克，這個挺順暢完成了，馬斯克的臉部還挺逼真，表情也比較自然。一個小細(xì)節(jié)，攝像機上手機屏幕中的人物也跟著換成了馬斯克。

還有一個這兩天大家很愛玩的功能，就是這個合成圖片的功能，熊的視角略微有一些轉(zhuǎn)向，但是合成圖片中還原的還不錯。

很多人會質(zhì)疑這個功能有什么用，國外有小伙，利用gemini-2.0 新推出的圖片編輯 API，連夜肝了個工具，實現(xiàn)白底圖到產(chǎn)品實拍圖的批量自動化生成。

他是這樣評價這個產(chǎn)品：“效果炸裂，特別是對產(chǎn)品的特征保留的很好，相比 ComfyUI 工作流調(diào)個半死，這不強多了。”

當(dāng)然它還能給線稿上色，鯨哥生成了“猿力崛起”類似的圖片。生成效果確實還沒有Midjourney強，但是能力很連貫，這是生成式AI的體現(xiàn)，這是預(yù)言挑戰(zhàn)畫家的顛覆性一步。

Gemini-2.0不僅改圖能力強，還能生成連續(xù)性的圖片故事集，效果也不錯。以下是鯨哥測試的成果。

“生成一個關(guān)于爆炒羊雜教程系列圖片。對于每個場景，生成一個圖像和一段介紹文字。”Google生成的教程顯示有點長，我在排版時用SVG動畫顯示了，大家點擊下方即可查看。

羊雜切碎，調(diào)好備料 最關(guān)鍵是羊雜焯水

羊雜切碎，調(diào)好備料 最關(guān)鍵是羊雜焯水

放油，先炒調(diào)料 再加入羊雜爆炒

放油，先炒調(diào)料 再加入羊雜爆炒

放入蔬菜，炒至斷生 加入勾芡，炒熟裝盤

放入蔬菜，炒至斷生 加入勾芡，炒熟裝盤

感謝Google，終于知道中午做的爆炒羊雜為啥不好吃了，原來沒有先把羊雜焯水（直男落淚）。

此前的 2 月，Google Veo 2 已通過 Freepik 發(fā)布了圖像轉(zhuǎn)視頻功能，現(xiàn)在與2.0 Flash有很好的結(jié)合了。

這個視頻是JP博主制作，用一張AI生成的美女和商品圖結(jié)合，先是生成了帶貨圖片，然后轉(zhuǎn)成了視頻，神奇的是視頻中飲料的商標(biāo)都沒有變，目前在上很火。

最后再講一個很有用的東西，應(yīng)該比以上視覺工具更加落地。

是不是大家仍沒有Manus邀請碼，感覺也不用苦苦等待了。Google deep Research 現(xiàn)在可以免費使用，由 2.0 Flash Thinking模型提供支持，而且可以展示研究過程（chain of research），甚至支持鏈接你的搜索記錄對 Gemini 進(jìn)行個性化設(shè)置。

這是我做的“中國視頻類科技商業(yè)博主起號及爆款”研究專題，要求生成30頁以內(nèi)的PPT報告。

還能根據(jù)這份報告繼續(xù)提問，我問了下最適合普通人學(xué)習(xí)的博主是誰，回答結(jié)果如下，額，不知道大家怎么看這個結(jié)果。

Deep Research能羅列Researching websites，這樣你可以清楚看到引用的哪些網(wǎng)站內(nèi)容，靠不靠譜。同時這也是Google deep Research 的優(yōu)勢，搜索內(nèi)容的廣度上要比OpenAI 大很多，甚至能索引 YouTube 內(nèi)容。

最重要的是，它輸入框底下有行字，“Gemini can make mistakes, so double-check it”，避免出錯進(jìn)行了雙倍檢查。這就極大避免了幻覺率，確保提供的信息，一定范圍內(nèi)的準(zhǔn)確性。

當(dāng)然問題也有，就是這個產(chǎn)品不太Agent，讓生成PPT最終沒有生成，估計是因為調(diào)用不了其他工具。我體驗導(dǎo)出報告，調(diào)用Chrome文檔也不流暢。以后使用MCP協(xié)議估計效果會更好。

在基礎(chǔ)語言模型方面，最大的更新是發(fā)布最新開源模型 Gemma 3 。

最大僅為27B，性能超越DeepSeek V3、o3mini，為全球第二強開源模型，僅次于DeepSeek R1，但是模型小很多，達(dá)到差不多的性能。

其他幾個模型分別為 1B、4B、12B 和 27B，微型模型意味著可在手機、電腦上跑。

雖然模型小，但是各方面能力都具備。比如增強文本和視覺能力，可理解文本、圖片、短視頻。 支持128K上下文窗口 ，支持函數(shù)調(diào)用，支持AI 代理開發(fā)，自動執(zhí)行任務(wù)。

不僅是通用LLM模型更新，Google還在具身智能領(lǐng)域做了很大的改進(jìn)。

Google DeepMind 推出基于 Gemini 2.0 研發(fā)的新一代 機器人 AI 模型Gemini Robotics 。

首先是具備泛化能力：Gemini Robotics利用Gemini 2.0的世界理解能力，機器人能夠處理未見過的新物體、新指令和新環(huán)境，甚至完成訓(xùn)練中未見過的新任務(wù)。

在綜合泛化基準(zhǔn)測試中，Gemini Robotics的性能比其他最先進(jìn)的VLA模型高出一倍以上。

例如，它能完成未訓(xùn)練過的任務(wù)，如扣籃一個新籃球。-

其次是交互性：它能理解日常語言指令（包括不同語言），并快速響應(yīng)環(huán)境或指令的變化。例如，當(dāng)物體被移動時，它能迅速重新規(guī)劃行動路徑，無需額外輸入即可繼續(xù)任務(wù)。

然后還具有靈活性與靈巧性：通過多模態(tài)推理（結(jié)合視覺、語言和動作），機器人能精確操控物體，完成多步驟任務(wù)。支持執(zhí)行需要精細(xì)動作的復(fù)雜任務(wù)，如折疊紙鶴、將零食裝進(jìn)拉鏈袋或輕柔放置眼鏡。

要知道，一開始，Google在大模型這波生成式AI浪潮中確實落后了。通過這兩年的蟄伏，Google還是證明了其技術(shù)儲備，完成了一場AI逆襲。

視頻內(nèi)容推薦：

主理人交流：

加入AI鯨英社群，和上千CEO、資本和大牛一起共話未來！

Anthropic CEO最新預(yù)言：90%程序員的飯碗年內(nèi)不保！