Google I/O 2025：Gemini、AI 智能体、生成式媒体与 XR

我刚参加完 Google I/O 2025，大会上展示了众多 AI 产品。我还采访了首席执行官 Sundar Pichai，讨论世界模型、搜索和智能爆炸，并计划另行分享那次对话。

一年前，许多人质疑 Google 的 AI 战略。此后，公司宣布或发布了 AlphaFold 3、Imagen 3、Gemma 2、Project Mariner、Gemini 2.5、Gemma 3 和 AlphaEvolve。我对这次大会的印象是，Google 正在快速把研究成果转化为产品。

一个引人注目的公司指标是 Google 产品和 API 每月处理的 token 数：一年前为 9.7 万亿，2025 年则超过 480 万亿，约增长 50 倍。这是 Google 的总体指标，并非直接衡量个人用户或节省的时间。模型使用、产品集成和更长的推理输出都可能有所贡献。

Project Starline 已成为三维视频通信平台 Google Beam。Pichai 说，其目标是让相隔遥远的参与者感觉身处同一个房间。Google 展示的是面向企业的系统，而不是普通消费级屏幕。

我亲自试用了 Beam。多台摄像头拍摄对面的人，显示屏呈现出类似 Nintendo 3DS 的立体效果。我的眼睛需要片刻适应；当对方拿起一个苹果时，我感觉伸手就能碰到。这是我对一次演示的体验，并非对所有部署环境的测试。

Project Astra 的部分能力也进入了 Gemini Live：用户可以通过手机摄像头，就看到的事物展开对话并提问。Google 的喜剧演示中，一位用户把垃圾车误认为敞篷车，把路灯看成建筑，又把影子当成跟踪者。摄像头和屏幕共享的推出细节因平台和地区而异。

Project Mariner 是 Google 的网页交互智能体。宣布的多任务功能指向这样一种流程：一个智能体处理一项任务时，用户可以启动另一项；计算机操作、工具和记忆在此结合。这些系统仍处早期阶段，一次演示不能证明长任务在没有监督时能够可靠完成。

Google 还介绍了面向 Chrome、Search 和 Gemini 应用的智能体能力。在主题演讲示例中，Pichai 要求寻找 Austin 的公寓，供三名室友居住，每人每月预算为 1,200 美元，并需要洗衣设施。拟议的智能体搜索房源、使用 Mariner 调整筛选条件，还可利用通过 MCP 连接的工具安排看房；这是拟议流程的演示。

最让我兴奋的是个人助手能够利用 Gmail、Calendar 和 YouTube 等服务中的上下文，以及此前交互的记忆。我希望打开收件箱时，已经有根据我与各联系人往来记录定制的回复草稿，等我审核并发送。个性化智能回复向这一愿景迈进了一部分，但还不是我设想的完整流程。

我也很高兴 Google 在演讲中提到了我使用 Gemini 的作品和魔方演示。公司介绍了模型更新，包括思考预算、更快的性能和摘要。在支持的配置中，思考预算提供了一种权衡推理 token 用量、延迟和成本的方式。

Google 推出了研究模型 Gemini Diffusion，它从噪声出发反复优化文本或代码。我觉得演示速度惊人，但模型质量和延迟取决于具体系统与测量方法；扩散模型不会自动比每个自回归 Transformer 都更快或更不准确。Google 将它作为研究成果展示，而不是已广泛验证的替代方案。

Gemini 2.5 Pro Deep Think 作为实验性增强推理模式推出，采用包括并行方法在内的技术。Google 的主题演讲图表报告，其 USAMO 2025 成绩为 49.4%、LiveCodeBench v6 为 80.4%、多模态基准 MMMU 为 84.0%。这些是特定设置和竞争模型下报告的分数，不是通用排名；第三项基准是 MMMU，不是 MMLU。

Google 还谈到向世界模型迈进。Demis Hassabis 将自然表征、Veo 的视频示例和 Gemini Robotics 视为迈向能够处理物理世界的系统的步骤。这些例子是演示，更广泛的目标仍是研究愿景，不能证明模型全面理解物理世界。

Imagen 4 生成了细节丰富的示例，包括连衣裙、纸艺风格的鸟、花朵和猫。Google 宣布计划推出 Imagen 4 Fast 版本，速度相对于 Imagen 3 最高可提升十倍；这是公司针对即将推出的特定版本的声明，并非每次 Imagen 4 请求都经过测量的提速幅度。

Veo 3 能生成带音频的视频，包括对话和音效，大会上展示了动物和海洋片段。Google 还推出了音乐模型 Lyria 2。我计划亲自测试这些工具；主题演讲中精选的精美示例不能独立证明其典型输出质量。

大会上，Google AI Ultra 宣布在美国以每月 249.99 美元的价格推出，首次订阅者前三个月有折扣，同时提供更高用量限制和功能抢先访问。我觉得价格昂贵，但计划订阅并反馈体验。这是 2025 年发布时的价格和可用范围，不是当前报价。

Flow 将 Google 的生成式媒体模型组合成一个电影制作工具。演示中，创作者生成鸡头形状的换挡杆等素材，输入摄像机角度提示，再组合图像生成片段。界面可以排列和延长片段，比只用一条提示词给创作者更多控制。

最终片段结合了生成的画面和声音。我将 Flow 与 Sora 的场景构建工具比较，并表达了自己更喜欢 Veo 3 视频质量的看法；这只是我的判断，不是独立基准测试。我打算之后进行更广泛的测试。

最后，Google 展示了 Android XR 眼镜原型，信息可以显示在镜片上。现场演示中，后台佩戴者接收消息、查看天气和导航。画面出现了一些可见卡顿；我怀疑与网络状况有关，但视频没有证明原因。

演示在佩戴者的视野中显示了地图推荐和导航方向。我一直怀疑眼镜是否是 AI 的终极形态：我愿意在户外佩戴，但不想在室内整天戴着。这个原型是一次演示，不能保证产品已经发布或日常表现达到同样水平。