全新 Gemini 2.0 Flash 横空出世，这次不只是升级那么简单。就在 OpenAI 的圣诞礼包还在发酵的时候，谷歌选择了这个时间点发布重磅产品，不得不说，这场 AI 巨头之间的较量越发精彩了。
风起云涌的 AI 市场上，每一次技术突破都牵动着人心。这次的 Gemini 2.0 Flash 不负众望，带来了一系列让人眼前一亮的新特性。它不仅能理解和生成文本，还具备了原生的图像生成和音频输出能力。想象一下，你可以让 AI 用 8 种不同的声音为你朗读文章，甚至可以让它用海盗的语气说话，是不是很有趣？
不止于快
速度提升是最直观的变化——新版本的处理速度直接翻倍，达到了 1.5 Pro 版本的两倍。但更令人兴奋的是它的多面手特性。它能调用谷歌搜索、执行代码，甚至可以连接第三方应用，就像一个无所不能的智能助手。
在安全性方面，谷歌也做足了功课。所有由 2.0 Flash 生成的图像和音频都将使用 SynthID 技术加入水印，这在深度伪造日益猖獗的今天，无疑是一个负责任的举措。据统计，仅在 2023 到 2024 年间，全球检测到的深度伪造案例就增加了 4 倍。
让我们看看本次 Gemini 2.0 主要更新了哪些能力。
-
速度和性能提升：Gemini 2.0 Flash 模型的速度是前代产品 Gemini 1.5 Pro 的两倍，并且在关键基准测试中表现出更强的性能和更低的延迟。
-
多模态输入和输出：Gemini 2.0 支持图像、视频、音频等多模态输入，同时也支持多模态输出，包括与文本混合的原生图像生成和可自定义的文本转语音（TTS）多语言音频输出。
-
原生工具调用：Gemini 2.0 可以原生调用工具如 Google 搜索、代码执行以及第三方用户定义函数，增强其处理能力和实用性。
-
改进的空间理解能力：Gemini 2.0 提高了对杂乱图像中小对象的理解和标记能力，且能更好地识别对象并添加字幕。
-
新的多模态 Live API：这项功能允许开发者创建实时视觉和音频流应用程序，支持低延迟的双向语音和视频交互。
-
多模态理解与复杂推理：Gemini 2.0 在多模态理解、复杂推理和工具集成方面实现了重大突破，进一步增强了其作为通用 AI 助手的能力。
Gemini 2.0 三大项目
Project Astra 作为通用 AI 助手，不仅能理解多种语言，还具有流畅的多语言对话能力，包括法语和泰米尔语等，能够理解不同口音和生僻单词。此外，Project Astra 具备强大的记忆功能，能够记住门禁密码等信息，并在需要时准确调取。
它还可以调用 Google Search、Google Lens 和 Google Maps 等工具，进一步增强其在日常生活中的助手功能。其长达 10 分钟的对话记忆能力使其在用户交互中显得更加智能和人性化。
Project Mariner 则化身为浏览器智能助手，专为在网页任务完成方面提供帮助。根据 WebVoyager 基准测试，它在端到端的真实世界网页任务中展现出惊人的 83.5% 准确率。尽管目前运行速度较慢且不总是准确，但这已经表明了其在浏览器任务中的潜力。从安全性角度看，Project Mariner 在执行某些敏感操作前会要求用户确认，确保操作的安全进行。
对于开发者来说，Jules 这样的专业编程助手提供了深入的编程支持。它能有效地处理 Python 和 Javascript 中的编码任务，包括 bug 修复和修改多个文件。它可以直接集成到 GitHub 工作流程中，帮助开发者专注于更复杂的开发任务。
Jules 的能力不仅限于代码生成，还包括提供代码补全、解答问题、查找相关资源和添加代码注释等功能。这些技术将被整合到 Android Studio 和 Chrome 开发工具等多个产品中，极大地提升了开发效率和工具的智能化水平。
写在最后
在这个 AI 技术日新月异的时代，Gemini 2.0 的发布无疑是一个重要里程碑。正如谷歌 CEO 皮查伊所说：「如果说 Gemini 1.0 是关于组织和理解信息，那么 Gemini 2.0 就是关于使其更加有用。」
当下用户已经可以通过 Gemini API 和 Google 的 AI 开发平台开始体验这些新功能，而完整版本将在 2024 年 1 月全面上线。这不仅是一次产品升级，更预示着 AI 技术正在向着更实用、更智能的方向迈进。在这场 AI 革命中，谷歌用实际行动向我们展示了：未来不是遥不可及的想象，而是正在眼前徐徐展开的现实。
作者：Fish
（文：毫河风报）