谷歌版Her大翻车：试了3次且换手机才成功

PH值

金磊 发自 凹非寺量子位 | 公众号 QbitAI
翻车，大翻车。
就在今天凌晨，谷歌版Her——Gemini Live正式发布。

毕竟明显是对标OpenAI家的GPT-4o，可以说是吸足了科技圈的眼球。

在官网发布的demo中，拍照问答功能的效果是这样的：



它大致实现的功能，是用手机拍摄演唱会的海报，并让Gemini查看用户的日历，看看行程是否适合参加。

以及还可以基于此进行一系列后续的操作，包括定时间查票价等等。

然而……当来到发布会现场演示环节的时候，画风却180°大变样。

第一次：失败了。第二次：失败了。第三次：换手机，成功了。嗯……小哥表情，肉眼可见的有点慌。



就连知名科技媒体TechCrunch都配上了这样的emoji：



甚至还有网友开启了辣评模式：

我10秒钟就能搜索我的日历。



当然，这只是今天Made by Google的一个小插曲。

关于Gemini Live的更多内容，我们继续往下看。

谷歌版Her的全貌

正如我们刚才提到的，Gemini Live和GPT-4o的功能十分相似。

除了“拍照问答”之外，它也可以做到实时对话，甚至在Gemini回复过程中进行打断。

据了解，目前Gemini Live的功能已经在安卓系统中向Advanced订阅者开放（仅限英语）。

未来几周，这个功能会陆续扩展到更多语言并且向iOS开放。

在对话声音方面，Gemini Live推出了10种新的声音供选择

在操作方面，由于Gemini已经完全集成到了系统中，所以只需长按电源按钮或说“Hey Google”，就可以调用了。

例如在写邮件的过程中，让Gemini帮你生成配图，效果如下：



不过对于这项功能，外媒们的评价却是褒贬不一。

例如The Verge的一位作者在亲测后给出的标题是——

Gemini Live比Google快，但更尴尬。



具体原因是作者在一次为期三天的公路旅行中，汽车的音频系统突然失效。

使用原先的谷歌助手寻找解决方案花费了至少五分钟，而Gemini Live仅耗时15秒。

但对话过程中的Gemini Live的持续发言和需要用户主动打断的交互方式，却让作者感到尴尬。

他认为：

声音和说话方式过于人性化，以至于在打断它时感到不自在。与Gemini Live的互动中投入了更多情感，而不是将其作为解决问题的工具。

无独有偶，对于Gemini Live在云端运行这个点，华尔街日报也给出了犀利的评价——

对话上的进步，功能上的退步。



具体到技术层面，GPT-4o是一个端到端的系统，但从谷歌发布的内容来看，Gemini Live则并非如此。

而是将STT、VAD、LLM和TTS系统做了集成：



除此之外，谷歌所发布的新Pixel系列手机中，也出现了Gemini Live的身影。

包括Pixel 9 Pro Fold、Pixel 9、Pixel 9 Pro和Pixel 9 Pro XL。



AI功能方面，谷歌的Pixel手机在拍照上增加了一个叫“Add Me”的功能。

可以用增强现实（AR）和AI技术，可以把两张不同照片中的人物“塞”到一起。



谷歌为什么追不上OpenAI？

虽然谷歌这次发布Gemini Live，算是对OpenAI GPT-4o的一种应战，但自从大模型时代拉开序幕以来，我们可以看到一个非常明显的一种趋势——

谷歌，跟不上OpenAI的脚步。

首先是在最为关键的ChatGPT发布的这个节点上，OpenAI成为了开拓者，但谷歌随后发布的Bard，和这次Gemini Live很相似，后续出现了翻车情况。

而后近一年半多的时间来，似乎所有重磅模型、重磅应用的发布，都是OpenAI在引领。

反观谷歌这边，不仅是技术呈现出步步慢的状态；甚至在舆论上，还出现了被OpenAI用一个人事变动（Ilya离职）消息盖过谷歌年度最大活动（I/O大会）热度的情况。

那么谷歌在大模型时代为什么不行了？

对此，前谷歌CEOEric Schmidt（2001年至2011年任职）在斯坦福最新的演讲中表达了他的观点：

谷歌非常重视工作与生活的平衡，例如允许员工居家办公。但创业公司，他们工作真的很拼。

甚至还有网友爆料称：


我兄弟是谷歌顶级AI程序员，他有3个全职工作，每天只在谷歌这边花2个小时。