摘要：Google AI主导了一场逆袭
作者丨鲸哥
Google 作为 Transformer 等核心技术的发明者，在“AI 4 巨头”的讨论中未被提及，这是一件很尴尬的事。
它一直憋着一股气，决心要证明自己。最近 Google 的一系列更新具有不少看点：
发布了开源模型 Gemma 3，它的性能超越了 DeepSeek V3 和 o3mini，在全球开源模型中排名第二，且其模型大小仅为 7B。
发布了 Gemini 2.0 Flash Experimental 这个动动嘴就能进行 PS 的 AI 文生图产品。并且，它对指令的理解也十分到位，能够连续生成具有一致性的图片，还被评为 AI 生图的 GPT 时刻，这几天它在……
传疯了。
Deep Research 可以免费使用，其背后的原因是 2.0 Flash Thinking Experimental 提升了推理能力并且扩展了上下文窗口。
新一代机器人 AI 模型 Gemini Robotics 存在。它对物理世界更加了解了。
国外有网友评价Google这次更新，是几乎每项到了最佳：
到底有没有这么强呢，鲸哥认为是大差不差，有惊喜，也有吹嘘。
这次最被热议的更新是 Gemini 2.0 Flash Experimental。原生图像生成功能已经上线，这实现了说话就能 PS 照片的梦想。可以通过聊天来任意编辑图像的局部或者全部，这种功能有点类似 Adobe firefly 版本。
我们使用英伟达 CEO 黄仁勋之前发布会的图片，去尝试能否随意进行 PS 操作。
我们首先要求更换背景，以便让黄仁勋在直播间里进行带货。这个要求的难度不算大，至于是否需要进行抠图，目前还不好说。
“321 开始上架链接”，5090 显卡的销售策略精准，直接就实现了火爆销售，我们让黄仁勋露出了开心的笑容。能看得出他的表情有些失控，但总体上还是通过 AI 改变了人物的表情。
把脸从黄仁勋换成马斯克这件事顺利完成了，马斯克的脸很逼真，表情也自然。其中一个小细节是，摄像机上手机屏幕中的人物也变成了马斯克。
有一个功能在这两天很受大家喜爱，那就是合成图片的功能。熊的视角稍微有了一些转向，不过在合成图片中还原得还可以。
很多人质疑这个功能的用途。国外有一个小伙，借助 gemini-2.0 新推出的图片编辑 API，连夜制作了一个工具，能够实现将白底图批量自动生成产品实拍图。
他对这个产品做出了如下评价：效果非常好，尤其在产品特征的保留方面做得很出色。与 ComfyUI 的工作流需要耗费大量时间去调试相比，这个产品要强很多。
它能给线稿上色，鲸哥生成了类似“猿力崛起”的图片。生成效果不如 Midjourney 强，但能力连贯，这体现了生成式 AI 的特点，也是对画家的一种颠覆性挑战。
Gemini-2.0 改图能力较强，并且能够生成连续性的图片故事集，其效果也是不错的。以下是鲸哥测试所得到的成果。
生成一个关于爆炒羊杂的教程系列图片。对于每一个场景，都生成一个图像以及一段介绍文字。Google 生成的教程显得有些长，我在进行排版时，通过 SVG 动画来显示，大家点击下方就能够查看。
·
·
·
感谢 Google 。终于知晓中午做的爆炒羊杂为何不好吃了。原来没有先将羊杂进行焯水。（直男落泪）。
2 月的时候，Google Veo 2 已经通过 Freepik 发布了图像转视频的功能，如今它与 2.0 Flash 结合得很好。
这个视频由 JP 博主制作，它将一张 AI 生成的美女图与商品图相结合。首先生成了带货图片，接着把图片转成了视频。神奇的是，视频中饮料的商标始终没有发生变化，目前该视频处于……
上很火。
最后再讲一个很有用的东西，应该比以上视觉工具更加落地。
大家是不是仍没有 Manus 邀请码呢？感觉不用再苦苦等待啦。现在 Google deep Research 可以免费使用，它是由 2.0 Flash Thinking 模型提供支持的，并且能够展示研究过程（chain of research），甚至还支持链接你的搜索记录来对 Gemini 进行个性化设置。
我做了一个“中国视频类科技商业博主起号及爆款”的研究专题，需要生成一份 30 页以内的 PPT 报告。
可以依据这份报告继续提问，我询问了最适合普通人学习的博主是谁，得到的回答结果如下，嗯，不知道大家对这个结果的看法如何。
Deep Research 可以罗列 Researching websites，这样你便能清楚地看到所引用的是哪些网站的内容，以及这些内容是否靠谱。并且，这也是 Google deep Research 的一个优势，在搜索内容的广度方面比 OpenAI 大很多，甚至能够索引 YouTube 的内容。
它的输入框底下有一行字，内容为“Gemini can make mistakes, so double-check it”。为避免出错，进行了双倍检查。这极大地避免了幻觉率，确保在一定范围内提供的信息具有准确性。
当然存在一些问题。这个产品在某些方面表现得不太像 Agent，导致生成 PPT 的任务最终未能完成，推测可能是由于无法调用其他工具所致。我对导出报告进行了体验，发现调用 Chrome 文档也不够流畅。以后如果使用 MCP 协议，估计效果会更好。
基础语言模型方面有最大的更新，那就是发布了最新的开源模型 Gemma 3 。
仅为 27B 是最大的，其性能超越了 DeepSeek V3 和 o3mini，是全球第二强的开源模型，仅仅次于 DeepSeek R1，不过模型尺寸小很多，却能达到差不多的性能。
其他几个模型分别是 1B、4B、12B 和 27B。微型模型意味着能够在手机和电脑上运行。
模型虽小，但具备各方面能力。它能增强文本和视觉能力，能够理解文本、图片以及短视频。它支持 128K 上下文窗口，支持函数调用，还支持 AI 代理开发，能够自动执行任务。
Google 不仅进行了通用 LLM 模型的更新，还在具身智能领域做出了很大的改进。
Google DeepMind 推出了一个新的机器人 AI 模型，名为 Gemini Robotics ，这个模型是基于 Gemini 2.0 研发的。
Gemini Robotics 具备泛化能力，它利用 Gemini 2.0 的世界理解能力，使得机器人能够处理未曾见过的新物体，能够处理未曾见过的新指令，能够处理未曾见过的新环境，甚至能够完成在训练中未曾见过的新任务。
Gemini Robotics 在综合泛化基准测试中的性能表现很突出。它比其他的 VLA 模型都要优秀。其性能比其他最先进的 VLA 模型高出很多，超出一倍以上。
例如，它能完成未训练过的任务，如扣篮一个新篮球。-
其次是交互性方面：它具备理解日常语言指令的能力，这些指令涵盖不同的语言。并且它能够快速对环境或指令的变化作出响应。比如，一旦物体被移动，它就可以迅速地重新规划行动路径，在无需额外输入的情况下就能继续执行任务。
机器人具有灵活性与灵巧性。它通过多模态推理，结合视觉、语言和动作，能够精确操控物体，从而完成多步骤任务。并且它还可以支持执行需要精细动作的复杂任务，比如折叠纸鹤、把零食装进拉链袋或者轻柔地放置眼镜。
要知道，起初，Google 在大模型这波生成式 AI 浪潮里确实是落后的。经过这两年的默默积蓄力量，Google 依然证明了自身的技术储备，实现了一场 AI 的逆袭。
