Google I/O台北時間週三凌晨帶來新震撼：強推真正能當職場代理人的智慧助理！和ChatGPT開發團隊OpenAI的GPT-4o新模型相比差異在哪？另外，Google這回共射出3支箭：模型技術打底、應用通路出貨和AI代理，各代表哪些產業新趨勢？
曾一路苦苦追趕微軟和OpenAI的Google，歷經趕不上ChatGPT的紅色警戒、推出Bard應戰後的相形見絀等挫折。調整AI研發單位的組織結構，並確立Google Gemini發展重於助理的策略後，全力回防，開發文字、圖像、聲音和影像的基礎模型。
掌握搜尋、信件等虛擬通路，以及Android系統的實體通路，Google擁有有著無人能及的用戶規模；每次在搜尋引擎查詢（query）、在Google Play下載應用程式、在YouTube上聽音樂，累積下的資料更是恆河沙數。沈澱一年後，Google I/O上執行長皮蔡（Sundar Pichai）端出的AI更新，讓人看見王者歸來的風範。
固然Google I/O釋出的更新令人眼花撩亂，有更強大與更輕量的基礎模型問世，有全新的影音和圖像生成模型，搜尋體驗出現全新變革、硬體的晶片也在升級。在多如繁星的訊息中，仍可以梳理出三條主線，讓人看到Google埋頭苦幹的這一年成效。
Google推智慧助理，比OpenAI的GPT-4o更深入生活
首先看第一支箭，AI助理。
經濟學家薩斯金（Daniel Susskind）曾經用運算理性（computing rationality）解釋人工智慧，藉此避開大眾文本討論人工智慧時，不時脫離現實的想像。這個用詞，既否定了《機械公敵》的叛變，也拒絕《雲端情人》的浪漫，他希望回歸人工智慧的功用－發揮理性，透過運算處理人類任務。
在AI全面席捲之際，人們確實感受到運算正在發揮效用。金融業的盜刷分類、製造業的生產線偵測、法院的判決建議，還有白領們用ChatGPT寫信、翻譯英文。人腦很累，因此請機器腦分憂。
不過，反面觀之，這些場景，高度著重於商業和政府板塊，很多時候還傾斜於員工個人的生產力提升，卻離人們的日常很遠。的確，有新創如AI Pin和Rabbit推出獨立AI助理裝置，但在出貨後經過實測，科技玩家們發現問題一一浮現，回應要等太久、室外有時不能用、回答問題大量出錯，這就是AI助理的現實。
這次Google I/O上，DeepMind總算出手。早在發表Gemini模型時，Google的AI掌舵手、DeepMind負責人哈薩比斯（Demis Hassabis）便表示，「AI比較不像是聰明的軟體，而是更有用且直觀的東西—專家助手，或者助理。」在本次公布、以星星為命名寓意的Project Astra中，哈薩比斯試圖定義Google版本的AI代理（AI agent）其中的代理，指的就是能夠理性行動的實體。
加上AI後，AI代理指的是能夠理解多個步驟的複雜指令，並根據環境和上下文脈絡，做到理解、規劃、調整和執行，完成人類指派的任務。
討論「如何用好ChatGPT」時，很多人會在指令工程上下功夫，想辦法下出更清楚的指令，有時還要分拆指令、將其變得明確，模型才不會生成太過通用，以至於沒有實際用處的內容。
然而，AI代理與ChatGPT（至少目前）的根本性不同之處便在於，它能夠辨識出目標、可以累積記憶，還能依照環境變化自主行動，更接近有理性的運算實體。
舉例來說，ChatGPT在排定聚餐時，可能會依照使用者輸入的資訊，串連餐廳和旅遊服務的API，簡單提出計畫，但真正意義上的AI代理，可以主動掌握必須調查時間、預訂餐廳，並靈活運用地圖尋找替代方案、寄送活動行事曆等。
其他生活化的應用更好理解，例如自行設計可作為產品上線的活動網站、替公司整個部門的同事完成訂餐任務、幫忙家人在醫院掛號等，都是AI代理接收人類指令，自行分拆任務的實例。
過往AI代理都只聞樓梯響，只因技術的挑戰太大。回應要突破人類耐心的延遲（latency）極限、語音要多變且自然，這些都還不夠，記憶、規劃以及採取行動，更是極大困難。
在戮力推動Gemini Pro的進展之下，Google的AI助理計畫Project Astra，就是想推出夠應用在日常生活的智慧助手，結合Gemini，以及Google發展多年、有Google助手打底的語音模型。LLM的推理能力有Gemini撐腰，跨越語音和文字互轉、甚至不用轉換的門檻，則有語音技術支持。
作為生活中每日陪伴的AI助理，每次對話都要發出請求，因此運算要便宜；不能讓使用者等太久，因此回覆要夠快；預期AI助理應該會搭載於手機甚至更小的智慧裝置上，因此模型不能太大。每一步都離產品等級（product-level）更接近一步，無怪乎介紹Gemini Flash時，Google特別提到，這款輕量模型企圖追求速度和效率。
當Google準備好將AI助理願景落地，新創競爭者的產品如AI Pin，看起來更像是玩具。
對比之下，搶在Google I/O前發表GPT-4o的OpenAI，發展路線顯得耐人尋味。如同哈薩比斯談到的定位，Google將智慧助手當成機器助理，但OpenAI的展示則劍走偏鋒，談笑風生的ChatGPT，似乎顯得更有情感、更加人性化，走上不同道路。
無論競爭對手怎麼做，Google掌握企業服務，也解決使用者的求知需求。
Gemini模型是最強引擎，所有應用都奠基於上
第二支箭則是模型打底。
無論是Google搜尋的全新體驗，還是對話式服務取得的深厚進展，以及Google Workspace支援的AI升級，背後最關鍵的共通性就是Gemini的升級。
若YouTube、Gmail等應用是讓人流連的建築外觀，則Gemini模型就是不可撼動、需要全面鞏固的重要地基。
從頭開發基礎模型的玩家，包含OpenAI、Mistral AI、Character.AI、微軟和亞馬遜，無不陸續推出新模型，宣稱自家產品表現最為優異，在公開測試中擊敗對手更是時有所聞。
然而，在LaMDA、PaLM模型後，採用專家模型架構的Gemini，同時具有多模態的理解能力，更能夠推理與分析。自降生之際，便被哈薩比斯稱為「Google曾打造過的模型中，最通用且最強大的。」
深耕AI多年，要從這場持久戰勝出，累積技術就是Google進步的硬道理。
從文字探勘到自然語言處理，Google一路上帶動了詞向量（word vector）和詞嵌入（word embedding）的發展，收購DeepMind後技驚四座的AlphaGo與增強學習（reinforcement learning）風潮，讓人再次預見人類智性高地陷落的未來。
掌握注意力機制的轉換器（Transformer），讓電腦理解海量文字重點，BERT更像是黎明來臨前出現的超級巨人，進一步奠定今日對自然語言理解的基礎。往後的事情就為人所知，LaMDA、PaLM再到Gemini，模型參數以十倍、百倍提升，能夠處理的輸入格式也在進化，可以說，Google始終站在AI技術的最前線，這也是Gemini足以和對手一戰的本錢。
雖然，舊人陸續離去，OpenAI的共同創辦人薩斯凱博（Ilya Sutskever）、Mistral AI的共同創辦人亞瑟（Arthur Mensch）、Character.AI的創辦人諾姆（Noam Shazeer）與丹尼爾（Daniel De Freitas），都曾在Google服務，也反映出Google技術能力驚人。
觀察基礎模型近日的發展，代理工作流程（agentic workflow）的興起、將大模型變小（small langauge model，SLM），還有持續推進多模態能力，以及更長的上下文（context）甚至是記憶力（memory），都已成為兵家必爭之地。
每個子領域，Google都發起爭鬥。要談AI代理，從Gemini出發的輕量級模型Gemini Flash設計初心，便是旨在回答更快、運作更便宜，讓代理得以落地；要推進多模態能力，Gemini 1.5 Pro的示範中處理圖片和影像，讓人看到機器處理資訊的量級，已經完全能和人類比肩。
改看小模型的研發，Google推出改版的Nano模型，能夠輕巧地放進筆電和手機；至於上下文和注意力，Gemini的兩百萬級token處理能力，已經將Claude 3和GPT-4甩在後頭，如今更在往「無限上下文」（infinite context）步步進逼。
就垂直領域來說，Veo和Imagen 3是Google「你有我也有」的火力展示，這點絕不會輸、也不能輸；就最底層的基礎模型而言，Google深刻讓人意識到，Gemini模型就是最強引擎，也是最需要取得勝利的關鍵。
掌握應用程式全通路，模型全面鋪貨
第三支箭，擁有最強引擎、「貨」已備好，下一步，便是全面鋪貨。
根據Google統計，Gemini模型已經遍布於所有Google產品中，累積超過20億用戶都在應用Gemini。
Google老本業的搜尋引擎，從精煉資訊的生成摘要，至串接與整合資訊的排定行程，再到由AI排序和組織的搜尋結果頁面，無不是Gemini的運作痕跡。
Google新戰場對話式服務，自從Bard更名為Gemini（與模型同名）後，就不再給人遜於與OpenAI ChatGPT或者微軟Bing Copilot的印象，有底層驅動的Gemini模型支持，即便發展路線圖與對手相仿，掌握通路的Google仍無往不利。
支援繁體中文、開放App，可以角色扮演、能夠模擬不同說話風格，讀得懂圖像、用聲音對話也通，遮掉名字，很難分辨說得到底是Gemini助理還是ChatGPT。
就連付費版的Gemini Advanced，與Google One打包的付費方案在推出三個月後，用戶已突破百萬。運用接觸點優勢，Gemini全面整合Workspace和Google服務，對照之下，ChatGPT反倒像是懸浮於空中、沒有任何個人資料的一座孤島。
Google推動雲端發展的生產力工具Workspace，企業版用戶已經有Gemini的全面進駐，Gmail、Google試算表、Google文件和Google簡報都能用AI加速，降低微軟Copilot的吸引力；需要調用API、實作RAG與Grounding的開發者們，則有測試用的AI Studio及企業等級實作的Vertex AI，運作上已整合進Google雲端中。
另外，搭載Android系統手機的邊緣運算，也不再只是概念股的投資商機，輕量模型和Gemini助理都正在運作中。
在超過25年的發展歷史中，Google推出無數產品，有許多都面臨失敗，例如Google眼鏡、Google Plus和Google Podcast，甚至有些服務消滅無人知曉。然而，不管是收購還是自行推出新服務，Google仍累積可觀資產。
YouTube、搜尋和地圖對應一般人，生產力工具對應上班族，雲端服務對應開發者，Android和Chromebook對應消費者，而Gemini助理則對應任何想讓機器分憂解勞的人。掌握應用程式全通路，模型全面鋪貨的Google，雖然後發，但就要先至。
OpenAI傳出跟iPhone合作，Google如何面對？
模型打底、通路出貨，又有代理觸及日常生活，這三支箭，是Google對競爭者的十面埋伏。
側面也反映，為何OpenAI傳出可能和蘋果手機合作的消息，因為對ChatGPT來說，唯一生機要不是另闢蹊徑、尋找新的發展路線例如情感AI，要不就是找通路接觸使用者，否則，就得看Google實踐其「無處不AI」（AI everywhere）的願景。
如同皮蔡所說，雖然Google在AI領域深耕多年，但目前仍處於早期階段。他更預期，「未來有巨大的機會。」
從受到OpenAI發布ChatGPT的驚嚇開始，Google一路苦追，調整組織、發力裁員，這是見自己。
多年累積的通路資產和技術量能，讓Gemini Pro成為強大引擎，對抗任何人都不遜色，可以見天地。
在企業端的商業應用，以及工作場景的生產力應用，現在逐步滲透到日常生活中，即將要見眾生。
