谷歌将于本月底推出可实时分析视频画面、协助用户完成任务的未来型AI智能体(助手)“阿斯特拉项目”。分析认为,比理解图片和语音更进一步的阿斯特拉将强化谷歌的平台竞争力。随着阿斯特拉出击,可能决定平台存亡的下一代AI助手研发竞争预计将愈发激烈。
据信息技术(IT)业界8日消息,谷歌在3日(当地时间)于西班牙巴塞罗那举行的“世界移动通信大会(MWC)2025”上,展示了AI助手“Gemini Live”可识别动态画面和视频并与用户对话的功能。该功能将于本月底面向安卓设备上的“Gemini Advanced”用户提供。这意味着谷歌此前公布的“阿斯特拉项目”即将推出。
阿斯特拉是一项像人一样观看、聆听并通过语音对话、充当用户私人助理的AI功能。阿斯特拉不仅能用多种语言对话,还具备理解各种口音乃至生僻词汇的自然对话能力。它可以调用谷歌搜索、谷歌Lens、谷歌地图等多种功能。例如,在观看法国巴黎的埃菲尔铁塔时可以听到韩语讲解。此外,拍摄半成品料理包上的烹饪说明并询问“这道菜要怎么做?”,AI会立即总结烹饪方法并用语音进行讲解。阿斯特拉可记住最长10分钟的对话内容,并基于过往对话提供个性化体验。谷歌DeepMind首席执行官(CEO)戴米斯·哈萨比斯去年12月表示:“Gemini 2.0凭借多种功能的组合、更自然的交互、更快的响应速度以及处理复杂任务的能力,提供了全新层次的智能体型基础体验。”
分析认为,随着谷歌推出装上“眼睛”的AI助手,其攻占AI市场的速度将进一步加快。因为不仅是语音,还能理解视觉信息并实现多样交互,应用可能性大幅拓展。阿斯特拉将搭载于Samsung Electronics(005930)的Galaxy S25系列。此外,还计划在眼镜形态的设备上实现阿斯特拉,也有可能搭载于Samsung Electronics、谷歌和高通共同开发的“Project Moohan”。近期谷歌还在为探索与Kakao Healthcare合作方案而举办的“AI创新日”活动上介绍了阿斯特拉,因为它可扩展应用到包括医疗健康在内的多种产业。谷歌CEO桑达尔·皮查伊强调:“通过多模态的新进展,我们得以更接近谷歌‘通用助手’的愿景。”
预计抢占通用AI助手市场的竞争将愈发激烈。由于下一代AI助手被视为未来IT主导权之争中的核心武器,科技企业正全力投入该技术研发。Meta已在智能眼镜“雷朋Meta”中搭载AI,用户若要求解释眼前所见之物,AI会实时作答。OpenAI去年5月推出了不仅能处理文本,还能处理图像、语音等多种形式输入的AI模型“GPT-4o”,即一个AI模型即可分析多种形式的输入。例如把数学题拍照上传,AI会用语音进行讲解。中国的DeepSeek也推出了既能理解视觉信息又能生成图像的“Janus”。
在韩国企业中,正在开发视频理解AI的Twelve Labs被评价为引领业界。因为它拥有可通过视觉、听觉等多种感官获取信息的AI原创技术实力,应用可能性无穷。Twelve Labs近期公开了下一代视频语言生成AI模型Pegasus 1.2。与此前版本相比,该模型强化了同时分析视频画面与语音并转换为文本的能力,并提高了精度,可处理从短视频到长达一小时的长视频等各种长度的影像。Twelve Labs强调,该模型的响应速度快于GPT-4o和谷歌Gemini 1.5 Pro,以更低成本提供优于大型科技公司AI的性能。英伟达、Samsung Electronics的企业风险投资(CVC)三星Next、Snowflake、Databricks、SK电讯(017670)等大型科技企业看中Twelve Labs的技术实力接连投资,引发热议。迄今为止Twelve Labs获得的投资金额达1.07亿美元(约1530亿韩元)。






