公司里程碑与成就 - Google DeepMind首席执行官Demis Hassabis于2025年10月登上《时代周刊》TIME100年度榜单封面[1] - DeepMind在2014年被Google以约4亿英镑（约合6.5亿美元）收购[6] - 2015年至2016年，DeepMind的AlphaGo程序击败欧洲围棋冠军和世界冠军李世石[6] - 2020年，DeepMind推出AlphaFold系统，以接近实验测定的精度预测出数十万种蛋白质的三维结构，攻克了持续50余年的科学难题[6] - AlphaFold成果荣获2024年诺贝尔化学奖，并被《自然》杂志评为当年“最具影响力的科学成就”之一[6][9] 公司战略与技术方向 - 公司正推动AI研究从通用智能的概念探索转向以科学发现为核心的“AI for Science”战略[10] - 研究重点从“智能是否能像人一样思考”转向“智能能否加速科学发现”，专注于生命科学、材料设计、气候建模和能源优化等领域的长期价值[10] - 伴随AlphaFold 3的推出，公司启动了“AI for Science Grand Challenge”计划，试图用通用模型跨学科解决基础科学问题[10] - 2025年公司推进发布Gemini 2.5，其性能在多项评测中超越OpenAI和Anthropic的同类模型[11] - 由Gemini驱动的通用数字助理Project Astra被视为下一阶段的关键工程[11] 行业观点与AGI展望 - 对于AGI的实现时间，公司首席执行官预计仍需要5至10年的发展，认为真正的AGI应当具备在有限信息下推导出新自然规律的科学发现能力[11] - 公司首席执行官认为，如果AGI技术得以实现，全球围绕稀缺资源的冲突将逐渐消散，有望迎来一个和平与富足的新时代[9] - 公司首席执行官强调，AGI研究绝非为了取代人类，目标是开启一个资源更充足、知识持续增长的“非零和”未来社会[11] 行业争议与挑战 - 部分媒体质疑2024年诺贝尔化学奖授予AI研究成果，指出AI方法的复杂性和透明度欠缺问题[12] - 有批评认为，诺贝尔奖对商业主体的褒扬为时尚早，可能掩盖AI技术日益集中于少数科技巨头手中的事实[15] - 自2023年起，公司“不参与军事项目”的承诺被调整，部分与军方或国防相关的合作重新出现，引发内部员工和公众质疑[16] - 据报道，至少有200名公司员工在2025年5月16日内部提交信件，反对与军事和武器制造的关联[16] - 外界批评认为，在消费者维度的竞争压力下，公司主页上关于医疗保健和气候方面的信息已消失，这动摇了其早期“以科学为本”的立场[19]

文章核心观点 - 具身智能已成为全球新焦点 打造通用本体和大脑是创业公司、资本和产业界高度关注的突破方向[2] - 文章旨在全面梳理具身大脑领域国内外知名公司 分析其技术特点、产品布局和应用场景 为行业提供全景图[2] - 重点关注开发机器人"大脑"系统的企业 包括具身大模型、多模态感知决策系统等[3] 国内公司分析 自变量机器人 - 公司成立于2023年 聚焦"通用具身大模型"研发 以真实世界数据为主要来源构建具备精细操作能力的通用机器人[6] - 技术路线偏向"大脑" 坚持走端到端的具身通用大模型路线 成立不到两年已完成8轮融资[6] - 代表成果包括2024年10月推出的WALL-A模型 为全球目前最大参数规模的具身智能通用操作大模型Great Wall系列成员 能整合视觉、语言与运动控制信号实现感知到执行完整闭环[6] - 另一成果为开源具身智能基础模型Wall-OSS 具备强大泛化性和推理能力[6] 星海图 - 公司于2023年9月成立 专注于提供智能导航等大脑相关技术方案 坚持"一脑多形"理念[6] - 通过构建环境地图、路径规划等功能 为机器人在复杂环境中自主行动提供支持[6] - 代表成果为具身基础模型EFM-1 采用"快-慢双系统"模型架构 实现从感知理解到控制的闭环决策[6] 优必选 - 公司成立于2012年 是全球人形机器人商业化领导者 拥有全栈自研能力包括运动控制、关节模组、AI-Embodied系统等[10] - 作为国内人形机器人领域标杆企业 已在全球市场建立广泛品牌影响力和市场份额[10] - 代表成果为2025年自主研发的百亿参数基座多模态大模型Thinker 在机器人感知与规划领域三大国际权威基准测试中斩获四项全球第一[10] - 技术成果包括3D扩散策略DP3 仅需10次人类演示即可让机器人学会复杂操作任务 真实场景成功率高达85%[10] - 空间智能引擎RSR为全球首个real2sim2real引擎 实现低成本三维环境重建与仿真训练[10] 智元机器人 - 公司成立于2023年2月 聚焦AI与机器人深度融合 致力于打造世界级领先的通用具身智能机器人产品及应用生态[10] - 代表成果为2025年3月发布的智元启元大模型 基于Vision-Language-Latent-Action架构 融合多模态大模型与混合专家技术[10] - 该模型具有小样本快速泛化能力 任务成功率较市面模型提升32% 支持"一脑多形"的跨本体应用[10] - "具身智脑"分层系统包括云端超脑、大脑、小脑、脑干等部分 形成完整控制体系[10] 银河通用 - 公司成立于2023年5月 为核心技术与产品构建了三大技术壁垒 在合成数据驱动的多模态大模型方面自主研发全球首个"通用具身大模型"[10] - 采用"大脑+小脑"协同框架[10] - 代表成果包括全球首个端到端具身抓取基础大模型GraspVLA 展示无需大规模真实数据、仅通过合成数据达到基础模型预训练的能力[14] - GroceryVLA模型为首款面向零售商业化的端到端大模型 支持复杂零售场景下的精准商品识别与取送[14] - TrackVLA为产品级纯视觉端到端导航大模型 支持自然语言指令驱动 具备零样本泛化能力[14] 千寻智能 - 公司成立于2024年 为国内领先的AI+机器人全栈生产力级技术能力的具身智能公司 团队成员来自顶尖高校和知名企业[14] - 代表成果为Spirit V1 VLA模型 是国内首个攻克柔性物体长程操作难题的AI模型 通过视觉-语言-动作融合实现自然语言指令驱动的复杂任务[14] 星动纪元 - 公司由清华大学交叉信息研究院孵化 研发具身智能以及通用人形机器人技术和产品 聚焦通用人工智能前沿应用[14] - 代表成果为端到端原生机器人大模型ERA-42 是国内首个端到端原生具身大模型 支持机器人完成超过100种动态任务[14] - 该模型通过视频训练快速学习技能 降低数据采集成本 实现跨任务、跨本体迁移[14] 逐际动力 - 公司聚焦具身智能机器人研发与制造 围绕本体硬件设计制造、基于强化学习的全身运动控制、具身大脑训练范式三大核心技术构建具身Agent开发工具链[14] - 代表成果包括LimX VGM具身智能操作算法 利用视频生成技术推动具身大脑突破[14] - LimX DreamActor为全新具身智能训练范式 首次实现Real2Sim2Real、模仿学习和真机强化学习的深度结合[15] 穹彻智能 - 公司聚焦"以力为中心"的具身智能大模型和相关基础设施研发 为不同行业提供通用机器人智能解决方案[18] - 穹彻具身大脑结合先进算法和数据支持 具备指令推理、任务规划、物体分类、环境感知、自主导航等全闭环能力[18] - 代表成果穹彻具身大脑由实体世界大模型和机器人行为大模型组成 Noematrix Brain 2.0新增实体概念学习能力 支持3D模仿学习框架和视-触觉融合网络[18] 智源研究院 - 成立于2018年11月 核心目标是聚焦人工智能原始创新和核心技术 推动人工智能理论、方法、工具、系统和应用取得变革性、颠覆性突破[18] - 代表成果RoboBrain 2.0是新一代具身视觉-语言基础模型 以70亿和320亿参数的两种规格实现感知、推理与规划能力统一[18] 国外公司分析 Figure AI - 公司成立于2022年 总部位于美国硅谷 致力于开发具备人工智能能力的人形机器人以解决劳动力短缺、危险工作环境和老龄化社会等问题[21] - 代表成果Helix为通用视觉-语言-动作模型 采用独特"双系统"AI架构模仿人类"直觉"和"思考"的认知模式[21] Physical Intelligence - 公司成立于2023年1月 为美国具身大脑初创公司 专注于开发能为各类机器人和机器添加高级智能的软件[24] - 目标创建通用机器人系统的人工智能 将用于构建语言模型的技术与控制和指导机器的技术相结合[24] - 代表成果包括2024年10月31日发布的首个机器人通用基础模型π0 以及近期新开源的π0.5模型 后者采用"知识隔离"训练方法提升开放世界场景泛化能力[24] 谷歌DeepMind - 由DeepMind和Google Brain于2023年合并而成 聚焦通用人工智能研究 致力于开发能理解和适应物理世界的智能系统[24] - 代表成果Gemini Robotics基于Gemini 2.0的视觉-语言-动作模型 可直接控制机器人执行复杂任务 具备通用性、交互性和灵巧性[24] - Gemini Robotics-ER专注于具身推理 Project Astra为概念AI助理 集成Gemini技术通过摄像头和传感器理解物理环境[24] 英伟达 - 全球领先图形处理器设计公司 已发展为涵盖芯片设计、系统平台、软件生态、云计算服务、人工智能解决方案的全栈计算公司[24] - 代表成果Eureka系统基于GPT-4打造 可自动训练实体机器人动作指令 支持30余种复杂动作 具备零样本生成、编写代码和语境改进等能力[24] - GR00T N1开源模型采用双系统架构 包括快速反应的"系统1"和认知决策的"系统2" 实现接近人类运动控制能力[25] Skild AI - 美国领先机器人"大脑"研发企业 目标研发通用机器人操作系统 帮助机器人理解不同应用场景并驱动机器人自主实现智能精细化操作[28] - 代表成果Skild Brain通过摄像头图像和关节反馈直接控制机器人动作 采用分层架构适用于各种四足机器人、人形机器人、桌面机械臂、移动机械手等[28] Covariant - 专注于为机器人构建基础AI模型的公司 技术依赖于机器人与现实世界的交互产生的体验和反馈[28] - 代表成果RFM-1为世界上首个基于真实任务数据训练的机器人大模型 是参数80亿的transformer模型 支持任何模态输入、预测任何模态输出[28] 知名团队研究 - Meta和CMU联合打造RoboAgent 核心在于多任务动作分块Transformer架构 通过在现有机器人经验基础上创建多样化语义增强集合来倍增离线数据集[30] - Stanford李飞飞团队VoxPoser核心思想是利用VLM和LLM常识知识 借助模型生成代码将常识知识映射到三维空间供运动规划器使用 实现零样本合成日常操纵任务轨迹[30]

文章核心观点 - 具身智能已成为全球焦点 重点关注开发机器人"大脑"系统的企业 包括具身大模型和多模态感知决策系统 [2][3] 国内公司技术布局 - 自变量机器人聚焦通用具身大模型研发 采用端到端技术路线 成立不到两年完成8轮融资 [4][6] - 星海图专注于智能导航技术 坚持"一脑多形"理念 开发具身基础模型EFM-1采用快-慢双系统架构 [5][6] - 优必选拥有全栈自研能力 Thinker大模型在三大国际权威基准测试中斩获四项全球第一 [7][10] - 智元机器人发布启元大模型 采用VILLA架构 任务成功率较市面模型提升32% 支持跨本体应用 [8][10] - 银河通用构建三大技术壁垒 自主研发全球首个通用具身大模型 采用大脑+小脑协同框架 [9][10] - 千寻智能开发Spirit V1 VLA模型 国内首个攻克柔性物体长程操作难题的AI模型 [11][14] - 星动纪元研发端到端原生机器人大模型ERA-42 支持机器人完成超过100种动态任务 [12][14] - 逐际动力聚焦本体硬件设计制造 基于强化学习的全身运动控制和具身大脑训练范式 [13][14] - 穹彻智能开发Noematrix Brain 2.0 新增实体概念学习能力 支持3D模仿学习框架和视-触觉融合网络 [15][17] - 智源研究院推出RoboBrain 2.0 以70亿和320亿参数规格实现感知 推理与规划能力统一 [16][17] 国外公司技术突破 - Figure AI开发Helix模型 采用独特双系统AI架构模仿人类直觉和思考认知模式 [18] - Physical Intelligence发布π0通用机器人基础模型 采用预训练+后训练模式 π0.5采用知识隔离训练方法提升泛化能力 [19][22] - 谷歌DeepMind推出Gemini Robotics系列 具备通用性 交互性和灵巧性 Project Astra体现具身智能在人机交互应用 [20][22] - 英伟达开发Eureka系统基于GPT-4打造 支持30余种复杂动作 GR00T N1采用双系统架构实现接近人类运动控制能力 [21][26] - Skild AI研发Skild Brain分层架构 适用于各种四足机器人 人形机器人和移动机械手 [23][26] - Covariant开发RFM-1模型 参数80亿 是世界首个基于真实任务数据训练的机器人大模型 [24][26] 知名研究团队贡献 - Meta和CMU联合打造RoboAgent 采用多任务动作分块Transformer架构恢复高性能策略 [25][26] - 斯坦福李飞飞团队开发VoxPoser 利用VLM和LLM常识知识实现零样本机器人操纵 [25][26]

代理人工智能的核心价值 - 代理人工智能被视为比生成式人工智能更具潜力的新兴技术 能够显著加速生产力并转变业务运营 [1] - 代理人工智能标志着人工智能从被动的内容生成器进化为主动的任务执行者 代表根本性飞跃 [16] - 代理人工智能正从工具向真正的合作伙伴和数字劳动力转变 形成智能生态系统 [5][6] 智能体的定义与进化路径 - 智能体与生成式人工智能的根本区别在于：生成式人工智能是知识渊博的"大脑" 而智能体是具备"手和脚"的行动者 [4] - 智能体被赋予高级能力 能够自主理解、规划、调用工具并与环境交互以实现目标 [4] - 智能体进化分为四个阶段：L1级聊天助手、L2级工作流智能体、L3级推理型智能体、L4级多智能体系统 当前竞争最激烈的是L4级系统 [4] 全球科技巨头布局 - 微软实施"无处不Copilot"战略 将智能体深度集成到Windows、Office 365、Teams和Azure中 使其能处理复杂指令并自主完成跨应用任务 [8] - 谷歌通过Project Astra计划开发多模态通用AI代理 具备看、听、说、记忆和理解复杂情境的能力 并为企业提供Vertex AI Agent Builder工具 [10] - OpenAI将智能体视为实现通用人工智能的关键路径 正在研发能自主操作计算机桌面环境和使用软件的下一代智能体 [11] - NVIDIA作为智能体军火商 提供GPU算力和NIM等开发工具 甚至通过GR00T项目将智能体能力延伸至物理世界 [12] - 中国科技公司如百度、360已推出能处理复杂任务的多智能体平台 显示全球同步发展态势 [12] 行业应用场景 - 智能体将颠覆各行各业 成为不知疲倦、能力超强的数字员工 [13] - 在客服领域 智能体将获得更大自主权 能像真人一样调取资料并解决问题 [13] - 在仓储管理领域 智能体可24小时监控库存并自主重新安排发货路线 [13] - 在编程领域 智能体能处理繁琐重复的编程工作 包括编写新功能、检查代码和实时抓Bug [13] - 在数字孪生领域 智能体可分析数据、模拟机器运转并预测故障 甚至组团安排维修 [13] 发展挑战与实施建议 - 智能体面临互操作性挑战 缺乏统一标准和接口导致跨平台合作不畅 [15] - 网络安全成为直接挑战 需要部署安全智能体战队应对自动化攻击 [14] - 专家建议谨慎但立即开始探索 通过小型试点项目让智能体获得"数字化实践钥匙"并积累经验 [16]

字节跳动AI视频交互功能升级 - 字节跳动旗下AI智能助手"豆包"App上线视频通话功能，基于视觉推理模型支持联网搜索[2] - 新功能展示出持续记忆和逻辑推理能力，在识别水果成熟度等日常场景表现突出[2] - 大模型算法工程师评价豆包视频理解与语音交互能力在中文语境处于第一梯队[2] 豆包视觉理解模型技术细节 - 火山引擎总裁谭待去年12月发布豆包视觉理解模型，具备内容识别、理解、推理等能力[3] - 新模型经过5个月开发实现实时视频通话功能[3] - 功能支持四大生活场景：花草识别、博物馆讲解、书籍推荐、食材搭配[5] 功能实测表现 - 在水果挑选测试中能通过表皮颜色、饱满程度等指标给出建议[5] - 展现出色记忆能力，能记住镜头一闪而过的书籍并准确回忆[6] - 结合实时搜索功能可对书籍内容、作者生平进行自然延伸讨论[6] 行业竞争格局 - 国内"智谱清言"App于2024年8月率先推出C端视频通话功能[7] - OpenAI的GPT-4o和谷歌Project Astra均具备实时语音视频交互能力[7] - Web端AI智能助手总访问量4月份首次出现下降，显示行业进入新阶段[9] 商业化前景 - 豆包通过抖音生态快速触达用户，3月接入抖音后关注度提升[9] - 可与抖音内容审核AI结合识别违规短视频内容[9] - AI视频交互在虚拟人直播、视频归纳总结等场景应用前景广阔[9] - AI眼镜等新硬件可能成为未来重要应用载体[9]

微软Build 2025大会 - 核心战略聚焦开放代理网络（Open Agentic Web），构建AI智能体在个人、组织及业务流程中的协同体系[1][3] - 推出四类关键工具：开发环境（Windows/Azure AI Foundry）、效率提升（GitHub Copilot支持1500万开发者）、载体（Teams升级）、网络连接（MCP协议与NLWeb概念）[4][5][6][7] - 类比AI发展阶段为1991年Win32级别，强调B端布局而非C端爆发[3] Google I/O开发者大会 - 以Gemini为核心打造AI操作系统雏形，CEO提出"Gemini时代"概念[1][8] - 模型能力显著升级：Gemini 2.5 Pro、视频模型Veo 3、生图模型Imagen 4获正面评价[8] - C端产品深度整合：AI搜索覆盖全美用户，Gemini App月活超4亿，扩展至Android XR/手表/汽车等硬件[9][10] 中美科技公司AI战略对比 - 国内巨头（阿里/腾讯/字节）尚未形成统一战略旗帜，布局分散[2][12] - 阿里侧重to B生态构建（大模型+云服务），但C端依赖夸克转型[12] - 腾讯模仿Google路径改造C端产品（如QQ浏览器），但模型能力弱于Gemini[13] - 字节积极布局多模态与硬件，缺乏to B生态基础[13] 行业趋势 - AI进入应用落地阶段：微软通过基础设施赋能开发者，Google通过系统化改造直接服务C端[12] - 协议标准化成为关键：微软MCP协议定位为"AI时代的HTTP"，NLWeb类比HTML[6][7] - 开发者生态竞争加剧：GitHub Copilot用户达1500万（占GitHub总用户10%）[5]

AI大模型与产品发布 - Gemini 2.5 Pro确认6月上线，号称世界最智能AI模型，ELO基准测试1448分，在USAMO 2025、LiveCodeBench、MMMU等测试中领先Gemini 2.5 Pro [2] - Gemini 2.5 Flash为轻量级模型，效率提升22%，Token使用减少20%-30% [2] - 新增文本转语音能力，支持丰富细节如窃窃私语，适合影视配音 [4] - 推出文本扩散模型Gemini Diffusion，在编程和数学领域表现更优 [4] - Project Mariner（原Jarvis）为可操作浏览器/软件的AI智能体，能监督10个同时任务并通过用户操作学习 [4] AI应用与商业化 - AI搜索新增图表生成、票务查找、视频/地图展示等功能，月活用户达15亿 [1][4] - 智能购物功能支持衣物虚拟试穿，提升购物体验 [6] - 发布文生图模型Imagen 4，生成速度提升3-10倍，分辨率2K，支持复杂物体细节 [6] - 视频生成模型Veo 3首次支持带音频视频，物理模拟和口型同步效果突出 [7] - 内容创作应用Flow整合Veo、Imagen、Gemini，支持文字/素材生成视频，B端定价AI Pro 19.99美元/月，AI Ultra 249.99美元/月 [8][10] XR平台与设备 - 安卓XR平台获数百家软件商支持，首款设备三星Project Moohan搭载骁龙XR2 Plus Gen 2，独立运行，2025年发售 [11] - 第二款设备Xreal Project Aura为首款安卓XR AR眼镜，支持OST/VST透视 [11] - 平台集成Gemini，支持自然语言交互如信息查询、实时导航 [12] - 统一生态降低开发者适配成本，Gemini优化交互逻辑实现"全场景可见即可说" [20] 安卓系统更新 - Wear OS 6引入Material 3设计语言，适配圆形屏幕，新增动态色彩主题和表盘API [21] - 安卓16主打Live Updates功能，显示导航/外卖/网约车状态进度条 [21][23] - 支持桌面模式，升级安全性/UI/相机/大屏适配等 [24] - 全能AI助手Project Astra可主动制定解决方案，基于Gemini Nano视觉识别跨应用操作 [24] 行业趋势与挑战 - AI行业进入能力变现期，谷歌侧重应用场景落地以增强营收 [10] - AI/XR头部企业短期难盈利，数据中心建设投入将持续高于营收 [27] - XR生态建设需数年，性能/续航依赖芯片和电池技术突破 [27] - 更多眼镜品牌如Gentle Monster、Warby Parker加入安卓XR生态，有望降低设备成本 [27]

Gemini系列产品更新 - Gemini Ultra订阅服务在美国推出 月费249 99美元 包含Veo 3视频生成器 Flow视频剪辑工具及Gemini 2 5 Pro的Deep Think模式等高级AI功能 [1][2] - Gemini 2 5 Pro新增Deep Think模式 通过综合多个答案提升推理能力 目前仅向受信测试者开放API [3] - Gemini应用月活跃用户突破4亿 Gemini Live新增摄像头与屏幕共享功能 支持近实时语音互动及手机画面共享 [6][7] - Gemini将整合进Chrome浏览器 作为AI浏览助手 Gemma 3n模型支持多模态处理 周二起开启预览 [14] AI视频与图像生成技术 - Veo 3视频生成AI可生成音效 背景噪音及配音对白 画质优于前代 仅限Gemini Ultra用户使用 [4] - Imagen 4图像生成AI速度提升 支持2K分辨率及精细细节渲染 未来版本速度将比Imagen 3快十倍 [5] - Veo 3与Imagen 4共同支撑视频创作工具Flow的核心功能 [5] 开发者工具与平台 - Stitch AI工具可通过自然语言或图片生成UI元素及前端代码 提供较高自定义空间 [8] - Project Mariner AI代理支持同时处理近十项任务 可代用户完成在线购物等操作 [9] - 安卓Studio集成Gemini 2 5 Pro 新增Journeys开发流程与Agent Mode自动化功能 [17] 硬件与操作系统 - Wear OS 6引入统一字体设计 Pixel Watch支持主题色同步 提供开发者设计指南与Figma模板 [15] - Beam 3D视频会议系统实现毫米级头部追踪与60帧/秒传输 结合Google Meet支持AI实时语音翻译 [12] 搜索与办公应用 - AI Mode实验性搜索功能支持复杂多段式提问 提供服饰试穿功能 夏季将推出基于视觉的Search Live [11] - Gmail Docs和Vids获AI办公更新 Gmail新增智能回复与收件箱清理 NotebookLM新增视频概览功能 [14] 谷歌生态整合 - Project Astra多模态AI项目将支持搜索 Gemini应用及第三方产品 正与三星等合作开发智能眼镜 [10] - Google Play为开发者新增订阅管理 内容预览等工具 美国用户可访问影视主题应用浏览页面 [16]

纪要涉及的公司和行业 - **公司**：Alphabet（旗下Google）、HP、Automation Anywhere、UiPath、Zillow、Aira、Gentle Monster、Warby Parker、Walmart、Red Cross、Waymo - **行业**：人工智能、视频通信、搜索、软件开发、机器人、科学研究、影视制作、时尚购物、卫星监测、无人机配送、自动驾驶 纪要提到的核心观点和论据 人工智能模型进展 - **模型性能提升**：自第一代Gemini Pro以来，Elo分数提升超300点，Gemini 2.5 Pro在多个基准测试中表现出色，在WebDevArena上超越前版本42 Elo点，在LM Arena排行榜上占据前三 [3]。 - **应用广泛且受欢迎**：在顶级编码平台受青睐，在Cursor上是年度增长最快的模型，每分钟生成数十万行被接受的代码；Gemini应用月活用户超4亿，2.5 Pro版本使用量增长45% [4][8]。 - **基础设施强大**：第七代TPU Ironwood性能是上一代的10倍，每个端口计算能力达42.5 hexaflops，将为Google Cloud客户提供服务，助力模型输出更快且价格下降 [5][6]。 - **处理能力飞跃**：过去一年，每月处理的令牌数量从9.7万亿增长到480万亿，增长约50倍 [7]。 - **开发者采用率高**：超700万开发者使用Gemini API进行开发，自上次IO以来增长超5倍，Vertex AI上的Gemini使用量增长超40倍 [8]。 产品创新与应用 - **视频通信平台Google Beam**：基于Project Starline技术，将二维视频流转化为逼真的三维体验，与HP合作，今年晚些时候为早期客户提供设备 [12][13]。 - **实时语音翻译**：在Google Meet中引入，英语和西班牙语翻译已面向订阅用户开放，未来几周将推出更多语言，企业版将于今年晚些时候推出 [20]。 - **Project Astra融入产品**：Gemini Live具备其相机和屏幕共享功能，可用于多种场景，如工作面试练习、马拉松训练等，今日起在Android和iOS上向所有人推出 [21][31]。 - **Project Mariner进展**：引入多任务处理，可同时处理10个任务，具备“教与重复”功能，其计算机使用能力将通过Gemini API提供给开发者，今年夏天更广泛可用 [33]。 - **Gemini应用新功能**：推出实验性的代理模式，可帮助用户查找公寓、安排参观等；个性化智能回复功能将在今年夏天在Gmail中面向订阅用户推出 [35][41]。 模型更新与优化 - **Gemini 2.5 Flash更新**：在推理、代码和长上下文等关键基准测试中表现更好，仅次于2.5 Pro，6月初全面可用，专业版随后推出，可在AI Studio、Vertex AI和Gemini应用中试用预览版 [46]。 - **文本转语音改进**：引入新的预览版，支持多语音，可在24种以上语言间切换，今日起可在Gemini API中使用 [50][53]。 - **安全与透明度增强**：加强对间接提示注入等安全威胁的防护，通过Gemini API和Vertex AI提供思想摘要，提高模型透明度 [57]。 - **效率提升**：2.5 Flash效率提高22%，并将思维预算功能引入2.5 Pro，用户可控制成本、延迟和质量 [58][59]。 前沿研究与探索 - **DeepThink模式**：为2.5 Pro引入新的DeepThink模式，在数学和编码基准测试中表现出色，目前正在进行前沿安全评估，将先提供给可信测试人员 [72][73]。 - **世界模型探索**：努力将Gemini扩展为世界模型，使其能够模拟世界、制定计划和想象新体验，相关能力已在一些方面显现，如Genie 2模型可生成三维模拟环境 [76]。 - **机器人应用**：微调专门的Gemini Robotics模型，教机器人执行有用任务，可在AI沙箱中体验 [78]。 搜索产品升级 - **AI概述成功**：自去年IO推出以来，每月用户规模扩大到超15亿，在200多个国家和地区使用，推动视觉搜索增长65%，在主要市场推动相关查询增长超10% [103][104]。 - **AI模式推出**：全新的AI搜索体验，具备更高级的推理能力，可处理更长、更复杂的查询，今日起在美国面向所有人推出，本周将引入Gemini 2.5模型 [105][107]。 - **个性化与深度研究**：今年夏天将引入个人上下文功能，提供个性化建议；还将引入深度搜索功能，可生成专家级、全面引用的报告 [115][118]。 - **复杂分析与可视化**：今年夏天将为体育和金融问题提供复杂分析和数据可视化功能 [123]。 - **代理能力集成**：将Project Mariner的代理能力集成到AI模式中，可帮助用户完成任务，如查找活动门票、预订餐厅等 [124]。 - **多模态搜索升级**：将Project Astra的实时功能引入AI模式，实现搜索实时功能，用户可通过相机与搜索进行实时交互 [129][130]。 - **购物体验创新**：提供视觉购物灵感，推荐个性化产品；引入虚拟试穿功能和代理结账功能，提升购物体验 [146][156]。 创意工具与媒体生成 - **Gemini应用新特性**：推出五项新功能，包括免费的Gemini Live，具备相机和屏幕共享功能；深度研究可上传文件；Canvas可进行协同创作；Gemini in Chrome可在浏览网页时提供帮助；引入Imagine 4图像生成模型和VO 3视频生成模型 [167][187]。 - **音乐创作工具**：与音乐家合作开发Music AI Sandbox，推出Lyria 2音乐生成模型，可生成高保真音乐和专业级音频 [188][191]。 - **合成内容检测**：继续创新合成内容检测技术，扩展Synth ID水印嵌入和检测功能，新的Synth ID检测器开始向早期测试人员推出 [192][193]。 - **影视制作工具**：与导演合作探索VIO作为影视制作工具，推出新的AI影视制作工具Flow，结合Vio、Imagine和Gemini的优势 [194][211]。 订阅计划升级 - **Google AI Pro**：全球可用，提供全套AI产品，具有更高的速率限制和特殊功能 [221]。 - **Google AI Ultra**：面向开拓者和先锋用户，提供最高速率限制、最早访问新功能和产品，今日在美国推出，即将全球推广 [222]。 Android平台与AI融合 - **Android更新**：上周在Android展上推出Android 16和Wear OS 6的全新设计和重大更新 [224]。 - **Gemini集成**：Gemini将很快集成到Android设备中，包括手表、汽车仪表盘和电视，还将通过Android XR平台支持多种新兴设备 [225][226]。 - **Android XR体验**：与三星合作开发，支持头戴式设备和眼镜，Gemini可在这些设备上提供更丰富的上下文理解和帮助，三星的Project Moohan头戴式设备今年晚些时候上市，眼镜原型已供可信测试人员使用，今年晚些时候可开始开发 [228][230][265]。 其他重要但是可能被忽略的内容 - **AI助力社会公益**：与合作伙伴构建Firesat卫星星座，利用多光谱卫星图像和AI提供近实时火灾洞察，首颗卫星已在轨；在飓风Helene期间，Wing与Walmart和Red Cross合作，通过无人机提供救灾物资 [269][270]。 - **用户体验与反馈**：分享了盲人用户对Project Astra的期待和使用体验，展示了AI在无障碍领域的潜力 [93][100]。 - **AI排行榜**：Gemini在AI计数器排行榜上领先，得分95 [267]。