在近日的一档播客节目中，谷歌 DeepMind 的首席执行官米斯・哈萨比斯（Demis Hassabis）表示，谷歌计划最终将其 Gemini 人工智能模型与视频生成模型 Veo 结合，以提升 Gemini 对物理世界的理解。他指出，Gemini 从一开始就是为了多模态设计的，目的是实现一个 “通用数字助手”，这种助手能够在现实世界中真正帮助用户。
哈萨比斯提到，AI 行业正逐渐朝着 “全能” 模型的方向发展，这些模型能够理解和合成多种媒体形式。例如，谷歌最新的 Gemini 模型不仅可以生成文本和图像，还能生成音频。而 OpenAI 在 ChatGPT 中的默认模型也已经能够原生创建图像。此外，亚马逊也宣布将在今年推出一款 “任何到任何” 的模型。
实现这些全能模型需要大量的训练数据，包括图像、视频、音频和文本等。哈萨比斯暗示，Veo 模型的训练数据主要来自谷歌拥有的 YouTube 平台。他表示，通过观看大量 YouTube 视频，Veo2能够学习到世界的物理规律。
谷歌此前曾表示，其模型 “可能” 会根据与 YouTube 创作者的协议，从 “部分” YouTube 内容中进行训练。报告显示，谷歌去年扩展了其服务条款，以便能够获取更多数据来训练其人工智能模型。这一策略表明，谷歌正在积极寻求提高其 AI 技术的能力，以满足市场需求。
随着人工智能技术的快速发展，谷歌的这一计划也反映了业界对多模态 AI 的重视和未来可能的发展方向。结合 Gemini 和 Veo 的模型，将有助于为用户提供更丰富的互动体验，使人工智能能够更好地融入日常生活中。
划重点:
- 🤖 谷歌计划将 Gemini 与 Veo AI 模型结合，以提升对物理世界的理解。
- 🎥 Veo 模型的训练数据主要来自 YouTube，利用大量视频学习物理规律。
- 🌐 AI 行业正在向多模态 “全能” 模型发展，以满足日益增长的市场需求。
