2025 年 Google I/O 大会首日以 “从研究到现实（From research to reality）” 为主题，重点聚焦 AI 生态。第一天发布了大量的 AI 相关的强的不得了的功能，让人目不暇接，可以说是脚踢 OpenAI，吊打 Claude 和 Perplexity 这一帮 AI 新秀了，老大哥的技术底蕴还是够强。话不多说，让我们快看一些到底发布了哪些内容吧。

Gemini 2.5 模型更新

Gemini 2.5 Pro 已成为编码和学习领域的领先模型，而 2.5 Flash 则在效率和速度方面得到显著优化。此次更新引入了多项新能力，包括实验性的高级推理模式 Deep Think 、原生的音频输出、计算机使用功能以及增强的安全防护。

Gemini 2.5 Pro 性能提升：

  • 在 WebDev Arena 编码排行榜上以 ELO 分数 1415 排名第一。
  • 在 LMArena 的所有排行榜上均表现出色，评估结果显示人类偏好度高。
  • 拥有 1 百万- token 上下文窗口，在长上下文和视频理解方面达到领先水平。
  • 整合 LearnLM 后，成为学习领域的领先模型，在教育专家评估中优于其他模型。

Deep Think （2.5 Pro 的实验性模式）：

  • 一种增强推理模式，通过考虑多个假设来回应。
  • 在 2025 USAMO （数学基准）上获得高分。
  • 在 LiveCodeBench （竞赛级编码基准）上领先。
  • 在 MMMU （多模态推理）上得分 84.0 %。
  • 将首先通过 Gemini API 提供给可信测试者进行安全评估。

Deep Think 模式

Gemini 2.5 Flash 改进（0520版本）：

  • 定位为最高效的工作模型，注重速度和低成本。
  • 在推理、多模态、代码和长上下文等关键基准上均有提升。
  • 效率更高，评估显示使用 20 - 30 % 更少的 tokens 。
  • 已在 Google AI Studio 、 Vertex AI 和 Gemini app 中提供预览，预计 6 月初全面上市。

Gemini 2.5 Flash 改进

Gemini 2.5 新功能：

原生音频输出和 Live API ：

  • Live API 引入了音视频输入和原生音频输出对话的预览版，支持更自然、富有表现力的对话体验。
  • 允许用户控制模型的语调、口音和说话风格，并支持工具使用。
  • 早期功能包括： Affective Dialogue （情感检测）、 Proactive Audio （忽略背景对话并适时回应）和 Thinking in the Live API （利用思维能力处理复杂任务）。
  • 2.5 Pro 和 2.5 Flash 新增文本转语音预览，首次支持多说话人（双语音）。
  • 文本转语音功能富有表现力，能捕捉细微差别（如耳语），支持超过 24 种语言。

计算机使用（ Project Mariner ）：

  • 其能力已整合到 Gemini API 和 Vertex AI 中。
  • Automation Anywhere 、 UiPath 等公司正在探索其潜力，计划于今年夏天更广泛地推出给开发者。
  • 显著增强了对间接提示注入（恶意指令嵌入到模型检索数据中）等安全威胁的防护。
  • Gemini 2.5 成为迄今为止最安全的模型系列。

增强的开发者体验：

思维摘要（Thought summaries）：

  • 2.5 Pro 和 Flash 将在 Gemini API 和 Vertex AI 中提供思维摘要。
  • 将模型的原始思考过程整理成清晰的格式，包含标题、关键细节和模型动作（如工具使用），便于理解和调试。

思考预算（Thinking budgets）：

  • 此功能已扩展到 2.5 Pro （ 2.5 Flash 已有）。
  • 允许开发者控制模型在回应前用于思考的 tokens 数量，或关闭思考能力，以平衡延迟和成本。
  • 带有预算功能的 Gemini 2.5 Pro 将在未来几周内全面上市。

MCP 支持：

  • Gemini API 中增加了对 Model Context Protocol ( MCP ) 定义的原生 SDK 支持，以便更轻松地集成开源工具。
  • 正在探索部署 MCP 服务器和其他托管工具，以简化代理应用程序的构建。

生成式媒体与创意工具革新

Veo 3 与 Flow：开启AI电影制作新时代

Veo 3 是谷歌最新的视频生成模型，可生成带有音频的视频片段（例如街头的汽车噪音、鸟鸣、人物对话等），大幅超越之前的 Veo 2。如 Google DeepMind 首席执行官德 Demis Hassabis 所说：我们正在“走出视频生成的无声时代”。这个是目前为止最为强大的视频生成模型，OpenAI 的 Sora 自去年首秀依赖风光不再啊。另外有一点值得说，现在在 Google lead 视频生成项目的人之前是 OpenAI Sora 的头，离开的原因估计是资源分配的问题，OpenAI 把核心力量投入到了模型智能上面了，才有了现在的 O 系列的模型，而Google 这边管够，人才给、GPU 也给，这效果就来了。

Veo 3 在理解复杂场景和同步唇形方面表现优异，只要简单的故事提示，就能生成连贯的片段。另外，Veo 2 也升级了新功能，包括“参考驱动视频”模式（可提供参考图像控制角色、场景、风格）、精细摄影机控制（平移、旋转、缩放等）、画布扩展（支持从竖屏扩展到横屏）及对象增删（可添加/删除视频中物体）等。这些工具目前已在 Flow 中开放给创作者体验，并将逐步推向 Vertex AI API 。

与 Veo 3一同发布的“Flow”功能，是一个AI驱动的电影制作工具，它集剧本编写、摄影和剪辑功能于一身，极大地简化了视频创作流程。Flow 能帮助故事创作者将想法转化为电影场景，无需高昂的制作成本或复杂的专业技能。用户可以输入“一个侦探在下雨的东京小巷里追逐小偷”这样的提示，Veo 3 就会将其生动呈现，并配以逼真的声音和电影般的灯光效果。Flow 还允许用户灵活调整摄像机角度、缩放、切换视角，并通过添加镜头和重新混合元素来构建复杂场景，同时智能地保持内容的一致性，确保故事的连贯性 。

Veo 3 已在美国的 Google AI Ultra 订阅用户中提供，Flow 则面向 Google AI Pro 和 Ultra 用户推出，未来将扩展到更多国家，让更多创作者有机会体验这项革命性工具。

Imagen 4：提升图像生成质量与细节

在图像生成方面，谷歌推出了Imagen 4，在速度和精度上兼顾提升：它在细节表现（如织物纹理、水滴、动物毛发）和多种风格（写实或抽象）上都更清晰，支持多种比例和最高 2K 分辨率，输出海报、贺卡、漫画等更易读写文字 。Imagen 4 即日可在 Gemini App、Whisk、Vertex AI 以及 Google Slides/Vids/Docs 等 Workspace 应用中使用 。谷歌还将很快推出 Imagen 4 的高效版，速度相比 Imagen 3 提升高达 10 倍，极大加速创意迭代。

Veo 3、Imagen 4 和 Lyria 2 生成的内容将继续使用 SynthID 水印，

Lyria 2：音乐创作工具

音乐创作工具方面，则有基于 Lyria 2 的“音乐 AI 沙箱”对创作者开放，YouTube Shorts 和 Vertex AI 用户可使用；实时音乐生成模型 Lyria RealTime 也通过 API 和 AI Studio 对外开放。

Google 的自我革命：AI Mode

自去年 I/O 大会推出以来，AI Overviews 已成为过去十年中最成功的 Search 发布之一。它促使人们提出更复杂、更长和多模态的问题，并在美国和印度等主要市场推动了相关查询的使用量增加超过 10% 。 从今天起在美国全面推出 AI Mode，提供更高级的推理能力和多模态交互，并支持通过后续问题和链接进行更深入的探索。采用“query fan-out”技术，将问题分解为子主题并同时执行多项查询，以深入挖掘网络内容。率先集成 Gemini 的前沿能力，包括定制版的 Gemini 2.5 模型。

  • Deep Search： AI Mode 中的深度研究功能，能够进行数百次搜索，整合不同信息，并在几分钟内生成专家级的、带有引用的报告，节省用户数小时的研究时间。
  • Live capabilities (实时功能)： 将 Project Astra 的实时能力引入 Search。用户可以通过摄像头与 Search 进行实时双向对话，获取视觉内容的解释和建议，并提供相关资源链接。此功能建立在每月超过 15 亿人使用的 Google Lens 基础上。
  • Agentic capabilities (代理能力)： 将 Project Mariner 的代理能力引入 AI Mode，帮助用户完成任务，如购买活动门票、预订餐厅和当地预约。它能分析数百个选项，处理实时定价和库存，并协助填写表格，与 Ticketmaster 、 StubHub 、 Resy 和 Vagaro 等公司合作。
  • AI 购物伙伴： 结合 Gemini 模型和 Shopping Graph ，提供虚拟试穿（上传一张图片即可试穿数十亿件服装），并能通过新的代理结账功能，在价格合适时通过 Google Pay 代用户完成购买。
  • Personal context (个人上下文)： AI Mode 将根据用户的历史搜索提供个性化建议，并可选择连接其他 Google 应用（首先是 Gmail ），以获取更多个人上下文（例如，根据航班和酒店预订提供当地活动建议）。用户始终拥有数据连接的控制权。
  • Custom charts and graphs (自定义图表)： AI Mode 能够分析复杂数据集，并根据用户查询创建定制的交互式图表，最初将应用于体育和金融查询。
  • 发布计划： AI Mode 从今天开始在美国全面推出。所有在 I/O 大会上展示的新功能将在未来几周和几个月内首先向 AI Mode 的 Labs 用户开放。

个性化体验

个性化方面，Gemini 模型将能够在用户授权下访问个人搜索历史、Gmail、Drive 等资料，实现更贴合个人情境的服务。如新的 Gmail 智能回复功能会用你过去的行程资料自动撰写建议回复信件，风格更接近本人。Google 表示这些个性化能力将在未来更广泛地应用于搜索、Gemini 等产品中。

Gemini App

Gemini App 推出一系列更新，这些更新涵盖了从视觉和视频生成到深度研究、创意创作和学习辅助等多个方面，并通过新的订阅计划提供更高级的功能和早期访问权限。

  • Gemini Live 免费开放： 具备摄像头和屏幕共享功能，现已免费向所有 Android 和 iOS 用户开放。用户可以通过指向实物进行对话，平均对话时长是文本对话的 5 倍。未来将更深入地集成 Google Maps、Calendar、Tasks 和 Keep 等应用。
  • 图像和视频生成模型：
    • Imagen 4： 全新的图像生成模型，已内置于 Gemini 应用中，以高质量、更好的文本渲染和速度著称，所有用户均可使用。
    • Veo 3： 全新的视频生成模型，全球首个原生支持音效、背景噪音和角色对话的模型，目前供美国地区的 Google AI Ultra 订阅者使用。
  • Deep Research 增强： 用户现在可以将公共数据与自己的私人 PDF 和图像结合，生成定制化的研究报告。未来还将支持从 Google Drive 和 Gmail 中提取信息。
  • Canvas 创作空间： Gemini 应用内的创意空间，结合 Gemini 2.5 模型，可创建交互式信息图、测验和 45 种语言的播客式 Audio Overviews。2.5 Pro 模型还能将复杂想法快速准确地转化为可运行的代码。
  • Gemini 整合至 Chrome： 将开始向美国地区使用英语 Chrome 语言的 Windows 和 macOS 上的 Google AI Pro 和 Google AI Ultra 订阅者推出。初期版本可用于澄清网页信息或总结内容，未来将支持跨多标签页操作和网页导航。
  • 交互式测验（Quiz）： 已向全球所有 Gemini 用户推出，提供即时反馈和个性化后续测验。美国、巴西、印度尼西亚、日本和英国的大学生有资格免费获得一学年的 Google AI Pro 计划。
  • 新订阅计划：
    • Google AI Pro： 每月 $19.99 ，取代并扩展了 Gemini Advanced，包含 Flow、NotebookLM 等 AI 工具，并提供更高的速率限制。
    • Google AI Ultra： 每月 $249.99 （首次用户前三个月可享 50 % 折扣），提供最高速率限制和实验性 AI 产品的早期访问权限。该计划的用户将获得最高级别的访问权限，包括 Veo 3 和即将推出的 2.5 Pro Deep Think 模式，以及早期访问 Agent Mode（一种能自动完成复杂多步骤任务的实验性功能）。目前仅在美国可用。
  • 默认模型： 2.5 Flash 已成为新的默认模型，兼具高质量和闪电般的响应速度。

Project Astra：通用 AI 助手

Google 的愿景是构建一个“通用 AI 助手”，通过将 Gemini 扩展为能够理解和模拟世界的“世界模型”，并整合先进的代理能力，使其能像人类大脑一样进行规划和想象。这个 AI 助手将具备智能、上下文理解能力，并能在各种设备上代表用户规划和执行任务，最终目标是提高生产力、丰富生活，并推动科学进步。

  • 世界模型：Google 正在将其多模态基础模型 Gemini 2.5 Pro 扩展为“世界模型”，使其能够通过理解和模拟世界来制定计划并想象新体验。这建立在 Google 在 Transformer 架构、AlphaGo 和 AlphaZero 等代理系统方面的开创性工作之上，并已在 Gemini 的世界知识、Veo 的直观物理理解以及 Gemini Robotics 的机器人控制能力中初见端倪。

  • 实时能力：作为研究原型，Project Astra 探索了视频理解、屏幕共享和记忆等功能，并已逐步整合到 Gemini Live 中。目前已升级了更自然的语音输出、改进了记忆功能并增加了计算机控制。未来计划将这些能力引入 Gemini Live、Search、Live API 供开发者使用，以及眼镜等新形态产品中。安全和责任是此过程的核心考量。

  • Project Mariner 的多任务代理能力：这是一个探索人机交互的研究原型，最初应用于浏览器，旨在帮助用户处理多任务。Project Mariner 现在包含一个代理系统，能够同时完成多达十项不同的任务，例如信息查询、预订、购物和研究。更新后的 Project Mariner 已面向美国 Google AI Ultra 订阅者开放，并计划将更多计算机使用能力引入 Gemini API 和其他 Google 产品。

  • 长远目标：通过这些创新工作，Google 致力于构建更个性化、主动和强大的 AI，以丰富人们的生活，加速科学进步，并开启一个发现和奇迹的新时代。

Project Mariner：代理模式

Google 正在积极推进代理（Agent）技术，将其定义为结合先进 AI 模型和工具、能代表用户执行操作的系统。核心进展包括将早期原型 Project Mariner 的计算机使用能力通过 Gemini API 提供给开发者，并构建一个更广泛的代理生态系统，包括 Agent2Agent Protocol 和对 Model Context Protocol ( MCP ) 的支持。此外，Google 正在将代理能力，特别是新的 Agent Mode，整合到 Chrome、Search 和 Gemini 应用中，以提升用户效率和企业价值。

  • Project Mariner 的发展与开放： Project Mariner 是 Google 早期研究原型，专注于代理的计算机使用能力，使其能与网络交互并完成任务。自去年 12 月发布以来，它已新增多任务处理能力和“teach and repeat”方法（通过一次演示学习并应用于类似任务）。其计算机使用能力将通过 Gemini API 提供给开发者，目前 Automation Anywhere 和 UiPath 等受信任的测试者已开始使用，预计今年夏天将更广泛地开放。
  • 代理生态系统与协议： 计算机使用能力是构建完整代理生态系统所需工具的一部分。该生态系统还包括 Agent2Agent Protocol（用于代理间通信）和 Anthropic 引入的 Model Context Protocol ( MCP )（允许代理访问其他服务）。目前，Gemini API 和 SDK 已与 MCP 工具兼容。
  • 代理能力集成与 Agent Mode： Google 正将代理能力引入 Chrome、Search 和 Gemini 应用。其中，Gemini 应用中的新 Agent Mode 将显著提升用户效率。例如，在公寓搜索场景中，它能帮助用户在 Zillow 等网站上找到符合条件的房源，调整筛选条件，利用 MCP 访问房源信息，甚至安排看房。Gemini 应用的实验版 Agent Mode 即将向订阅用户推出，预计将为 Zillow 等公司带来新客户并提高转化率。

Google Beam：沉浸式视频通话

Google Beam 是一种新的 AI 优先视频通信平台，将 2D 视频流转换为逼真的 3D 体验，具备近乎完美的头部追踪（毫米级，60 帧/秒）。首批设备将与 HP 合作，于今年晚些时候提供给早期客户。

Google Beam 引入近乎实时的语音翻译功能，能匹配说话者的声音、语调和表情。英语和西班牙语的 Beta 版已向 Google AI Pro 和 Ultra 订阅者推出，更多语言将在未来几周内上线，并于今年提供给 Workspace 商业客户进行早期测试。

开发者相关

Gemini 模型与新模型发布

  • Gemini 2.5 Flash Preview：推出新版本，在编码和复杂推理任务上表现更强，并针对速度和效率进行了优化。
  • 透明度和控制：Gemini 2.5 模型现已提供 “Thought summaries”，并计划在 Gemini 2.5 Pro Preview 中引入 “thinking budgets”，以帮助开发者管理成本和控制模型行为。
  • 可用性：Gemini 2.5 Flash 和 2.5 Pro 均在 Google AI Studio 和 Vertex AI 中提供 Preview 版本，Flash 预计 6 月初全面推出，Pro 随后。
  • Gemma 3n：最新、快速高效的开放多模态模型，可在手机、笔记本电脑和平板电脑上运行，支持音频、文本、图像和视频。可在 Google AI Studio 和 Google AI Edge 预览。
  • Gemini Diffusion：实验性文本模型，生成速度是现有最快模型的 5 倍，同时保持编码性能。
  • Lyria RealTime：实验性交互式音乐生成模型，允许用户实时创建、控制和演奏音乐，通过 Gemini API 提供。
  • Gemma 家族变体：
    • MedGemma：专为医疗健康应用设计的开放多模态医疗文本和图像理解模型，已通过 Health AI Developer Foundations 提供。
    • SignGemma：即将推出的开放模型，能将手语（主要为美国手语）翻译成口语文本。

提升 AI 构建效率的工具

  • Colab：将升级为完全 agentic 的体验，能根据用户指令在 notebook 中执行操作、修复错误和转换代码。
  • Gemini Code Assist：免费的 AI 编码助手（个人版）和代码审查 agent（GitHub 版）现已全面可用，由 Gemini 2.5 提供支持，未来将支持 2 million token 的上下文窗口。
  • Firebase Studio：新的云端 AI 工作区，简化全栈 AI 应用开发，支持导入 Figma 设计并自动配置后端。
  • Jules：异步编码 agent，已向所有人开放，可处理随机任务、积压的 bug、多任务，并能初步构建新功能，直接与 GitHub 协作。
  • Stitch：新的 AI 驱动工具，通过自然语言描述或图像提示生成高质量 UI 设计和前端代码（桌面和移动），并支持会话式迭代和导出。

Gemini API 更新

  • Google AI Studio 更新：支持使用 Gemini 2.5 模型和 Imagen、Veo 等生成式媒体模型，以及原生图像生成。Gemini 2.5 Pro 已集成到原生代码编辑器中。
  • Native Audio Output & Live API：Gemini 2.5 Flash 模型（Preview）新增功能，包括主动视频、主动音频和情感对话。
  • Native Audio Dialogue：Gemini 2.5 Flash 和 2.5 Pro 的文本转语音 (TTS) 功能预览，支持复杂单/多说话人语音输出，并可精确控制语音风格、口音和语速。
  • Asynchronous Function Calling：允许在后台调用长时间运行的函数或工具，不阻塞主对话流。
  • Computer Use API：允许开发者构建可浏览网页或使用其他软件工具的应用，已向 Trusted Testers 提供。
  • URL Context：新的实验性工具，从 URL 获取完整页面上下文。
  • Model Context Protocol (MCP)：Gemini API 和 SDK 将支持 MCP，方便开发者使用各种开源工具。