AR 与 AI 如何融合？Google 靠多重搜索与二十年数据积累突围

大家都在讨论聊天机器人会不会干掉 Google，尤其是在 Bard 发布仓促翻车之后，看衰声更是一浪高过一浪。

但在唱衰之前，很多人忽略了一个事实：Google 手里握着一张别人很难拿到的底牌，那就是它过去二十多年一点点攒出来的现实世界知识图谱。

当别人还在卷纯文字聊天时，Google 已经在琢磨怎么把视觉识别、AR 和 AI 揉在一起了。

拍图加文字，搜索变立体了

很多人找东西时都有过这种痛苦：眼前看到一件衣服，但根本不知道该怎么用文字搜出来。

Google 本月早些时候在所有支持 Google Lens 的手机上，铺开了一项叫做多重搜索（Multisearch）的功能。

它的逻辑很简单，就是把图像和文字拼在一起搜。比如你用手机镜头对着一件衬衫拍一张，再打上一句「同款绿色」，系统就会结合两者去匹配。

撑起这项功能的是 Google 的多任务统一模型 MUM。它可以跨越文字、照片和视频处理数据，直接推断不同模态之间的关联与含义。

而且 Google 还在做一项叫「搜索屏幕」（Search your screen）的新能力。以后 Lens 不用只盯着后置摄像头外的现实世界，只要是你手机屏幕上出现的任何画面，都能随时发起搜索。

从网页索引到物理世界

如果只是搜同款衣服，还不足以体现 Google 的护城河。真正的杀招在于本地搜索，也就是 Multisearch Near Me。

比如你在 Instagram 上刷到一张诱人的菜品照片，保存下来用 Lens 识别这道菜，接着加上附近搜索的条件，就能直接找出你周围哪家餐馆能吃到类似的菜品。

这件事情 OpenAI 这类创业公司很难在一夜之间做出来。大模型底座和算法谁都可以买或训，但遍布全球的 Google Business Profiles 本地商家资料和 Google Shopping 现货库存，是二十多年累积下来的重资产。

再加上 Google 已经在 Live View 中用计算机视觉和机器学习给设备做 AR 定位与实景导航。说白了，Google 是想把当年索引整个互联网的那套本事，原封不动地搬到物理世界里，给现实环境也建一张知识图谱。

为什么重要

对普通用户来说，这项功能的实用价值其实比干聊天的机器人更高。特别是逛街买衣服或者在社交平台上种草美食时，随手一拍加一句话就能解决现实需求，现在拿起支持 Lens 的手机就值得试一试。

对行业而言，这场竞争正在被拉回 Google 最擅长的阵地。纯文字对话只是 AI 的一种交互方式，一旦涉及到具体的商品买卖、本地生活消费和空间定位，谁有底层真实商业数据，谁才能把流量变现。

我们认为，Google 把 AR 视觉入口和多模态 AI 绑在一起是非常聪明的一步。它避开了和纯对话大模型直接拼文采，而是发挥自己对真实物理世界的连接优势。

不过隐患也同样明显。让普通用户养成用镜头和屏幕发起复合搜索的习惯依然需要时间，如果本地商家的匹配准确度跟不上，这种体验很容易从惊喜变成鸡肋。