Google 公布通用 AI 助理愿景：Gemini 迈向世界模型，智能体多任务并行

如果把现在的聊天机器人比作只会背书的客服，Google 想做的通用 AI 助手，更像是一个既看得懂现实世界、又能替你在电脑前敲键盘的实习生。

Google DeepMind 披露了他们打造通用 AI 助手的最新路线图。核心逻辑只有一条：把手头最好的多模态模型 Gemini 2.5 Pro，一路改造成一个能像人脑一样理解并模拟现实的「世界模型」。

从看懂物理世界，到替你操控电脑

所谓世界模型，简单说就是让 AI 不再只处理文字和像素，而是懂得物理常识和事物运转规律。

Google 把这项工程拆解成了几个技术拼图。从早先能生成 3D 交互环境的 Genie 2，到理解直觉物理的视频模型 Veo，再到能教机械臂抓取物品的 Gemini Robotics，其实都在给这个世界模型喂常识。

有了这个底子，去年备受关注的原型项目 Project Astra 开始大规模走向实用化。Google 表示，过去一年他们已经把 Astra 的视频理解、屏幕共享和记忆能力塞进了 Gemini Live。

这次的新进展是，Gemini 换上了更自然的原生音频输出，增强了长效记忆，并正式加入了电脑控制能力。除了手机和网页端，这些能力正通过测试逐步推向 Search、开发者的 Live API，以及智能眼镜等全新硬件设备。

Mariner 升级：一个 Agent 同时干十件事

除了看和听，AI 助手最重要的还是替人办事。Google 去年 12 月启动的浏览器交互原型 Project Mariner，这次也拿出了关键升级。

现在的 Mariner 配备了一套多 Agent 系统，一次性最多能同时并行跑 10 个任务。比如你让它帮你做旅游攻略，它可以一边比价机票、一边查酒店位置、一边顺手在电商网站买齐出行用品，不用像以前那样卡在一个页面等你一步步确认。

目前这个升级版 Mariner 已经对美国的 Google AI Ultra 订阅用户开放。同时，Google 正在把它的「电脑使用」接口开放给 Gemini API，年内还会把更多 Agent 能力铺进 Google 的全家桶产品里。

为什么重要

我们认为，Google 这次最聪明的举动，是终于把零散的模型能力串成了一条完整的实用链条。以前看 Veo 生成视频、看 Genie 捏 3D 场景，大家觉得更像实验室里的技术炫技；但当这些物理常识和视觉理解被放进 Gemini 2.5 Pro，去驱动一个能在屏幕上点击操作的 Agent 时，它就从玩具变成了工具。

对用户来说，Mariner 能同时干 10 件事的设定非常实在。日常最耗精力的往往不是复杂思考，而是订票、报销、跨网页搜集比对信息这些繁琐杂务。如果它真能在后台稳妥跑通，对普通职场人和独立创作者的效率提升会很直接。不过目前它只对美国的高阶订阅用户开放，大家短时间内可能还得继续观望。

在行业层面，这看起来是 Google 对 Anthropic「Computer Use」和 OpenAI 各种 Agent 原型的一次正面围剿。Google 最大的底牌从不是单一的模型跑分，而是 Android 生态、Chrome 浏览器以及未来的智能眼镜载体。一旦世界模型跑顺，配合直接接管浏览器的多任务 Agent，软硬件协同的壁垒会比纯大模型公司厚得多。

但隐患依然存在。让一个 AI 一口气在后台执行 10 个涉及购物和个人账号的操作，只要其中一个环节产生幻觉或点错弹窗，用户追责和纠错的成本就会成倍放大。如何在多任务并发时守住安全边界，将是这套通用助手真正走向大众前必须交出的答卷。