AR 與 AI 如何融合？Google 靠多重搜尋與二十年資料積累突圍

大家都在討論聊天機器人會不會幹掉 Google，尤其是在 Bard 釋出倉促翻車之後，看衰聲更是一浪高過一浪。

但在唱衰之前，很多人忽略了一個事實：Google 手裡握著一張別人很難拿到的底牌，那就是它過去二十多年一點點攢出來的現實世界知識圖譜。

當別人還在卷純文字聊天時，Google 已經在琢磨怎麼把視覺識別、AR 和 AI 揉在一起了。

拍圖加文字，搜尋變立體了

很多人找東西時都有過這種痛苦：眼前看到一件衣服，但根本不知道該怎麼用文字搜出來。

Google 本月早些時候在所有支援 Google Lens 的手機上，鋪開了一項叫做多重搜尋（Multisearch）的功能。

它的邏輯很簡單，就是把影像和文字拼在一起搜。比如你用手機鏡頭對著一件襯衫拍一張，再打上一句「同款綠色」，系統就會結合兩者去匹配。

撐起這項功能的是 Google 的多工統一模型 MUM。它可以跨越文字、照片和影片處理資料，直接推斷不同模態之間的關聯與含義。

而且 Google 還在做一項叫「搜尋螢幕」（Search your screen）的新能力。以後 Lens 不用只盯著後置攝像頭外的現實世界，只要是你手機螢幕上出現的任何畫面，都能隨時發起搜尋。

從網頁索引到物理世界

如果只是搜同款衣服，還不足以體現 Google 的護城河。真正的殺招在於本地搜尋，也就是 Multisearch Near Me。

比如你在 Instagram 上刷到一張誘人的菜品照片，儲存下來用 Lens 識別這道菜，接著加上附近搜尋的條件，就能直接找出你周圍哪家餐館能吃到類似的菜品。

這件事情 OpenAI 這類創業公司很難在一夜之間做出來。大模型底座和演算法誰都可以買或訓，但遍佈全球的 Google Business Profiles 本地商家資料和 Google Shopping 現貨庫存，是二十多年累積下來的重資產。

再加上 Google 已經在 Live View 中用計算機視覺和機器學習給裝置做 AR 定位與實景導航。說白了，Google 是想把當年索引整個網際網路的那套本事，原封不動地搬到物理世界裡，給現實環境也建一張知識圖譜。

為什麼重要

對普通使用者來說，這項功能的實用價值其實比干聊天的機器人更高。特別是逛街買衣服或者在社交平臺上種草美食時，隨手一拍加一句話就能解決現實需求，現在拿起支援 Lens 的手機就值得試一試。

對行業而言，這場競爭正在被拉回 Google 最擅長的陣地。純文字對話只是 AI 的一種互動方式，一旦涉及到具體的商品買賣、本地生活消費和空間定位，誰有底層真實商業資料，誰才能把流量變現。

我們認為，Google 把 AR 視覺入口和多模態 AI 綁在一起是非常聰明的一步。它避開了和純對話大模型直接拼文采，而是發揮自己對真實物理世界的連線優勢。

不過隱患也同樣明顯。讓普通使用者養成用鏡頭和螢幕發起複合搜尋的習慣依然需要時間，如果本地商家的匹配準確度跟不上，這種體驗很容易從驚喜變成雞肋。