Google 預熱多模態 AI 介面：手機鏡頭即時看懂周圍，對標 GPT-4o

OpenAI 剛把 GPT-4o 端上桌，還在炫耀即時音影片多模態互動，Google 轉頭就在社交平臺上甩出了一段預告。

距離 Google I/O 2024 開幕只剩不到一天，這場反擊來得幾乎沒有時差。

舉起手機，AI 就看懂了舞臺搭建

Google 在 X 上釋出的這段影片很短，但意圖非常明顯。

畫面裡是一臺執行著全新 AI 介面的 Android 手機，介面風格看起來和 Pixel 的相機應用頗為相似。

測試人員拿著手機對準周圍的環境提問，鏡頭正對著正在施工佈置的 Google I/O 主會場。

手機裡的 AI 助手不僅立刻看懂了工人們正在搭建活動現場，還認出了現場的 Google I/O 標誌，順暢地介紹起這場開發者大會的背景資訊。

在此之前，Gemini 已經能聽懂語音、分析使用者上傳的照片或截圖。但這次演示的重點在於即時視覺感知，攝像頭直接變成了 AI 的眼睛。

這套互動邏輯，和之前爆火又遇冷的 Humane AI Pin 以及 Rabbit R1 想做的事幾乎一模一樣，只不過 Google 把它直接塞進了人手一臺的手機裡。

當然，這目前還只是一段預錄製的演示影片，實際響應速度和識別成功率如何，依然要打個問號。

至於這個介面最終是會直接整合進 Gemini，還是變成一個獨立應用，甚至徹底替換掉老舊的 Google Assistant，Google 還沒給出明確答案，只表示會在 I/O 主題演講上公佈搜尋和 AI 的最新進展。

為什麼重要

在 OpenAI 亮出底牌不到 24 小時之內，Google 就亮出同類功能，我們認為這說明多模態助手的技術路線兩家早就想一塊兒去了。

對普通使用者來說，AI 助手的互動門檻徹底變了。以前你需要想好 Prompt、拍照、上傳、等待分析，現在只要舉起手機說話就行。如果這項功能能穩定下放到 Android 系統中，使用者根本不需要花幾百美元去買 Humane AI Pin 這類半成品獨立硬體。

對行業而言，端側的多模態互動正在變成巨頭標配。OpenAI 搶先一天釋出 GPT-4o 顯然是有意截胡，但 Google 最大的殺手鐧不是模型本身，而是 Android 生態龐大的裝置裝機量。

不過，兩家目前拿出來的演示都還停留在精挑細選的影片裡。看起來很驚豔，但即時呼叫攝像頭和音訊模型對手機算力、發熱和電池續航都是巨大的考驗。能不能真正跑在日常場景裡，就看接下來的實際落地表現了。