Google 公佈通用 AI 助理願景：Gemini 邁向世界模型，智慧體多工並行

如果把現在的聊天機器人比作只會背書的客服，Google 想做的通用 AI 助手，更像是一個既看得懂現實世界、又能替你在電腦前敲鍵盤的實習生。

Google DeepMind 披露了他們打造通用 AI 助手的最新路線圖。核心邏輯只有一條：把手頭最好的多模態模型 Gemini 2.5 Pro，一路改造成一個能像人腦一樣理解並模擬現實的「世界模型」。

從看懂物理世界，到替你操控電腦

所謂世界模型，簡單說就是讓 AI 不再只處理文字和畫素，而是懂得物理常識和事物運轉規律。

Google 把這項工程拆解成了幾個技術拼圖。從早先能生成 3D 互動環境的 Genie 2，到理解直覺物理的影片模型 Veo，再到能教機械臂抓取物品的 Gemini Robotics，其實都在給這個世界模型喂常識。

有了這個底子，去年備受關注的原型專案 Project Astra 開始大規模走向實用化。Google 表示，過去一年他們已經把 Astra 的影片理解、螢幕共享和記憶能力塞進了 Gemini Live。

這次的新進展是，Gemini 換上了更自然的原生音訊輸出，增強了長效記憶，並正式加入了電腦控制能力。除了手機和網頁端，這些能力正通過測試逐步推向 Search、開發者的 Live API，以及智慧眼鏡等全新硬體裝置。

Mariner 升級：一個 Agent 同時幹十件事

除了看和聽，AI 助手最重要的還是替人辦事。Google 去年 12 月啟動的瀏覽器互動原型 Project Mariner，這次也拿出了關鍵升級。

現在的 Mariner 配備了一套多 Agent 系統，一次性最多能同時並行跑 10 個任務。比如你讓它幫你做旅遊攻略，它可以一邊比價機票、一邊查酒店位置、一邊順手在電商網站買齊出行用品，不用像以前那樣卡在一個頁面等你一步步確認。

目前這個升級版 Mariner 已經對美國的 Google AI Ultra 訂閱使用者開放。同時，Google 正在把它的「電腦使用」介面開放給 Gemini API，年內還會把更多 Agent 能力鋪進 Google 的全家桶產品裡。

為什麼重要

我們認為，Google 這次最聰明的舉動，是終於把零散的模型能力串成了一條完整的實用鏈條。以前看 Veo 生成影片、看 Genie 捏 3D 場景，大家覺得更像實驗室裡的技術炫技；但當這些物理常識和視覺理解被放進 Gemini 2.5 Pro，去驅動一個能在螢幕上點選操作的 Agent 時，它就從玩具變成了工具。

對使用者來說，Mariner 能同時幹 10 件事的設定非常實在。日常最耗精力的往往不是複雜思考，而是訂票、報銷、跨網頁蒐集比對資訊這些繁瑣雜務。如果它真能在後臺穩妥跑通，對普通職場人和獨立創作者的效率提升會很直接。不過目前它只對美國的高階訂閱使用者開放，大家短時間內可能還得繼續觀望。

在行業層面，這看起來是 Google 對 Anthropic「Computer Use」和 OpenAI 各種 Agent 原型的一次正面圍剿。Google 最大的底牌從不是單一的模型跑分，而是 Android 生態、Chrome 瀏覽器以及未來的智慧眼鏡載體。一旦世界模型跑順，配合直接接管瀏覽器的多工 Agent，軟硬體協同的壁壘會比純大模型公司厚得多。

但隱患依然存在。讓一個 AI 一口氣在後臺執行 10 個涉及購物和個人賬號的操作，只要其中一個環節產生幻覺或點錯彈窗，使用者追責和糾錯的成本就會成倍放大。如何在多工併發時守住安全邊界，將是這套通用助手真正走向大眾前必須交出的答卷。