Google I/O 2025: Nové brýle pro rozšířenou realitu a samá AI napříč platformami

Google I/O 2024 – OBSAH

1. Project Astra je asistent odpovídající v reálném čase skrze telefon či brýle
2. Google Gemini dokáže uvažovat nad spoustou kontextu, do konce roku ještě více 
3. Na výběr nyní budou dva hlavní Gemini modely
4. Veo a Imagen 3 jsou nové generativní AI modely od Googlu
5. Umělá inteligence bude běžnou součástí vyhledávání Google
6. Gemini pro Google Workspace umožňuje automatizaci napříč aplikacemi
7. AI Agent za vás vyřídí reklamaci nebo naplánuje dovolenou
8. Lepší umělá inteligence si nutně žádá lepší hardware

Project Astra je asistent odpovídající v reálném čase skrze telefon či brýle

Pokud si chcete z Google I/O 2024 odnést jednu věc, která umělou inteligenci posunula o obrovský kus dále, bude to Project Astra. Potom, co organizace OpenAI den před I/O oznámila svého AI asistenta s odpověďmi v reálném čase, který navíc dokáže „vidět“ skrze kameru telefonu, to vypadalo, že Google bude mít hodně co dělat, aby se konkurenci přiblížil. Internetová jednička však byla více než připravená se svou odpovědí.

Project Astra je praktickou a dle videa níže velice praktickou implementací AI modelu coby osobního asistenta, který dokáže v reálném čase odpovídat a zpracovávat video vstup. Google ve svém demu ukázal mimo jiné skvělou schopnost asistenta pracovat s kontextem, pamatovat si zdánlivě nerelevantní věci z kousku videa (např. kde jste nechali ležet svoje brýle), a to všechno nejen v telefonu, ale také v chytrých brýlích. Demo video níže mluví za vše.

Project Astra by měl eventuálně nahradit klasického Asistenta Google v telefonech s operačním systémem Android. Byť Google zatím nic přímo neřekl, tato změna by měla přijít ještě do konce roku a mohla by být jedním z hlavních taháků nadcházejícího Androidu 15, o kterém se máme v následujících dnech dozvědět více.

Google Gemini dokáže uvažovat nad spoustou kontextu, do konce roku ještě více

O Google Gemini jsme již v minulosti slyšeli. Jde o aktuálně nejvíce používaný AI produkt společnosti Google a o přímou konkurenci nástrojů jako ChatGPT od OpenAI nebo Microsoft Copilot ve vyhledávači Bing. Jednou z hlavních vlastností tohoto modelu je multimodálnost v základu – Gemini byl již od začátku navržen jako nástroj pro zpracování nebo generování textu, obrázků, videa, kódu atd., zatímco jiné modely byly o tyto funkce obohaceny až s postupem času a často je u nich stále generován text jako mezikrok.

V čem má ale Google Gemini v současnosti oproti konkurenci opravdu výrazně náskok, je velikost tzv. „kontextového okna“. To si můžete představit jako množství vámi zadaných informací, nad kterými dokáže umělá inteligence v jeden moment uvažovat. V současnosti dokáže nejvyšší model Google Gemini 1.5 Pro konzistentně uvažovat nad až 1 milionem tokenů. To je zhruba 10 hodin audia, 1 hodina videa, nebo 700 tisíc slov textu. Google představil svoje plány rozšířit kontextové okno na 2 miliony tokenů do konce roku 2024.

Chat verze modelu Gemini navíc nově bude podporovat přednastavená chatová okna, podobně jako jsme již viděli u konkurence. Google tuto funkci pojmenoval Gemini Gems. Bude možné si například vytvořit Gem osobního kuchaře, kterému nastavíte popisek, o kterém bude při každém spuštění uvažovat. Ukazuje se totiž, že když chatu vštípíte, že je michelinským kuchařem s léty zkušeností, jeho výstup může být opravdu o něco málo lepší. Do popisu můžete přidat například i styl odpovídání, který vyžadujete. Všechny odpovědi se pak budou držet vámi daného formátu.

Na výběr nyní budou dva hlavní Gemini modely

Doposud nejlepším z modelů rodiny Gemini byl Google Gemini 1.5 Pro. Na této skutečnosti se nic nemění, Google však představil novou alternativu v podobě Gemini 1.5 Flash. Jde o odlehčený model, který má poskytovat co nejrychlejší odpovědi. Má všechny výsady Gemini, tedy multimodálnost i dlouhé kontextové okno, odpovědi však obecně budou o něco méně kvalitnější než s modelem Pro.

Hlavním využitím modelu Gemini 1.5 Flash budou aplikace, které pracují s obrovským množstvím spíše jednodušších požadavků, které je potřeba co nejrychleji odbavit. Pokud vyžadujete propracované detailní výstupy a nevadí vám počkat si trochu déle, Google stále doporučuje variantu Pro.

Velmi zajímavě jsou modely také naceněny. Budete-li je používat mimo aplikace Google, tedy ve formě API (programátorského rozhraní, díky kterému lze AI integrovat do různých aplikací třetích stran), 1 milion tokenů dotazů v Gemini 1.5 Pro vás vyjde na 7 dolarů (asi 160 Kč). Pokud budou vaše jednotlivé dotazy menší než 128 tisíc tokenů, cena bude ještě nižší, zaplatíte 3,5 dolaru (asi 80 Kč) za milion tokenů dotazů. Opravdu cenově lukrativní nabídkou je ale Gemini 1.5 Flash. Ceny za používání tohoto modelu začínají na pouhých 35 centech (asi 8 Kč) za 1 milion tokenů dotazů.

Pro srovnání model GPT-4 Turbo od OpenAI, podporující maximálně 128 tisíc tokenů najednou, vás vyjde na 10 dolarů (asi 230 Kč) za milion tokenů dotazů.

Veo a Imagen 3 jsou nové generativní AI modely od Googlu

Velká část prezentace byla věnována také generativní umělé inteligenci. Představil se model pro generování videa z textu Veo, vylepšený model pro generování obrázku z textu Imagen 3 a v neposlední řadě i sada nástrojů pro generování AI hudby Music AI Sandbox.

Nový model Veo je schopný generovat videa v rozlišení Full HD, v různých stylech, trvající déle než jednu minutu. Model Imagen 3 se pak zaměřuje hlavně na detaily. Dokáže věrně zobrazit i ty nejkonkrétnější požadavky a produkovat skutečně fotorealistické snímky. Výstupy v tomto případě nemá smysl popisovat slovy – podívejte se na demo videu níže.

Vše, co Gemini vygeneruje (nově včetně videí), bude opatřeno neměnným „vodoznakem“ SynthID ve snaze zabránit šíření falešných informací a vydávání generovaného obsahu za autorský.

Google krátce promluvil také o své rodině otevřených modelů Gemma, které může volně využívat kdokoliv. Model PaliGemma například slouží k rozpoznávání obrazu pro účely přístupnosti, CodeGemma je pak specificky trénován na pomoc při programování. Google představil také nový otevřený model pro obecné využití, Gemma 2, o kterém se prý více dozvíme v nadcházejících týdnech.

Umělá inteligence bude běžnou součástí vyhledávání Google

Testování Google Gemini v rámci vyhledávání Google probíhá již nějakou dobu. Na Google I/O 2024 jsme dostali náhled toho, co všechno AI při vyhledávání dovede. Mezi klíčové funkce patří shrnutí – Gemini pospojuje informace z vyhledaných článků a vám dá krátký a přehledný výsledek, přičemž připojí všechny zdroje, pokud se chcete dozvědět více.

Vyhledávání je také schopné pojmout složitější požadavky. Na prezentaci byl ukázán dotaz „najdi nejlepší jóga nebo pilates studio v Bostonu, ukaž mi detaily o nabídkách pro začátečníky a pěší vzdálenost od Beacon Hill“. Google Gemini si dokáže požadavek rozdělit na kroky, všechny požadované informace získat, a nakonec vám je uceleně prezentovat v přehledném blokovém rozhraní přizpůsobeném tomu, co zrovna hledáte. 

Vyhledávání bude navíc opět multimodální – k již existujícímu vyhledávání textem, hlasem a obrázky přibude také video (pravděpodobně na bázi Project Astra).

Google oznámil, že po dlouhém testování jsou připraveni umělou inteligenci ve vyhledávání uvolnit veřejně. Ještě tento týden by se funkce měla objevit uživatelům v USA, o zbytku světa zaznělo jen netečné „brzy“.

Gemini pro Google Workspace umožňuje automatizaci napříč aplikacemi

Další využití pro Gemini našel Google v prostředí Google Workspace. Jde o firemní balíček oblíbených produktů jako Gmail, Disk Google, Kalendář Google, Dokumenty Google a další – v jedné aplikaci, s přidanými funkcemi. Google Gemini zde bude možné přidat jako nového „kolegu“. Potřebujete uspořádat faktury z emailů do jednoho místa? Pro Gemini to není problém a při té příležitosti vám vytvoří tabulku příjmů a výdajů, kterou doplní o relevantní grafy.

Gemini můžete dále používat i ve skupinových chatech stejně tak, jako byste si psali s kolegy. Chcete se ujistit, že je nová verze vašeho produktu připravena k vydání? Stačí se zeptat, a pokud se nikdo z vašich skutečných kolegů nebude mít k odpovědi, Gemini projde všechny soubory a data, ke kterým má přístup, vytkne potenciální problémy a navrhne vám další postup.

Na výstup Gemini pak klidně může reagovat další z kolegů například zadáním náročného úkolu, který by běžně zabral hodiny. Gemini bude za pár minut zpět s výstupním souborem.

AI Agent za vás vyřídí reklamaci nebo naplánuje dovolenou

Gemini jako kolega v Google Workspace zní skvěle, ale přece jen je to nástroj ryze profesionální, který nejspíš většina uživatelů nevyužije. Google ale chce umělou inteligenci přinést opravdu všem. Představují se proto tzv. AI Agenti. V podstatě jde o velmi pokročilé spojení všeho, co Google AI nabízí. Zadaný úkol si agent rozplánuje do několika kroků a dokáže pracovat napříč různým softwarem.

Na Google I/O 2024 jsme viděli velmi častou situaci. Koupili jste si boty, ale velikost vám nesedí – stačí zadat jeden příkaz AI agentovi. Ten pak projde vaše emaily a najde fakturu, zjistí, kde jste boty zakoupili a všechny informace důležité pro vrácení, vyplní reklamační formulář a vám jen řekne, kam máte boty přinést, nebo dokonce objedná svoz.

Nad všemi těmito kroky byste přitom měli kontrolu – AI agent všechno naplánuje a udělá za vás, ale než udělá něco, co byste možná nemuseli chtít, vždy se vás zeptá na potvrzení. Na prezentaci několikrát zaznělo, že mít kontrolu nad celým procesem je jedna z nejvyšších priorit. Google však upozorňuje, že tato technologie je stále v raném vývoji, a na první veřejné testy si tak určitě ještě pár měsíců, ne-li déle, počkáme.

Lepší umělá inteligence si nutně žádá lepší hardware

Požadavky na hardware schopný bleskových výpočtů pro umělou inteligenci se v posledních letech exponenciálně zvyšuje a, zdá se, nemá konce. Google proto představil svou novou řadu TPU (tensor processing unit, speciální čipy pro urychlení tenzorových výpočtů, používaných v AI) zvanou Trillium. Ta má být 4,7× výkonnější než předchozí generace. Čipy budou dostupné uživatelům platformy Google Cloud ke konci roku 2024. Vlastní fyzické verze TPU čipů v minulosti k dispozici nebyly a Google zatím neukázal žádné plány tuto skutečnost měnit.