我们的创始人 我们的公司 我们的团队 故事 播客 Arc 开放搜索
Google 的 Nano Banana 如何实现角色一致性的突破第 69 集 | 访问 Training Data 系列页面 跳转至 引言 主要内容 播客 Training Data Google Nano Banana Google 的 Nano Banana 如何实现角色一致性的突破立即观看：YouTube Spotify Apple Amazon
Nano Banana 的产品和工程负责人 Nicole Brichtova 与 Hansa Srinivasan 分享了模型诞生背后的故事，以及它对视觉 AI 未来的意义。Nicole 和 Hansa 讨论了她们如何实现角色一致性的突破、为什么对于旨在“感觉对”的模型而言人类评估仍然至关重要，以及“趣味性”如何成为实用性的入口。这场对话揭示了技术工艺、人类评估与易用设计的结合，如何将一项强大的能力转化为一款病毒式传播的消费产品，并为实用性开辟新路径。角色一致性需要痴迷于数据质量，而非仅仅扩大规模：虽然 Gemini 的多模态基础与长上下文窗口带来了新能力，但让面部真正看起来像这个人的突破，其实来自细致的数据策展，以及团队成员对文本渲染或身份保持等具体问题变得“痴迷”。人类评估对主观能力至关重要：团队发现，角色一致性几乎无法量化评估，因为只有你自己才能判断图像是否真的像你。她们建立了 robust 的人类评估流程，包括内部艺术家测试和高管评审，以捕捉基准测试遗漏的情感与定性维度。趣味性是实用性的入口，而非干扰：Nano Banana 这个俏皮的名字和红毯自拍等用例降低了准入门槛，尤其对于那些对 AI 感到畏惧的年长用户。一旦人们尝试了有趣的功能，便会发现照片编辑、数学题求解和信息可视化等实用场景，否则她们根本不会去探索。
AI 的工艺与架构同等重要：开发过程中的一系列小型设计决策——从提升推理速度以支持对话式编辑，到从狭隘优化转向泛化能力的理念转变——不断叠加，最终形成了那种“魔法般”的能力。团队强调，高质量的细节导向精神（detail orientedness）是好模型与突破性模型之间的分水岭。专业模型是统一多模态系统的试验场：图像生成比视频进步更快，因为单帧画面的训练与 serving 成本更低，这为其他模态即将出现的能力提供了六到十二个月的预览。最终目标仍是一个能将任意输入转化为任意输出的单一模型，而 Veo 和 Nano Banana 这样的专业版本只是垫脚石。
Hansa Srinivasan：视觉媒体有一种真正能激发人们热情的特质。它是有趣的东西，但又不只是好玩，它令人兴奋，也很直观。视觉空间在我们人类体验生活中占据了如此大的比重，所以我一直很喜欢它带给人们的触动。
Nicole Brichtova：我觉得我们现在真的让人们能够讲述从前根本无法讲述的故事。某种程度上，就像相机变得普及时让任何人都能捕捉现实一样，你现在捕捉的是人们的想象力。你给了他们工具，让他们能够把脑海中的东西以视觉方式呈现在纸上，而以前她们做不到，因为她们没有工具，或者不了解这些工具。这真的很棒。
Stephanie Zhan：今天我们与 Nicole Brichtova 和 Hansa Srinivasan 对谈，她们是 Google Nano Banana 图像模型背后的团队。这个模型最初只是一个凌晨两点想到的代号，后来却成为了一种文化现象。她们向我们介绍了实现单图角色一致性所需的技术飞跃：高质量数据、长多模态上下文窗口，以及严格的人类评估如何共同实现了仅凭单张照片就能获得可靠的角色一致性；同时也解释了为什么工艺和基础设施与规模同样重要。我们讨论了推动前沿与广泛普及之间的权衡，以及这项技术将走向何方：多模态创作、个性化学习，以及将精细控制与免操作自动化相结合的专业化 UI。最后，我们还会探讨距离真正的 AGI 还缺少什么，以及初创公司现在应该在哪些空白领域进行构建。祝收听愉快。
Stephanie Zhan：Nicole、Hansa，非常感谢你们今天加入我们。我们很高兴能在这里多聊聊 Nano Banana，它已经在全球掀起了一股风潮。我们想从一个有趣的问题开始：你们自己用 Nano Banana 创作过哪些作品，或者从社区中看到过哪些最具创意的用法？
Hansa Srinivasan：对我来说，最近看到最激动人心的一点是——这其实是事后看来很明显的——就是把它和视频模型结合使用，以实现真正的跨场景角色和场景一致性。
Pat Grady：现在这种工作流程有多顺畅？做起来难度大吗？
Hansa Srinivasan：我看到的是，人们真的在混合使用各种工具，调用来自不同来源的视频模型。所以我觉得目前可能还不太顺畅。我知道市面上有一些产品正试图整合多个模型来让流程更顺滑。但我认为，在 Nano Banana 发布前后，我看到的视频差异是相当惊人的。画面变得流畅得多，也更符合你在视频创作过程中想要的自然转场效果。这很酷。我也不知道为什么自己之前完全没想到人们会立刻这么做。
Nicole Brichtova：最让我意想不到的一种用法是，人们通过各种技巧变通使用模型，把它用于学习新事物或消化信息。上周我遇到一个人，他一直用它来绘制各种主题的草图笔记。这很令人惊讶，因为文本渲染并不是——还不是我们想达到的水平。但这个人通过编写大量提示词来 hack 模型，让它输出连贯的内容。他用这种方式来理解他父亲的工作。
Nicole Brichtova：他父亲是一所大学的化学家，研究课题非常专业。于是他就把讲座内容输入到集成了 Nano Banana 的 Gemini 中，然后得到非常连贯、视觉上易于理解的草图笔记。我觉得这是几十年来，他们第一次能够就父亲的工作展开对话。这真的很有趣，也是我之前没预料到的。
Hansa Srinivasan：我觉得人们真的在想办法变通——你知道，这个模型很厉害，但显然还不完美。我们还有很多想改进的地方，但人们找到的各种使用方式让我感到震惊，她们以我们未曾预料的方式与模型互动，用我们未曾预料的输入方式来激发最佳表现，并解锁了一些令人叹为观止的东西。
Pat Grady：你们在打造它的过程中，有没有那么一个顿悟时刻，让你觉得“哇，这东西会相当厉害”？
Nicole Brichtova：我们刚刚还在聊这个。
Hansa Srinivasan：对，我觉得 Nicole 有过那个顿悟时刻。
Nicole Brichtova：有一次——我们在开发过程中总会有内部演示，可以亲手把玩模型。有一次我直接上传了一张自己的照片，然后说：“嘿，把我放到红毯上。”
Nicole Brichtova: 而且，这完全就是一个出于虚荣心的提示词，对吧？结果生成出来一看，样子就是我本人。我又去对比了之前用过的所有模型，没有一个能生成真正像我的样子。我当时特别兴奋。
Nicole Brichtova: 然后其他人看了就说："好吧，我们懂了，你在走红毯嘛。"
Nicole Brichtova: 我想大概过了几个星期，其他人也拿自己的照片去玩，才逐渐意识到，当它真正生效时，那种体验有多神奇。而这其实也是大家用这款模型做的最主要的事情，对吧？就是把自己变成一个 3D 人偶，里面既有电脑，又有玩具盒，然后你自己作为人偶。相当于你出现了三次。能够通过这种方式来表达自我、以全新的视角看到自己，甚至某种程度上强化自己的身份认同，真的很有趣。对我来说，那一刻的感受就是："天哪，这太棒了。"
Stephanie Zhan: Nano Banana 生成的你走红毯那张照片，到底比别家强在哪里？
Nicole Brichtova: 它看起来像我自己。而且，要在不熟悉的人脸上判断角色一致性，其实是非常困难的。
Nicole Brichtova: 所以如果我看到一个你的版本，比如 AI 生成的你，我可能会觉得还行。但你自己就会说："不对，我脸上有些地方不太像。"你只能在自己身上做这种判断，这也是为什么我们现在会让很多团队成员用自己的脸来做 evals，让他们去看模型输出里自己的脸。因为这真的是唯一能判断"这像不像你"的方法。
Hansa Srinivasan: 你自己，还有你熟悉的人脸。我觉得，当我们开始在自己身上测试时，比如我经常见到 Nicole，那看 Nicole 和看一个随机选来做 eval 的陌生人，在判断模型能力上差距非常大。是的，身份保持对模型真正有用、真正令人兴奋来说至关重要，但它出奇地难。这也是为什么很多其他模型都没能做到这一点。
Pat Grady: 我正想问，角色一致性应该不仅仅是规模带来的涌现特性吧。所以我想问两个问题。第一，肯定有你们不能说的，但能告诉我们的是，你们怎么做到的？第二，在开发这款模型之初，这是否就是一个明确的目标？
Hansa Srinivasan: 是的。我想说——嗯，是的，这里确实有些东西不太好说，但我可以说，图像生成有不同的技术流派，而这肯定会影响最终效果的好坏。而且，这从一开始就是一个明确的目标。
Nicole Brichtova: 这绝对是一个目标，因为我们知道过去发布的模型在这方面存在短板。总的来说，一致性一直是我们的目标，因为每次编辑图片时，你总希望保留某些部分，同时修改另一些部分。而之前的模型在这方面做得并不好，这让它们在专业工作流里用处不大。而且这也导致它们在角色一致性这类场景下派不上用场。多年来，甚至广告商也跟我们反馈过这个问题，他们想把产品放到生活场景图里去宣传，那产品就必须百分之百像它本身，不然根本没法放到广告里。所以我们知道市场有需求，也知道模型有短板，而且我们觉得自己掌握了正确的配方，无论是模型架构还是数据层面，都足以最终实现它。我想真正让我们惊讶的是，当模型最终做出来时，效果竟然这么好。
Hansa Srinivasan: 对。因为就像 Nicole 说的，我们当时觉得已经掌握了配方。但在这之前——在你真正看到模型、完成训练、实际使用它之前，你永远不知道离目标到底有多近。我想这一点让我们所有人都感到惊讶。另外还有一点，如果你想想人们在手机 App 或者 Photoshop 里编辑图片时的期待，他们会期望没动过的地方被高度保留。
Hansa Srinivasan: 但根据模型的构造方式及其背后的设计决策，做到这一点非常棘手。但这又是人们非常——这是那种看起来理所应当，实际上却惊人地难的技术问题。我觉得普通用户会认为这是编辑最基本的要求：不该动的东西，你别去动它。
Pat Grady: 回到你看到自己走红毯那张照片的时刻，"哇，那真的是我"。你的同事们过了几个星期才有同样的体验，因为他们用了自己的照片去试。我的问题是，除了"嘿，这真的是我"这种定性测试之外，有没有某种 eval 能量化这一点，证明我们已经实现了当初设定的目标？
Hansa Srinivasan: 有。其实我觉得人脸一致性，正如 Nicole 所说，非常难评估。外人很难去做这个判断。
Hansa Srinivasan: 我得说，总体而言，我们在图像生成领域有一个特别重要的发现，那就是 human evals 非常关键。我认为它们是基础性的。我们有一个团队专门帮我们搭建良好的 eval 工具和最佳实践，让人类去评估这些非常细微的东西。比如图像生成里，人脸、美学质量，这些都很难量化。所以我认为 human evals 对我们来说带来了质的飞跃。
Nicole Brichtova: 我觉得这是多种方式的结合：有 human evals，有一个非常技术化的说法叫 eyeballing，就是不同的人用肉眼去检视模型结果。还有就是社区测试。我们做社区测试时先从内部开始，Google 和 Google DeepMind 的艺术家会试用这些模型，我们的高管也会去玩。我想这真的有助于构建一种定性的叙事，让大家理解这款模型到底厉害在哪里。因为如果你只看定量基准，你可能会说："哦，比之前那款模型好了 10%。"但这无法让你真正领会那种情感层面的冲击，比如"我现在能用全新方式看待自己了"，或者"我终于可以修复那张我五岁时剪坏的全家福了"。
Nicole Brichtova: "而我当初大概不该——"真的有人这么干过。"然后，我现在能把它修复了。"我觉得你真的需要这种定性的用户反馈，才能讲好那个带有情感的故事。
Hansa Srinivasan: 我想这对很多 gen AI 和 AI 能力来说可能都成立，但在视觉媒体上尤其如此，因为它非常主观。相比之下，像数学推理、逻辑推理这类任务，你可以用答案来锚定，对吧？所以那种完全客观、自动化的 quantitative evals 会更容易实现。
Stephanie Zhan: 仅凭一张人物的 2D 照片就达到这种角色一致性的程度，真的非常难。你们能不能稍微介绍一下，是哪些技术突破帮助你们实现了这种在其他地方从未见过的角色一致性水平？
Hansa Srinivasan：我是说，我认为关键在于拥有优质的数据，让模型学会泛化，对吧？而且这是一个基础模型，是 Gemini 模型，是一个多模态基础模型，它见过大量数据，具备良好的泛化能力。我觉得这某种程度上就是秘诀所在——你需要真正具备良好泛化能力的模型，才能在这方面充分利用它，对吧？
Nicole Brichtova：是的。而且我认为在 Gemini 这样的模型上做这件事的另一个好处在于，你还能获得非常长的上下文窗口。所以，没错，你可以提供一张自己的照片，但也可以提供多张。然后在输出端，你还可以进行多轮迭代，真正与模型展开对话，而这在以前是不可能的，对吧？就在一两年前，我们还得用 10 张你的照片做 fine-tuning，要花 20 分钟才能生成看起来像你的东西。这就是它一直没能在主流市场火起来的原因，对吧？因为实在太麻烦了，而且你手头也没有那么多自己的照片。工作量太大了。所以我觉得这既是 Gemini 整体能力提升带来的好处——你受益于它的多模态上下文窗口，受益于长输出以及能够在长对话中保持上下文的能力。同时你也受益于真正关注数据、聚焦问题本身。我们在很多方面取得进步，归根结底是因为团队里有人痴迷于把这些东西做出来。比如，我们团队里有人对 text rendering 非常着迷，所以我们的 text rendering 一直在进步，因为那个人就是对这个问题特别痴迷。
Hansa Srinivasan：是的，关键不在于只是往里面堆砌大量数据，对吧？我认为非常重要的一点是，要对细节以及模型所有相关工作中的质量保持关注。每一个环节都有很多细小的设计决策和抉择点。我觉得这种对细节的关注，以及对高质量数据和筛选标准的重视，真的非常重要。
Nicole Brichtova：我觉得这是 AI 中“手艺”的部分，我们平时聊得不多，但我认为它极其重要。
Pat Grady：做这个项目的团队规模有多大？
Nicole Brichtova：要把它交付上线，得靠一群人齐心协力。
Hansa Srinivasan：是的。特别是因为我们要把它集成到很多产品里上线，所以我觉得有一个核心的建模团队，然后还有在各个产品端紧密合作的同事。
Nicole Brichtova：把这些人都算上的话，很容易就达到几十甚至上百人。但直接做模型本身的团队要小得多。然后真正让一切魔法成真的人——我们有很多基础设施团队，他们在优化技术栈的每个部分，以满足我们看到的用户需求，这真的很棒。但说实话，要把产品交付上线，我们开玩笑说这需要一个“小国”的人力。
Pat Grady：在构建这类产品时，你们是先针对特定用户画像或使用场景来设计，还是更多采用“能力优先”的思维方式——先做出能力，等能力浮现之后，再对应到用户画像上？
Nicole Brichtova：我觉得两者兼有。在训练任何新模型之前，我们会先想清楚希望它具备哪些能力，而一些设计决策——比如 inference time 的速度有多快——也会影响你瞄准的是哪类用户画像。
Nicole Brichtova：所以这个模型，因为它某种程度上是一个对话式编辑器，我们希望它响应非常迅速，因为如果生成要花上一两分钟，你根本没法和模型对话。这是图像模型相对于视频模型的一大优势——你不需要等那么久。因此对我们来说，它从一开始就像一个非常面向消费者的模型。但显然，我们也有开发者产品和企业产品，这些能力最终对它们也有用。不过确实，我们在消费者端看到了前所未有的热情，这在以往的图像模型中是没有过的，因为它响应极快，而且让这些专业级的能力仅仅通过一个 text prompt 就变得极易获取。我们一开始就是朝这个方向做的，但显然它在其他领域也同样有用。
Hansa Srinivasan：是的。我认为哲学层面的一个差异在于——以前我们做的是 Imagine 系列模型，那是纯粹的图像生成。而我觉得这些 Gemini 图像生成模型在理念目标上的一个重大转变是，泛化被视作一项更基础的能力。所以我认为这包含很多层面——比如我们确实希望这个模型擅长呈现人物、让用户编辑图像并看起来像是自己。但我也认为，有很多能力是涌现出来的，它们源于这样一个目标：拥有一个具备基线能力、能够对视觉信息进行推理的模型。比如，有个让我挺惊讶的事，也算是呼应你刚才的问题——人们可以输入数学题，比如一道手绘的数学题，然后让它给出解题过程，对吧？比如你可以输入一道几何题，问“这个角是多少度？”这就是一个具备基础能力的模型所涌现出的特性，它同时具备推理能力、数学理解能力和视觉理解能力。
Hansa Srinivasan：所以我觉得两者兼有。是的。
Stephanie Zhan：出于好奇，能否分享一下，如何理解 Gemini 驱动 Nano Banana、Veo 以及其他相关产品和模型之间的家族图谱与关系？这些产品模型都受惠于 Gemini 本身的泛化能力和规模，你们是如何协同开发的，未来又打算朝什么方向推进？
Nicole Brichtova：我们的目标一直是打造单一的最强模型，能够完成所有这些任务，对吧？你可以输入任何模态，也可以把它转换成任何模态。这就是我们的 North Star。显然我们还没到那一步。所以在达成目标的过程中，我们做了很多专门的模型，在特定领域给你出色的结果。Imagen 就是图像生成方面的例子，Veo 是视频生成和编辑方面的例子。所以我觉得我们一方面在开发这些模型以推动各个模态的前沿，你能从中获得非常有用的输出——很多电影制作人正在创作过程中使用 Veo；另一方面你也能学到很多东西，然后把这些经验反哺给 Gemini，让它在那个模态上变得更强。图像总是有点超前，因为你只需要处理一帧，对吧？无论是训练还是 inference，成本都更低。所以我觉得你在图像领域看到的很多进展，我预计在接下来的六到十二个月内也会出现在视频领域。
Hansa Srinivasan：所以这基本上一直是我们的目标。我们有不同的团队在分别开发这些技术。然后我觉得在图像方面，我们现在正更接近 Gemini，更接近那个单一最强模型的愿景。我认为在其他一些模态上你们也会看到这种趋势，而且在这个过程中我们会发布一些在特定模态下非常强大、非常令人兴奋的体验。比如说，Veo 3 非常棒，因为它以一种我们从未见过的方式将音频带入了视频生成。Genie 3 也很棒，因为它让你能够实时地在世界中导航。而为了推动这一前沿，目前很难在一个模型里同时做到所有这些。所以在某种程度上，这些专用模型算是一种试验场。但我预计，随着时间的推移，Gemini 应该能够完成所有这些事。
Pat Grady：Okay，我们得问问你们这个名字的事。
Pat Grady：我猜这个名字有点——产品本身很棒。我怀疑这个名字给它带来了一些助力，因为它太容易记了，又如此独特。所以这到底是个意外之喜，还是有哪位创意天才早就知道这个名字会恰到好处？
Hansa Srinivasan：这是个意外之喜。我想很多人都知道，这个模型像许多其他模型一样，是在 LMArena 上发布的。其中一步就是你要给它起一个代号。如果谁没用过 LMArena，就是你输入 prompt，然后会收到两个模型的回复。它们在正式发布前都有代号。我记得当时大概是凌晨两点我们要上线——Nicole 是我们很棒的产品经理。我们还有另一位产品经理，Nina。有人给她发消息问：“我们给它起什么名字？”她当时又累又困，然后——这就是那个名字，凌晨两点灵光一现想到的。
Nicole Brichtova：不是我。是我团队里的某个人给模型起的名字。我不能抢这个功劳。
Hansa Srinivasan：是跟 Nicole 一起工作的同事。我们的另一位产品经理。
Nicole Brichtova：但真正棒的一点是，首先，它很有趣。我觉得这很有帮助。它很容易发音。它还有个 emoji，这对品牌来说至关重要。
Hansa Srinivasan：她没有过度思考。
Nicole Brichtova：而且她确实没有过度思考。很棒的是，它上线后所有人都接受了。我觉得它感觉非常 googly，非常自然，最后看起来像是营销天才的妙手。但不，这纯属意外，就那么碰巧成功了，大家都很喜欢。所以我们顺势推了一把，现在你一打开 Gemini 应用，到处都能看到香蕉，我们这么做是因为之前有人抱怨，说他们进应用后很难找到这个模型。
Nicole Brichtova：所以我们干脆让它变得更方便了。
Hansa Srinivasan：对，没错。我想公开来看，大家都在说：“Nano Banana，Nano Banana，我怎么用 Nano Banana？”
Hansa Srinivasan：我有个在 Google 共事的同事问我：“我怎么用 Nano Banana？”我说：“这就是 Gemini，就在那儿，直接要求生成图像就行。”
Hansa Srinivasan：对，但我觉得关键就在这里，Google 一直都有很有趣的品牌形象，对吧？它从创立之初就是一家面向消费者的公司。我觉得利用人们对 Google 作为一个有趣的地方、有趣的公司的这种印象，再配上这个有趣的名字，真的很好。
Nicole Brichtova：这也像是一条很好的路径，让趣味成为实用性的入口，对吧？我觉得 Nano Banana，以及这个模型本身和它能做的事，比如让你走上红毯，实现你童年梦想的职业，这是一个非常有趣的切入点。但让人欣喜的是，一旦人们进入应用开始使用 Gemini，他们就会开始用它来做别的事。
Nicole Brichtova：这些功能就会变成他们日常生活中有用的工具。比如，你用它来学习、解数学题，或者用它来了解其他东西。所以我觉得有时候，稍微带点趣味——不仅是在命名上，也包括在我们构建的产品中——这一点可能被低估了，因为它能吸引人进来，让他们兴奋起来，然后帮助他们发现模型擅长的其他事情。
Hansa Srinivasan：对。我觉得其他用户，比如我父母还有他们的朋友也在用它。我想是因为它有这样的口碑。它很简单，很有趣。尝试起来没有压力，你试了会发现，其实操作非常简单。它运行起来很顺畅，交互也很容易。没有那种——你知道，技术有时候会让人望而生畏，尤其是现在的 AI。
Hansa Srinivasan：我觉得聊天机器人的自然交互已经打破了很多障碍，但可能对年轻人来说更是如此。而这种趣味——对，我妈妈就在做这些图像，玩得很开心，然后发现她可以用它来把人从照片背景里去掉。这些非常实用的事，对吧？一开始很傻很有趣，后来变得很实用。然后人们还会发现，其实它可以给你生成图表，或者帮你理解东西。所以我觉得这里面也有很大的可及性成分。
Stephanie Zhan：你们想从这里往哪里走？也许从模型层面和产品层面分别谈谈。
Nicole Brichtova：在产品层面，我觉得有几个方向。比如在消费端，我认为要让这些东西更易用，我们还有很长的路要走，对吧？你会发现很多 Nano Banana 的 prompt 长达一百个词，人们真的会进去复制粘贴到 Gemini 应用里，费尽周折让它跑起来，因为回报是值得的。但我觉得我们必须让消费者跨过这个 prompt engineering 阶段，让他们用起来真的非常简单。我觉得在专业端，我们需要实现更精确的控制，更强的鲁棒性，比如可复现性，让它在真正的专业工作流中发挥作用，对吧？就是说，没错，我们在编辑一致性、不改动像素方面已经做得很好了，但还没有做到百分之百。而如果你是专业人士，你就需要做到百分之百，对吧？你真的需要这种精确的控制，甚至可能是基于手势的控制，对画面中的每一个像素进行掌控。所以我们肯定要向那个方向发展。然后还有一个我很兴奋的大方向，就是信息的可视化。所以我一开始提到的那个视觉笔记的例子，有人想方设法用 Nano Banana 来做这件事，你可以想象把这种方式用到任何事情上，对吧？很多人是视觉型学习者。我觉得我们还没有充分挖掘 LLM 的潜力，让它能以最适合你消费信息的方式来帮你消化和可视化信息，对吧？所以有时候是图表，有时候是图像，有时候也许是一段短视频，用来学习你在生物课上学到的某个概念之类的。所以我觉得这是一个全新的领域，我非常兴奋，随着这些模型变得更好，我们要跨过那个阶段——你知道，就是模型输出的内容有 95% 都是纯文本的阶段。这有用，但这不是我们目前在现实世界中消费信息的方式。
Stephanie Zhan：这很有意思。那么在产品层面，你是不是在暗示，你们可能想要纵向整合，围绕它构建更多产品？另外，你是不是也在暗示，未来与这些模型的交互方式，可能不再只是通过纯语言和提示，而是更多借助 UI？
Nicole Brichtova：是的。我确实认为，chatbot 对人们来说是一个很容易上手的入口，因为你不需要学习新的 UI，直接跟它对话，告诉它你想让它做什么就行。但我认为，对于视觉模态来说，它开始变得有点受限了，而且我觉得未来在这方面还有很多空间可以思考——未来的视觉创作画布应该是什么样的？如何构建它才不会让用户感到不知所措？因为这些模型能做的事情越来越多，在一个非常开放式的工具里，你很难向用户解释清楚边界在哪里，以及如何绕开这些限制，怎样才能真正高效地使用它。所以我很期待看到有人朝这些方向去构建产品。在我们这边，我们有一个叫 Labs at Google 的团队，由 Josh Woodward 领导，他们会做很多这种前沿性的实验探索。他们和我们合作非常紧密，会拿着我们的 frontier model 去思考：娱乐的未来是什么？创作的未来是什么？生产力的未来是什么？所以他们做出了 NotebookLM 以及视频方向的 Flow 这类产品。我很期待 Flow 或许能成为一个你可以进行这类创作、并畅想未来形态的地方。
Hansa Srinivasan：我认为短期内，很明显这个模型还有很多不够完美的地方。所以在短期内，它显然应该每次都按照你预期的方式工作，而不是大多数时候。要让它真正无缝，修复所有那些导致性能有点不一致的小问题。长期来看，Nicole 已经讲到了，对我来说，为了实现真正丰富的 multimodal generation——现在，如果你让 Gemini 解释什么，它通常只会用文字解释，除非你明确要求它给出图像。但如果你想一想过去 10 年、20 年里真正兴起的学习平台，我们会想到 Khan Academy，它从 YouTube 起家；我们会想到 Wikipedia，它有很多图片，非常以图像为中心。你查任何数学内容，都会看到图表。所以这应该更自然地成为你使用流程的一部分，成为你使用这些模型的一种方式。而从建模的角度要实现这一点，又回到了我们之前谈到的 multimodal understanding，以及不同模态之间的 seamless generalization。
Nicole Brichtova：另一个有趣的领域可能是，当我们想到这些模型可以更主动地去引入代码、图像或视频——只要符合用户意图——我觉得这也很令人兴奋。我职业生涯早期做过咨询，所以显然做过很多演示文稿，现在也还在做。我觉得有些使用场景里，你其实并不想深陷创作细节。比如你真正想要的是：假设你在向利益相关方汇报项目进展，对吧？你想引入一些背景信息，可能是会议记录，可能是几个要点，也可能是你以前做过的某份演示文稿。然后你可能就希望 Gemini 自己去把所有工作做完，对吧？把那份演示文稿整合好，排好版，配上合适的视觉内容，让它非常容易理解。这种事你可能并不想亲自参与，这更偏向于 agentic behaviors。相比之下，我觉得在一些创意工作流里，你其实是想亲自创作的，你想深入到细节里，你会去思考 UI 应该是什么样的，才能让用户轻松达成目标。所以比如我在设计自己的房子，而且我真正热衷于此，那我可能确实想亲自摆弄它，试试不同的纹理和颜色，或者看看如果把这堵墙拆掉会怎样？所以我觉得这里存在一个光谱：从最省心的——直接让模型去引入相关的视觉素材和材料来完成合适的任务——一直到如何让创意过程变得更有趣，去掉繁琐的部分，消除现有工具带来的技术壁垒。
Hansa Srinivasan：这种混合模式是，一方面给用户精细的控制权，给他们想要的精准操控；但另一方面，模型也要能够理解用户的请求，预判需求以及应有的产出，并把所有中间环节的工作都做完。
Nicole Brichtova：这几乎就像你今天雇了一位专业人士，对吧？比如你雇了一名设计师，你给他们一份需求文档，然后他们就去做出那些出色的作品，因为他们具备专业知识。而这些模型也应该能做到这一点，只是目前在很多领域还做不到。
Pat Grady：你认为在这个领域，下一个竞争战场是什么？
Nicole Brichtova：我认为要让这些模型变得更强，还有很多工作要做。所以这种“用一个模型把任何东西转换成任何东西”的想法，我觉得还没人真正解决。但我也认为，要真正推动普及，大概有两件事。一是用户界面。我们仍然非常依赖 chatbot——我们刚才也聊到，它对某些事情有用，是很好的入口，但可能并不适合所有场景。所以我觉得，更深入地去思考用户是谁、他们想要做什么、技术如何帮上忙，然后围绕它打造什么样的产品来实现这一点，这大概是其中之一。
Pat Grady：你觉得五年或十年后，前沿技术的推进速度还会像过去几年那样快吗？
Nicole Brichtova：五年到十年后感觉像是二十年后。[笑] 就这个领域而言——你们可能也看到了——发展得非常快。
Nicole Brichtova：而且，如果你两年前问我，我会告诉你这个领域发展得很快。如果你今天问我，我会告诉你它比两年前发展得更快。
Pat Grady：好，我要问一个完全不同的问题。[笑] 我知道 Google 对 deepfakes 这类问题非常谨慎、非常关注。而且我敢想象，当你们看到这个模型的能力如此之强时，一定有过一场大讨论：我们要怎样才能确保人们不会以错误的方式使用它？这类对话在 Google 内部是怎么进行的？你们对最终的结果满意吗？
Nicole Brichtova：我觉得这也是一条不断演变的边界，因为这中间要把握平衡：你既想给人们创意自由，让他们能够使用这些工具，对吧？你又想给用户控制权，让他们使用这些工具时不会感到过度受限。同时你还想防止最严重的伤害，对吧？我觉得这就是我们一直在花大量时间讨论的平衡点。因此，很明显，当你查看模型的输出时，会有一个可见的水印，表明它是由 Gemini 生成的。这就立刻说明这是 AI 内容。而且，我们在模型生成的每一个输出中——无论是图像、视频还是音频——都嵌入了 SynthID，这是一种隐形水印。所以这些就是我们用来验证内容为 AI 生成的可见或不可见的方式。我们在这方面投入很大，并且认为为用户提供这些工具非常重要，让他们能够明白，当看到某些内容时，那不是真实的视频或图像。然后很明显，在开发这些模型时，我们在内部以及与外部合作伙伴做了大量测试，以便发现——随着模型能力越来越强，你会发现新的攻击向量和需要缓解的新方式。所以这对我们来说是非常重要的一部分模型开发工作，我们会持续投入。随着模型变得更好，随着你能用它们做更多新的事情，我们也必须开发新的缓解措施，以确保我们不会造成伤害，但同时仍然给予用户创造力和控制权，让这些模型能够在产品中可用。
Hansa Srinivasan：我是说，我认为这是一个非常、非常难以把握的平衡，对吧？因为总会有人善意地使用工具，也总会有人恶意地使用。而且我觉得这很难界定。它到底只是一个工具？还是本身带有某种责任？所以我们非常重视这一点。用户显然也要为他们使用模型的行为负责。但 SynthID 确实是一项重要技术，它让我们能够向用户开放这些能力，同时让我们有信心仍然可以验证内容，并拥有应对错误信息风险的工具。但这是一个非常棘手的话题，据我所见，每个人对此都非常认真。关于如何平衡这两方面，已经有很多讨论了。
Stephanie Zhan：那这现在是整个行业的标准吗，SynthID？
Nicole Brichtova：是的，这是 Google 的标准。
Hansa Srinivasan：这是 Google 的标准。我相信——就像 Google 的每一款产品，比如 Imagen、Imagen 系列、Veo。当你在任何产品界面使用它们时，都带有 SynthID。
Pat Grady：好吧。你说过我们不能展望五到十年后，因为事情发展得太快了，那我们就展望一到三年后吧。两个问题。第一，现在只能想象的事情，什么将会变成可能？第二，这将给我们所有人的生活带来什么样的改变？
Nicole Brichtova：我真的很希望，一两年之后，人们能够拥有个性化的导师，或者说个性化的教材，对吧？如果我们有不同的学习风格和不同的起点，那我和你就不应该用同一本教材，但现在就是这样。我们的学习环境就是这么设置的。我认为，随着所有这些突破的出现，这应该变得非常可能——你会有一个 LLM 导师，它能摸清你的学习风格，了解你喜欢什么。也许你喜欢篮球，那我就可以用篮球的类比来给你解释物理。所以我真的很兴奋，学习将变得高度个性化。这感觉是非常可实现的。当然，我们必须确保不产生幻觉，对事实准确性的要求也很高。所以我们需要让内容扎根于现实世界的素材。但这一点让我很兴奋。而且我认为，这真的为人们扫清了很多障碍，对吧？回到你问的，影响会是什么。我认为，学习任何东西都将变得容易得多，而且是完全为你量身定制的方式，这是现在根本做不到的。
Pat Grady：这有可能成为 Google 的一个产品界面吗？
Nicole Brichtova：应该有人去研究一下。
Hansa Srinivasan：是的。而且我认为，对于它将如何改变我们的生活和工作方式，我觉得在从事这些技术工作的过程中，我已经看到它如何改变了我们的工作方式，对吧？因为我们显然大量在使用它们。我快结婚了。我们用模型做了婚礼的 Save the Date。所以我真的认为，我们会看到——就在工作方面——工作量。我认为创新加速的部分原因，就是因为我们有了这些模型。你有代码助手，你可以用模型来过滤信息、分析海量数据。它极大地提升了我们自己的工作流程。比如我今年能完成的工作量，与两年前相比，简直是一个数量级的增长。我认为科技行业确实如此。但很多其他行业还不是这样，只是因为它们的工作流程或工具还没有实现这种整合。所以，你知道，有些人会说，“哦，它要取代我了”，但至少就我所见，它实际上只是改变了一个人能完成的工作量。至于这对企业或经济意味着什么，我不太确定，但我认为这意味着，我们将看到人们在同样的时间内更有能力——希望能完成更多工作。比如，也许你不必——你知道，我有做咨询的朋友，他们说：“我刚刚花了很长时间，大概两个小时做幻灯片，调整……”
Hansa Srinivasan：移动各种 logo。而且，希望他们将不必再做这些。他们可以把时间花在思考幻灯片的内容应该是什么，思考，与客户沟通。我认为，这就是我们希望在一到两年内看到的。
Stephanie Zhan：鉴于你看到的能力发展轨迹，你认为有哪些有趣的领域是创业公司应该去做，而 Google 本身可能不会进入的？
Nicole Brichtova：我认为即使在创意工具领域也有大量空间。我觉得人们有很大的空间去探索，未来的这些 UI 会是什么样子？创意控制是什么？如何把一切整合在一起？我们看到很多创意领域的人要跨 LLM、图像、视频和音乐工作，他们必须去四个不同的工具才能完成。所以，很多人用 LLM 来构思，对吧？比如，给我一些概念，这是我有的一个想法。一旦你对这个满意了，你就把它拿到图像模型里，开始思考视频里我想要哪些关键帧。你在那里花大量时间迭代，然后你再把它拿到视频模型里——这又是另一个界面。然后到了某个阶段，你想要声音和音乐，把它们全部混合在一起，然后你其实还想做一些重度编辑，于是你又去一些传统软件工具。感觉这种基于工作流的工具可能会在很多不同的垂直领域涌现。所以创意活动只是其中一个例子，但，你知道，也许会有一个面向咨询师的工具，让你能更高效地制作幻灯片、演示文稿和给客户看的 pitch deck。所以我认为那里有很多机会，而一些大公司可能不会进入这些领域。
Hansa Srinivasan：还有很多关于“如何让这项技术对 X 工作流有用”的空间，对吧？比如销售。就像，我说的很多东西我自己在公司里也不太了解，比如财务工作流，但我可以想象有很多任务可以被自动化，可以被大幅提效。我认为创业公司处于一个很好的位置，可以真正去了解特定的客户用例、需求，那种细分需求，然后去做应用层；而我们真正关注的是基础技术。我想，只是有这么多人对这个模型感到兴奋，这一点就让我非常兴奋。
Hansa Srinivasan: 不知道我说明白了没有。我身边的很多人，比如很多叔叔阿姨、我父母、朋友，他们都用过聊天机器人。他们问问题，获取信息。我妈妈特别喜欢向聊天机器人询问健康信息。但视觉媒体有一种特别的魅力，能真正让人们兴奋——它固然有趣，但又不只是有趣，它令人激动，也很直观。视觉空间在很大程度上构成了我们人类体验生活的方式，所以我特别喜欢它在情感和兴奋感上带给人们的触动。我觉得这对我来说是最激动人心的部分。
Stephanie Zhan: 我三岁的儿子把狗绳——就是那种磨损的棕色绳子——缠在自己身上，让自己看起来像个战士。我给他拍了张照片，然后把他变成了一个战士超级英雄。
Stephanie Zhan: 这让他觉得自己有超能力。
Stephanie Zhan: 我丈夫会给他读故事，他用 Google Storybook 读一些关于他在学校学到的人生道理的故事。比如，如果在操场上和别的小朋友发生了冲突，或者适应新学校。这个工具生成了一些角色，长得像他、我丈夫、我，还有我们的狗和女儿，把这些我们想教给他的道理编进了有趣的故事里，就是你提到的那种个性化。所以我真的非常喜爱这个未来。他成长的过程将会完全不同。
Nicole Brichtova: 这很棒，对吧？因为这是一个只给一两个人或五个人看的故事，你以前根本不会去制作这样的故事，对吧？而且其他人可能也不想读——不过如果你愿意分享，我倒是很乐意读。
Nicole Brichtova: 但我觉得我们现在真正做到了让人们能够讲述那些以前根本讲不了的故事，就像相机变得普及时，任何人都能用它捕捉现实一样。你现在某种程度上是在捕捉人们的想象力。你给了他们工具，让他们能够把脑子里的东西以视觉方式呈现在纸上，这是他们以前根本做不到的，因为他们没有工具，或者不懂如何使用工具。这真的很棒。
Nicole Brichtova: 谢谢你们邀请我们。
Stephanie Zhan: 很高兴能请到你们。浏览本网站即表示你同意我们的 cookie 政策。