Google 已决定终止其语音助手 Assistant 服务,并用 Gemini AI 服务取而代之。
Google Assistant 于 2016 年首次亮相,提供了 Google 所称的"对话式界面",可以"享受娱乐、管理日常任务并从 Google 获得答案"。
要使用 Assistant 的服务,用户需要点击图标或说出唤醒语"OK Google",然后说出指令。这个工具被集成在 Android 和许多 Google 服务中。Google 还将其助手内置到智能音箱和智能家居设备中,并允许第三方硬件制造商也这样做。
开发者被吸引来通过"Actions"功能让 Assistant 执行自定义任务。
为了说明 Actions 的功能,Google 举例一个名为"Heavy Metal Detector"的假想网站,该网站为重金属音乐爱好者提供演出指南和新闻。Google 建议该网站的运营者可以构建一个 Action,允许用户说出类似"OK, Google. 跟 Heavy Metal Detector 聊聊,帮我找重金属音乐会"这样的指令。
遗憾的是,Assistant 的表现并不理想。根据记者的体验,它经常难以正确理解上述查询重金属演出的请求。而且远处房间的智能音箱对指令的响应可能与近在咫尺的设备一样。
2022 年,我们的专栏作家 Mark Pesce 认为整个语音助手类别都已失败,因为没有人会用它们做播放音乐和倒计时以外的事情。
2023 年,Google 停止了 Actions 服务,这似乎印证了 Mark 的观点。
现在 Google 似乎也厌倦了 Assistant,周五的一篇博文宣布它将被 Google 闪亮的新生成式 AI 产品 Gemini 取代。
"在未来几个月,我们将把更多移动设备用户从 Google Assistant 升级到 Gemini;到今年晚些时候,传统的 Google Assistant 将在大多数移动设备上不再可用,"Gemini 应用产品管理高级总监 Brian Marquardt 写道。
"此外,我们还将把平板电脑、汽车和连接到手机的设备 (如耳机和手表) 升级到 Gemini,"他补充说。
Marquardt 还承诺"将为智能音箱、显示器和电视等家用设备提供由 Gemini 驱动的新体验",详细信息将在"未来几个月内"公布。
Marquardt 的文章没有详细介绍这种新体验,但开篇就指出:"我们相信助手应该是个性化的,能够感知周围的世界。它应该能够与你已经使用的应用和服务交互。它应该让你变得更有效率、更有创造力,并激发你的好奇心。"
值得注意的是,Gemini 可能会让你的花费增加,因为全面采用 Google AI 的三星最新 Galaxy S 智能手机已经警告买家,他们可能需要订阅才能访问合作伙伴提供的 AI 功能。截至 2025 年 1 月,这家韩国巨头表示 AI 订阅至少要在一年后才会推出...这将是在 Google Assistant 退役几个月之后。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。