Η Google επεκτείνει το Gemini σε ένα «μοντέλο κόσμου» και προωθεί τα Astra και Mariner σε λειτουργικές υπηρεσίες

Η παράγραφος του οράματος και η παράγραφος της υλοποίησης κάνουν διαφορετική δουλειά

Ο βασικός ισχυρισμός είναι ότι το Gemini 2.5 Pro επεκτείνεται σε ένα «μοντέλο κόσμου» που μπορεί, όπως λέει ο Demis Hassabis, να καταστρώνει σχέδια και να φαντάζεται νέες εμπειρίες προσομοιώνοντας πτυχές του κόσμου. Αυτή είναι η ερευνητική θέση, και η Google τη στηρίζει με μια γενεαλογία: τον Transformer, τα AlphaGo και AlphaZero, τα διαδραστικά τρισδιάστατα περιβάλλοντα του Genie 2, την κατανόηση διαισθητικής φυσικής του Veo, και το Gemini Robotics.

Επεκτείνουμε το Gemini ώστε να γίνει ένα μοντέλο κόσμου που μπορεί να καταστρώνει σχέδια και να φαντάζεται νέες εμπειρίες προσομοιώνοντας πτυχές του κόσμου.Montana Labs

Αν όμως διαβάσει κανείς πέρα από το πλαίσιο, η ανάρτηση αφιερώνει τις περισσότερες λέξεις της στην τοποθέτηση, όχι στη φυσική. Το ενδιαφέρον περιεχόμενο για όποιον σχεδιάζει διεπαφές είναι η λίστα των υπηρεσιών προς τις οποίες κατευθύνονται αυτές οι δυνατότητες: Gemini Live, Search, το Live API για προγραμματιστές, και νέες μορφές συσκευών όπως τα γυαλιά. Πρόκειται για έναν οδικό χάρτη διάθεσης μεταμφιεσμένο σε μανιφέστο.

Οι δυνατότητες του Astra περιγράφουν ένα UI που δεν είναι ένα πλαίσιο κειμένου

Η Google ονομάζει τις συγκεκριμένες δυνατότητες του Project Astra που εντάσσονται στο Gemini Live: κατανόηση βίντεο, κοινή χρήση οθόνης, μνήμη, εγγενή φωνητική έξοδο ήχου, και έλεγχο υπολογιστή. Καθεμία από αυτές αλλάζει το πώς εμφανίζεται η πρόσοψη του βοηθού. Η κοινή χρήση οθόνης σημαίνει ότι ο βοηθός βλέπει τα ίδια pixel με τον χρήστη· η εγγενής φωνητική έξοδος σημαίνει ότι το κύριο κανάλι μπορεί να είναι προφορικό αντί για γραπτό· ο έλεγχος υπολογιστή σημαίνει ότι ο βοηθός ενεργεί απευθείας στη διεπαφή αντί να επιστρέφει κείμενο για να ενεργήσει ο χρήστης.

Συνολικά, πρόκειται για εισόδους και εξόδους που δεν ταιριάζουν στο μοτίβο του παραθύρου συνομιλίας που έχουν καθιερώσει τα περισσότερα προϊόντα. Η ανάρτηση αναφέρει ρητά τα γυαλιά ως στοχευμένη μορφή συσκευής, το οποίο είναι το σαφέστερο σημάδι ότι η Google αναμένει ότι ο βοηθός θα «κατοικεί» κάπου αλλού εκτός από μια οθόνη κινητού με πεδίο εντολών. Για τις ομάδες που σχεδιάζουν frontend, αυτό μετατοπίζει το ερώτημα από «πού πηγαίνει το μήνυμα» σε «τι βλέπει ο βοηθός και τι επιτρέπεται να αγγίξει».

Το Project Mariner περνάει τον agent από πρωτότυπο browser σε δέκα ταυτόχρονες εργασίες

Το Project Mariner, που κυκλοφόρησε τον Δεκέμβριο ως ερευνητικό πρωτότυπο για την αλληλεπίδραση ανθρώπου-agent στον browser, περιλαμβάνει πλέον ένα σύστημα agents που μπορούν να ολοκληρώνουν έως και δέκα διαφορετικές εργασίες ταυτόχρονα — αναζήτηση πληροφοριών, κρατήσεις, αγορές και έρευνα, όλα παράλληλα. Η Google αναφέρει ότι το αναβαθμισμένο Mariner είναι διαθέσιμο σε συνδρομητές Google AI Ultra στις ΗΠΑ, και ότι οι δυνατότητες χρήσης υπολογιστή του θα ενσωματωθούν στο Gemini API.

Η λεπτομέρεια της ταυτοχρονικότητας έχει μεγαλύτερη σημασία για τον σχεδιασμό διεπαφών από τον ίδιο τον αριθμό. Ένας agent μίας εργασίας μπορεί να παρουσιαστεί ως μια σειρά συνομιλίας που κλείνει· δέκα παράλληλες εργασίες απαιτούν μια επιφάνεια που δείχνει κατάσταση — τι εκτελείται, τι αναμένει, τι χρειάζεται ανθρώπινη απόφαση. Αυτό είναι πρόβλημα πίνακα ελέγχου, όχι πρόβλημα συνομιλίας, και είναι το είδος πράγματος που πρέπει να ενσωματωθεί στο frontend και όχι να συμπεραίνεται από μια μεταγραφή.

Τι απέκλεισε η Google και τι άνοιξε σου δείχνει το πραγματικό χρονοδιάγραμμα

Η ανάρτηση είναι προσεκτική ως προς την κατάσταση διάθεσης. Οι αναβαθμισμένες δυνατότητες του Astra συγκεντρώνονται από αξιόπιστους δοκιμαστές και κατευθύνονται προς το Gemini Live· το Mariner είναι διαθέσιμο μόνο με συνδρομή AI Ultra σε μία χώρα· οι δυνατότητες χρήσης υπολογιστή είναι το κομμάτι που δρομολογείται προς το Gemini API. Η Google σημειώνει επίσης ότι διεξήγαγε ένα ερευνητικό πρόγραμμα σχετικά με την ηθική των προηγμένων βοηθών ΤΝ και ότι αυτό επηρεάζει την υλοποίηση.

Η συγκεκριμένη συνέπεια για όποιον χτίζει πάνω σε αυτό: η επιφάνεια που είναι διαθέσιμη σε προγραμματιστές αυτή τη στιγμή είναι ο έλεγχος υπολογιστή μέσω του Gemini API, όχι το πλήρες όραμα του καθολικού βοηθού. Η ρητορική περί μοντέλου κόσμου είναι μια κατεύθυνση, αλλά αυτό που μπορείτε πραγματικά να ενσωματώσετε σε ένα προϊόν είναι μια δυνατότητα agent που ενεργεί στον browser με ένα βάρος διεπαφής — παρουσίαση παράλληλης κατάστασης εργασιών, καθορισμό δικαιωμάτων για το τι επιτρέπεται να κάνει κλικ και να αγοράσει ο agent, και διαχείριση της μετάβασης όταν απαιτείται ανθρώπινη απόφαση. Αυτή η «υδραυλική» είναι η δουλειά του άμεσου μέλλοντος· ο βοηθός με προσομοιωμένο κόσμο είναι ακόμα μια ιστορία δοκιμαστών και συνδρομητών.