阿斯特拉 AI
概述
阿斯特拉 AI（Project Astra）是谷歌 DeepMind 正在开发的多模态 AI 助手。它通过摄像头和实时语音理解周围环境，并持续进行自然对话。该产品于 2024 年谷歌 I/O 大会上首次公开，被视为下一代 AI 代理而备受关注。
主要内容
背景与开发
阿斯特拉 AI 于 2024 年 5 月在谷歌年度开发者大会 I/O 上发布。它旨在突破传统 AI 助手的局限，能够实时处理真实世界的视觉信息，并在保持上下文的情况下进行对话。该项目基于谷歌 DeepMind 最新的 Gemini 模型。
主要功能
- 实时视觉理解：通过分析智能手机摄像头或智能眼镜的视野，识别物体、地点和情境。
- 自然语音对话：对语音指令和问题做出快速灵活的响应，即使对话中途切换话题也能记住上下文。
- 协作式代理：与多项谷歌服务（搜索、地图、Lens 等）联动，执行复杂任务。
- 时间推理：可存储过去的对话内容，并在之后重新调用使用；对于“我的钥匙放哪儿了？”这类问题，可以搜索摄像头记录来回答。
工作方式
阿斯特拉 AI 会连续处理摄像头输入的图像帧，并将用户语音转换为文本加以理解。此外，它还会同时分析空间感知和语音语调，以提供更具沉浸感的交互。例如，当用户说“猜猜这个酒杯是什么材质”，它能在当场推断出材质并作答。
与传统助手的区别
传统语音助手（如 Google Assistant）更接近于执行简单指令，而阿斯特拉 AI 则进化为具备视觉与语音相结合的情境感知能力的代理。同时，它还着眼于通过“智能眼镜”（Glass）等可穿戴设备使用记忆上下文进行连续对话的场景。
最新动态
2024 年 12 月，谷歌启动了阿斯特拉 AI 的抢先体验计划，向部分开发者和用户提供测试版本。预计 2025 年将正式整合到 Gemini 应用和 Android 生态系统中，并且已经展示了与某些 AI 镜头相结合的“Astra Speak”功能。与此同时，OpenAI 的 GPT-4o、Meta 的 Ray-Ban 智能眼镜等竞争技术也纷纷推出类似的多模态助手，市场竞争日趋激烈。
相关主题
- [[谷歌 DeepMind]]
- [[Gemini（语言模型）]]
- [[多模态 AI]]
- [[GPT-4o]]