AI创业失败，可私聊经验教训分享...
当前我唯一每个月付费的模型是ChatGPT，但昨天看了Google I/O 后，默默的打开了支付界面，国外做模型基建的大厂真的足够卷！
PS：本来这篇文章是懒得写的，因为基友沈旸已经写得不错了，但他文字有些绕口，所以我这里还是写写：用乐高的方式来创造未来，谷歌I/O 2025的AI魔法时刻
一句话描述Google I/O：
与其他Agent产品一致，从视频宣传来看：新一代模型正在把"写代码造软件"彻底变成了"拼乐高做体验"
接下来，AI会把普通人也拉进创作者的角色，但短时间各位专业同学还不必担心，因为坑一定有点多，长期的话创意比专业更重要了...
以下是一些会议要点，然后大家不要觉得内容多，跟不上了，事实上他依旧跳不出此图：
Gemini 2.5：更强大的模型
与GPT、LLama4的发布一致，模型开始支持百万token对话窗口了，如图所示：
关注Agent发展的同学一定会清楚：当前主要阻碍Agent的关卡有三：
- 记忆问题；
- 幻觉问题；
- 多模态问题；
事实上，更长的上下文token就是为解决记忆问题而生，但更长的token对模型的基础能力要求更高，因为更长的上下文可能更容易产生幻觉。
所以，这里有几个点大家要关注：
- **多模态 ≠ 多学科：**医疗、法律这类强门槛场景，缺的是结构化行业语料，更大上下文窗口并不能解决这个问题。比如星火 4.0 已经能把 CT 片子、检验单、语音病历一起读，但真正让它在三级医院排 T2 检查，还得有 结构化标注＋合规流程 ；
- 记得住不代表拎得清： 百万 token 上下文只是把"全部信息"摊在桌面，缺少可靠检索与质量分级，一样会"记错重点"，在这个角度来说 Attention is all you need；
- **治理成本上升：**模型新增 Deep Think 模式，但企业要启用 Deep Think 前，先把"推理路径留痕"写进合规手册，否则输出再复杂也无法审计；
Project Mariner + Agent Mode
我们之前聊过computer use，并且给了一个结论：体验并不好，还有很多小BUG。
他是由Anthropic（Claude母公司）在2024年10月推出。
目标是让AI像人类一样操作电脑：看屏幕、动光标、点按钮、打字，再这个基础上再扩展功能，比如帮订机票、填表格、查天气。
技术实现为：通过截屏+虚拟键盘鼠标模拟人类操作，类似于"教会实习生用电脑"。
Project Mariner就屌了，他是 Google 在 2025 I/O 大会上公布的浏览器级 AI 代理原型。
**它运行在一组云端虚拟机里，像"数字人"一样用鼠标、键盘和登录态操作真实网页，并通过自然语言与用户沟通。**最新版本的三个关键卖点：
- 网页操作学习能力：用户示范一次完整流程（例如订火车票），Mariner 记录 DOM 结构、表单字段、验证码插桩位置→自动归纳成"任务脚本"，此后遇到类似界面即可复用；
- **并行多任务：**一次可在 10 个沙箱浏览器里同时跑不同流程（查房源＋填报表＋比价）；
- **Gemini 深度接入：**即将通过 Agent Mode 出现在 Gemini App／Search 侧边栏；API 已开放给 Automation Anywhere、UiPath 等 RPA 厂商做二次封装；
比如，你在找房，告诉它预算、位置偏好，它可以自动登录 Zillow 等网站，调整筛选器、比对选项，甚至调用 MCP 协议帮你预约看房：
这个东西大家并不陌生，国内其实也有一些对标品，最显眼的是Manus，其他还有：
钉钉新出的知识库自动化用 RPA + 规则引擎让文档自动归档、流转、审批；脚本级定制还能连 ERP、CRM 做端到端闭环；
另一方面，飞书智能伙伴自动生成会议纪要、分配待办，并能调用 JIRA、GitLab API 把 action 写进工单。
当这类产品都有一些问题：
- 网页改变，代理就会跟着翻车；
- 对于员工来说，真正的痛点不是"能不能录动作"，而是谁来兜底异常？国内很多团队最后还是要给每条流程绑上人工二次审核；
换句话说，自动化类工具最怕出错，我之前为某个公司做了一块AI工具，最终导致裁员70%客服，但某次程序出问题，公司根本找不到那么多备用客服，导致了巨大损失，最终的结果是，他们又招了一批回来...
Canvas：对话就能搭出一个应用
这个东西约等于产品经理的低保真原型机，只要说一句"我要做英语测验网站"，页面 + 题库 + 样式全自动！
这一切，无需写代码、也无需切 IDE。Canvas 就像一个"语言编程的乐高桌"，你说想拼一个"城堡"，它立刻递给你窗户、砖块、塔楼，一拼就成：
但这里不能看视频表现很友好，他很可能只适合 0→1 快速验证。
验证成功后， 1→10 之后接口、权限、性能，全是你要补的坑，这一步才是跟业务死磕的开始。
Flow + Veo 3 + Imagen 4
这是标准的视听"三件套"，导演只剩审美！
其实今年在图像与视频侧AI在各种开挂，前些日子设计领域的Agent产品Loveart表现得非常不错：
而后Google马上展开会心一击，谷歌发布了三款创作者向的 AI 工具：
- Flow 脚本→分镜→配乐→配音一条龙；
- Veo 3 让 AI 视频摆脱"无声时代"，支持原生音轨与物理细节；
- Imagen 4 图生图，2K 分辨率保持 Logo 与文字清晰；
这三者组合，就像是给创作者配齐了导演、摄影、视觉总监：
于是基友最近一直在鼓吹创业失败的我：
但其实这里也有几个要思考的点：
- **内容监管新考题：**Deepfake、版权爬虫全升级，企业如果想用来做广告，先把 Model Card + 审核流水准备齐；
- **创作者岗位重塑：**从"剪辑工"变"艺术总监"，但审美差依旧一刀见血，AI 只能给你 70 分底稿，封神还靠人；
- **数据飞轮机会：**品牌若能把自有素材、视觉规范拿来做训练，反而能打造独家风格壁垒，垂直板块的应用可能是机会；
Project Astra：视觉突破
若前所述，长token解决的是记忆问题，那么听觉视觉问题当然要处理，所以Astra应运而生。
视频中是一位谷歌员工戴着眼镜，在展厅走来走去，让 AI 一路陪聊。
她拿着咖啡问："我刚才在哪里买的这杯？"
AI 分析了杯子上的模糊图案，告诉她店名，还顺便推荐了类似口味的咖啡店。
她走到一面画着涂鸦的墙前问："这是谁的作品？"
AI 实时识别图案，说出艺术家，还讲了背后的小故事。
这种实时视觉 + 语音 + 100 万 token 记忆，像贴身纪录片导演。
其实这种眼镜之前就见过了，只不过这次穿上了AI的外衣，但这款产品要走向市场，依旧绕不过几个问题：
- **隐私与法规：**持续摄录＋长期存储，GDPR/SOX/医疗 HIPAA......哪一条都够你写几百页合规文档；
- **硬件掣肘：**AR 眼镜要塞进 Gemini Nano，功耗、发热、散热还没看到终极方案，之前硬件的问题，现在也还在；
- **场景 ROI：**最后，各个公司不要跟风。维修、仓储、远程护理是刚需，娱乐打卡纯属"炫技 demo"，企业别走错优先级；
搜索再进化
搜索也被彻底"拼乐高化"。一句复杂问题，Gemini 搜索自动拆分并聚合答案，还能上传视频请它诊断故障。
比如你可以问："我家附近有什么适合初学者、提供折扣课的瑜伽班？距离不超过3公里，还要晚上开课。"
Gemini 搜索会：
- 找出你的位置
- 分析课程类型
- 识别营业时间和新手优惠
- 给出地图、链接和推荐理由
而且你可以点"更简洁"或"更详细"，就像调节回答风格一样自然。
事实上我们之前就说过，浏览器正常逐渐AI知识库化，进一步正在Agent化，Google I/O 展示来说，他们确实也在这么做。
但要走向深入应用，我不知道其现在边界在哪，我之前是做AI + 医疗领域的，就随便说个问题对学术、医疗这类需要可追溯证据的环节，模糊引用没法做责任链。
另一方面，传统浏览器领域会收到绝对的冲击，比如SEO来说，内容站若只提供"干货片段"，流量入口被截胡，用什么换广告营收？
最终问题会来到企业端，他们不会想贡献自己的数据被白嫖！
Gemini 无处不在
行业已经逐渐走向成熟，抬腕记笔记、车内自然语音回短信、XR 导航......整合体验一致性史无前例。
在 Android 16 和 Wear OS 6 中，Gemini 将以系统服务的方式存在，协助你完成一切操作。
只不过，非要杠一句的话，当前Android碎片化还是挺严重的，OEM 要不要跟？跟了之后系统权限、隐私弹窗谁负责？
我在导航时候跳出一个游戏窗口，想想就很刺激！
另一方面，开发者负担可能会变重，统一 API 表面简单，实际要维护多端 Feature Flag，别高估 Google 对低端机的兼容投入。
写代码像拼模板
对程序员来说，谷歌也没忘记他们的"拼乐高愿望"。官方的亮点是：1M token IDE 上下文、自动 "PR+单测" 生成、设计稿一键落地。
从 Cursor 到微软的 Copilot，再到如今的 Code Assist、Jules、Stitch、Firebase Studio 套装，大厂从来没有放弃干死程序员的梦想...
总之，程序员们自求多福吧，我现在才意识到封闭 = 安全，闭塞才能长久啊...
Gemini 世界模型
Gemini 2.5 被定位为"世界模型"雏形：能模拟物理、推演场景、规划行动。
与Manus不同的是，其实 Google 已经铺垫多年，他表现得极为厚重：
- 在《星际争霸》《围棋》中训练智能体，习得复杂决策策略；
- 打造 Genie 2，只需一张图，就能生成完整的 3D 可交互虚拟世界；
- 推出 Gemini Robotics，让机器人学会"如何抓住一件物品、执行指令并根据实时环境动态调整"；
- 以及最新发布的 Veo，具备对"物理世界直觉"的深刻理解，能精准掌握运动、惯性等背后的规律；
这些能力的交汇，正慢慢把 Gemini 变成一个有感知、有推理、有记忆、有行动力的超级智能体。
一个令人震撼的方向是：借助 Gemini，我们可以轻松地将现实中的物理世界，转化为通过代码和网页仿真的数字世界。例如拍下下面的一张树木的照片，Gemini可以帮你生成游戏模型或者3D模型中的树的结构。
只不过，世界模型是最吃数据闭环的存在，如果没有实时反馈，它只是更大的 GAN 罢了。
其次，企业最怕"模型判定 A > B 的原因"说不清。世界模型越复杂，越需要传统规则引擎 + 审计日志兜底。
这可不是通用大模型能搞定的事情，总之理想很好，只不过Manus的技术成本也不高，那些所谓的技术沉淀，现在看来有点亏啊...
结语
Google 这波秀肌肉，确实把"软件＝乐高"这条路铺得更亮、更滑。但别忘了：拼得快不等于拼得稳，拼得炫不等于拼得赚。
对个人，AI 让创意门槛史无前例地下探：可要是审美、故事、逻辑没跟上，生成再多 4K 视频也只是高清无聊。
对创业者，0→1 的原型速度是爽点，1→10 的迭代成本是痛点；先算 ROI，再谈"颠覆"。
对企业，长记忆、世界模型听着性感，合规、可解释、责任链 才是"刚需满级怪"。
总结下来：让技术为价值买单，而不是让价值去追技术的热闹。
把每一块乐高都当作"可替换零件"，选最能提升核心指标的那块先落地------剩下的，等它们从炫技变刚需，再入手也不迟。
