# Veo 3 冲上第一，打败的是自家 Veo 2：Google Labs 三位负责人的复盘

> Training Data No. 50 中文精读

- 原标题：Google I/O Afterparty: The Future of Human-AI Collaboration, From Veo to Mariner
- 发布日期：2025-06-03
- 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等
- 网页版：https://trainingdata.qiaomu.ai/ep/050-google-i-o-afterparty-the-future-of-human-ai-collaboration-f-exuuGr.html
- 精读字数：约 5564 字（阅读约 12 分钟）

> 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。

2025 年 5 月的 Google I/O 结束没几天，科技圈对 Google 的评价翻了个面。前一年大家还在讨论"Google 是不是掉队了"，I/O 之后的主流说法变成了"Google 冲到了最前面"。红杉资本的播客 Training Data 趁热做了一期节目，请来 Google Labs 的三位负责人，主持人是 Sonya Huang。

三位嘉宾各管一摊：Thomas Iljic 负责创作工具，Whisk、Flow 和视频模型 Veo 的产品化背后都有他；Jaclyn Konzelmann 负责电脑操作代理 Project Mariner；Simon Tokumine 负责 NotebookLM。被问到舆论为什么转得这么快，Thomas 的回答只有两个字：模型。Simon 补了一个内部视角：**外界看到的是爆发，内部看到的是至少三年的持续改进，现在只是第一章结束、第二章开始。**

有个细节很能说明状态：Veo 3 上线后冲到视频生成榜第一，它挤下去的上一名是 Veo 2。团队内部开玩笑说，这是 Veo 打败了 Veo。

## 三年前埋下的种子

Thomas 回顾了视频创作工具的起点。大概两年半到三年前，两件事让他们觉得时机到了。一个是 ControlNet 论文，它让图像生成模型可以被引导，你能指定姿势、指定场景，模型照着来，按一个键干等结果的玩法开始松动。另一个是 LoRA，给模型看一组东西，它就能抓住那个特定风格的可能性范围。

有了控制能力，Google Labs 开始大量试错。他们先在公司内部训练了一批员工，用类似 Flow 的界面做创作，后来干脆跟艺术家合作，做出半集二维动画《The Not-So-Supervillain》放在 YouTube 上，想看的可以去搜。

这轮试错沉淀出三条信念：

- **创作必须可迭代。**控制项要建在模型旁边，能重拍、能修、能回到某一步重来。
- **媒体自带蓝图。**我生成的东西自带施工图，你能从我停下的地方接着做。
- **展示加讲述。**与其写两页提示词，不如直接丢图给模型看，说一句"大概是这样"，然后在上面继续。

这三条变成了两个产品。Whisk 面向大众，Thomas 把它定位成探索空间：现在每个人指尖上都有了视觉语言，未必有成熟的叙事能力，但可以快速混剪彼此的作品，这些经验以后会沉淀进 Google 各产品处理用户输入的方式。Flow 面向另一头，你脑子里已经有明确的画面，工具的任务是帮你做出最好的版本。

Flow 的目标用户，Thomas 说得很直接：AI 电影人。这个词现在还没严格定义，但他看到的大概是三层人。最顶上那层有完整工作流，需要高度定制的工具；中间一层拿它做预演，先快速出一版再走正式流程；最底下那层最打动他，**以前拿不出 10 万美元把想法拍出来的人，现在至少能试一把。**Flow 团队想造的东西有个名字：生成式 AI 摄影机。先做出这台"DSLR"，再从中蒸馏出大众版。

## 模型快够了，难的是上面的东西

聊到 Veo 3，Sonya 提到她心中的评测标准：Will Smith 吃意大利面测试。这个曾经把 AI 视频打成筛子的老梗，现在算是过了。Thomas 的回答是"还有空间，但相当酷"。Google DeepMind 的团队干得漂亮，六根手指的问题没有了，物理表现也挺好。但多角色调度、跨场景的角色一致性、跨片段的修改传播，还有大量工作要做。

这次最大的发布其实是音频：视频和声音同时生成。Thomas 的原话是，视频比图片多很多，带声音的视频又比普通视频多很多。这一下点燃了病毒式传播，AI 视频第一次有了完整的视听错觉。

Sonya 问，剩下的研发有多少在模型层、多少在产品层。Thomas 的回答分了两头：模型层的问题"会发生，而且很快"，角色一致性、场景一致性、重拍，这些控制手段都能看到实现路径，每周都有新东西冒出来。**真正难的是模型上面的抽象层。**声音该在哪定义？怎么绑到角色身上？角色的口癖怎么在片段之间传播？用户到底该给什么输入？这些全是开放问题。

输入这个话题，他立场很坚定：

> 我依然认为一切都要展示加讲述。什么都得转写成文字，这事其实挺反直觉的。除了文字，还应该有演示、有模仿、有给参考图当灵感。

Sonya 转述了一位创始人的类比：未来的用户应该像导演指挥剧组，"这边灯光改一下，这句台词带点口音再说一遍"。Thomas 认可这个方向，但他看得更远一步：**视频生成、模拟、游戏正在变成同一件事，本质都是搭世界。**这是舞台，这些是素材，东西长这样。然后你在里面拍摄，可以重拍、暂停、修正、回到过去重新生成。UI 会相当新颖。

Google DeepMind 的 Genie 模型已经摸到边了：给一张图，你移动角色，世界在你面前长出来。游戏和电影会不会融合？他的看法是，游戏好玩因为约束明确，电影好看因为细节重要，表情、时机、瞬间。关键是把模型能力约束到需要的程度。

还有一个更开放的问题。图片、视频、游戏之外，会不会有介于三者之间的新形态？Thomas 打了个比方：我分享一张图给你，你点开就能走进去变成一个场景，那我分享的到底是一张图，还是一段体验？他说，故事可能是游戏和电影共同的内核，你定义世界的规则，然后让别人在里面玩得开心。

成本这条线他挺乐观。图像和视频的成本下降速度跟语言模型那条曲线一致，硬件在变好，蒸馏也在起作用，大模型学会变小，算力省下来。

## Mariner：把浏览器还给用户

Jaclyn 先解释了名字。Mariner，水手，取的是那种开放探索的气质，让代理出去闯。

技术原理听起来朴素：一个用动作数据微调过的 Gemini 模型，靠多模态能力反复截屏、理解屏幕、规划任务、执行动作。去年这个时候，AI Studio 和 Gemini API 从 Labs 毕业去了开发者团队，团队腾出手研究下一步，结论是代理应该能替用户动手做事，光回答问题、生成内容不够。去年 12 月，Mariner 以 Chrome 扩展的形态发布，直接控制你的浏览器。之后靠一大批信任测试者的反馈迭代，到今年 I/O 推出了新版。

初版的魔法时刻很统一：大家爱看它控制鼠标，点击、滚动、往输入框里打字，知道那是代理在操作，感觉完全不同。但新鲜感一过，反馈变成了同一句话："很酷，能把浏览器还给我吗？我也要干活。"

于是新版搬进了虚拟机，任务在后台跑，你的电脑空出来。配套的浏览器扩展能看到你开着的标签页，把上下文带过去。经典用法：你正看着一个鸡肉菜谱，跟 Mariner 说"把这些食材加进 Instacart 购物车"，选中那个标签页，它带着上下文去虚拟机里完成任务。Sonya 说这有点超人类了，人很难在几十个标签页之间切换上下文，它全都看得见。

更大的解锁是并行。**Mariner 能同时跑 10 个任务。**Jaclyn 描述过一次真实使用：办完事回家，脑子里堆着一堆要办的事，第一件事是打开 Mariner，输入三个任务发出去，然后回去继续写文档。事情在推进，更重要的是，这些事从脑子里清出去了。

用户行为也很有意思。一开始大家都爱围观代理操作，全屏看它点击，随时可以暂停接管。看久了会建立起信任，知道它怎么想事情。但测试者反馈，任务结束后的完整对话记录太长了，他们只想要一份摘要，核对一下它干了什么。Jaclyn 总结：**用户想交付任务，然后只在最后验收，没人想全程盯着。**

技术路线上有一次反直觉押注。外面不少人当时判断截图太慢，应该直接读网页的 DOM。Google 选了截图，理由是**截图这个技能能迁移到网站之外**，整个电脑都能用。Jaclyn 也坦白，DOM 和无障碍树是另一个可用的杠杆，一切都在演化，该转向就转向。

速度怎么提？Jaclyn 说有两个维度。一个是模型调用和执行本身，要继续爬坡。另一个更妙：**代理可以用跟人不一样的方式做事，天然就快。**她给四岁的女儿筹备生日派对，让 Mariner 找伴手礼的点子并列出购买链接。它先搜创意，记住五样东西，然后一样一样去找，找到临时纹身贴的好链接，不用复制粘贴到文档里，直接记住那串超长网址，接着找下一个。最后五个链接一起交出来。

往哪走？Jaclyn 分了三层。代理本身，更好的模型、工具调用、记忆、上下文；环境，从本地前台到虚拟机，中间还有一层是"在你设备上但后台运行"，最终要的是跨所有设备无处不在的代理；生态，代理跟代理之间的交互。Mariner 的能力也会铺进 Gemini 应用和搜索的 AI 模式。

订机票、订披萨这类经典演示，Jaclyn 说只是因为好懂、从零开始、演示好做。真正的光谱是两头，一头是"跟我一起做"，一头是"替我做"。能力涨上去，用户信任涨上去，复杂用例自然出现。

还有一层连带的商业问题：代理浏览网页时不会看广告，它直接找最相关的内容。Sonya 顺势推了一步，人类的懒和分心，一直是电商转化率的隐形门槛，代理把这个门槛拆了。Simon 从用户角度补了一刀：他经常因为购物流程太麻烦直接放弃，要么看不懂页面，要么没时间。他对购物这个动作没兴趣，对购物结果很有兴趣，要是没有"逛"这道坎，他会买得更多，还想让代理推荐新网站，因为他总是去同样那几家。Jaclyn 想到的形态是**通用购物车**：她习惯在各个网站攒购物车，攒完又不结账，放着想想。以后代理可以替她跨网站攒东西，记住每个网站，她决定买了，一键去各家结账。Sonya 的总结是：以后电商公司拼的只剩产品本身。

## NotebookLM：走红之后补课

Simon 管的 NotebookLM 是去年 Google 最大的病毒式爆款之一，靠的是 Audio Overviews，两个 AI 主播聊你上传的资料。名字里的 LM 他一直想摘掉，摘不掉，索性当成了团队身份的一部分。

走红来得毫无准备。Simon 自己就是通过音频概述加入这个项目的，团队最初的假设很克制：做个人内容，受众一个人、最多两三个人。Notebook 当时看起来是个测试产品市场匹配度的合适场所。**头几个月团队的状态是死死抓住缰绳，首要任务是别让 TPU 融化。**去年年底他们加了新功能，用户能加入音频概述，插话提问，跟主播对话。

今年他们停下来重新看数据，发现用户拿笔记本跑的是长期项目：爱好、工作里的持续项目、备考、准备一场演讲。这改变了产品方向。Simon 说，项目是价值累积的地方，他们内部叫"知识单元"，对上班族和学生都是核心场景，也是他们最需要帮助、价值最高的地方。

他把笔记本拆成三个超能力：

- 随时间累积信息，底下用的是 Google 自家的数据库技术；
- 内置智能，从最早的 Gemini 1.5 Pro 到现在的思考模型；
- 内容自适应，同一份知识可以变成音频、漫画、短片、思维导图，按你的场景来。

第三个超能力最有想象空间。Simon 举了个例子：一份 150 页的博士论文，讲欧洲某地的狼群入侵。可以有思维导图，可以花 10 到 15 分钟听音频概述，但真正帮他看懂整体叙事的，是漫画版。漫画和分镜是近亲，这条线跟 Thomas 那边的视频工具接上了。Sonya 顺着开玩笑，那是不是可以给某个人的 LinkedIn 职业轨迹画一部英雄之旅漫画。Simon 笑说，受众只有一个人的话，那大概会是他看过最棒的电影。

说到 LinkedIn，这其实是个被用户教育出来的方向。很早就有人把自己的 LinkedIn 塞进笔记本，听两个主播聊自己的职业经历。听着好玩，但用户真正在要的是反馈：别人会怎么看我的优势，怎么看我的短板。**真实的反馈太难得了，AI 主播成了一个低成本入口。**新的节目类型会往这类需求上做。

音频概述本身还有大量功课。Simon 自己用得不少，但偶尔会出戏，"他们怎么突然说这个"，叙事跑偏，错觉破功。看起来只差最后一步，实际要补的很多。另外一种节目形态用了太久，该换换了。

移动端应用刚上线。Simon 聊了一段历史：Google 上一次做移动优先，是把桌面产品缩进小屏幕，之后想改就难了。这次他想做的是增量体验，用上手机这个设备的特性。他举的例子是原生录音：跟一群聪明人讨论时，掏出手机按下录音，之后转换、累积进笔记本。同样的动作在笔记本电脑上就很怪，在手机上刚刚好。

## 闪电轮：错在时机，对在坚持

几个快问快答。最喜欢的 Labs 项目，Thomas 选虚拟试穿，直接命中真实需求，Google 又有货盘优势，看着衣服穿在自己身上也好玩；Jaclyn 和 Simon 都选 Stitch，用嘴描述就能生成前端设计，Simon 本来也打算选这个，被 Jaclyn 抢了先。

未来 12 个月最热的应用方向，Jaclyn 说视频，Thomas 说可混剪的内容：你生成一个东西，我拿去接着玩，Whisk 已经在往这个方向走。

问到过去预测错在哪，三个人异口同声：**时机。**方向判断对了很多次，就是太早，项目暂停，等模型能力跟上，有些又转回来了。Jaclyn 说这算个好问题，太早意味着模型就绪时你手里已经有现成的起跑优势。

问到坚持对了什么，Thomas 选了展示加讲述，从提示词走向指令，让模型背后的智能多干活，这个判断他打算继续押。Simon 的答案更有年代感：他们刚加入 Labs 时，Google 连一个能用的指令微调语言模型都没有，更别提 API，当时的主流看法是这东西成本太高，做不成生意。整个团队选择跟技术站在一起，赌那条成本曲线会一路向下。Labs 负责人 Josh Woodward 定下的传统是，写方案先想"两年后会怎样"，那条曲线启发了很多人。

## 明天就能用的四件事

听完这一集，有四个动作明天就能试：

- 做图做视频时，把长提示词换成参考图加一句话。Google 押了三年的方向就是这个：展示比转写高效，让模型背后的智能多干活。
- 把你每周重复的网页流程列出来，挑一两个交给 Mariner 这类代理，一次给多个任务，只看最后的摘要做验收。信任先靠围观建立，最后靠摘要验收。
- 给你手上拖得最久的那个长期项目建一个笔记本，把资料喂进去，按场景选输出：通勤听音频，快速理解看思维导图，要给别人讲就试试漫画版。
- 评估任何 AI 产品时多问一句：它的输入设计，是逼用户转译成文字，还是允许用户直接展示。前者是旧地图，后者是 Thomas 们赌的新大陆。