編輯 ｜ 云昭

剛剛過去的24小時，是谷歌又一次的高光時刻。

今天的谷歌，發生了兩件大事。

兩年，5位得主諾獎再一次花落谷歌系

不到9個小時前，谷歌CEO皮查伊驕傲的心情再一次藏不住了。

當得知自家量子AI實驗室的兩位大佬又一次獲得了諾貝爾物理學獎時，他忍不住在X上置頂了一條推文。

圖片

“祝賀 Michel Devoret、John Martinis 和 John Clarke 獲得諾貝爾物理學獎。????

Michel 是我們量子 AI 實驗室的硬件首席科學家，John Martinis 多年來一直領導該實驗室的硬件團隊。

他們在上世紀 80 年代量子力學領域的開創性研究，使得如今的突破成為可能，也為未來可實現誤差校正的量子計算機奠定了基礎。

我昨天剛在圣塔芭芭拉的量子實驗室看到令人驚嘆的進展，希望他們今天能好好慶祝。今早感到無比幸運——能在一家擁有 5 位諾貝爾獎得主的公司工作，而且僅兩年就拿下了 3 個獎項！”

圖片

去年的諾獎的得主還記得嗎，辛頓和現任DeepMind CEO Demis，這兩位也都是谷歌系的。

圖片

圖片

1. Geoffrey Hinton

• 所屬：曾在 Google Brain 工作。 
• 獲獎情況：2024 年諾貝爾物理學獎。 
• 獎項理由：因其在機器學習與神經網絡方面的基礎性發現與發明，這些發現與發明使現代人工智能尤其是深度學習成為可能。 

2. Demis Hassabis

• 所屬：Google DeepMind 的聯合創始人兼 CEO。 

• 獲獎情況：2024 年諾貝爾化學獎。 

• 獎項理由：與 John Jumper 等一起通過 AI 模型（AlphaFold2）預測幾乎所有已知蛋白質結構，解決了生命科學中長期未解的蛋白質結構預測問題。 

3. John Jumper

• 所屬：Google DeepMind 的資深研究科學家。 

• 獲獎情況：與 Hassabis 共同獲得 2024 年諾貝爾化學獎。 

• 獎項理由：同上，參與 AlphaFold2 項目，蛋白質結構預測。 

4. Michel Devoret

• 所屬：現為 Google Quantum AI 的硬件首席科學家。 

• 獲獎情況：2025 年諾貝爾物理學獎。 

• 獲獎理由：他與 John Martinis, John Clarke 等人的研究在 1980 年代展示了宏觀量子隧穿現象，在電路中觀察到量子能級的量子化，為超導量子比特和量子計算機的硬件基礎奠定了基礎。 

5. John Martinis

• 所屬：曾長期領導 Google 的量子硬件團隊（Google Quantum AI）。 
• 獲獎情況：2025 年諾貝爾物理學獎，與 Michel Devoret 和 John Clarke 共同獲得。 
• 獲獎原因：同上，參與上述宏觀量子效應的實驗與電子電路的設計。

谷歌發布最新版本：計算機使用（computer-use）模型

今天，讓皮查伊高興的另一件事，則是其DeepMind實驗室發布的最新Gemini 2.5 Pro的版本： “Gemini 2.5 Pro Computer Use”。

顧名思義，它并不是一個普通的聊天模型。這一版本專門強化了與用戶界面的直接交互能力，包括網頁與移動端應用。

它會“看屏幕”，系統會給它網頁截圖、歷史操作記錄，然后讓它決定下一步該點擊哪里、輸入什么。這一循環持續進行，直到任務完成或出現錯誤。

據谷歌blog中介紹，該模型經過了專門微調與定制訓練，可以通過虛擬瀏覽器為用戶執行網頁操作：上網檢索、填寫表單，甚至直接在網站上采取行動——只需用戶輸入一句文字指令。

在安全層面，谷歌設置了嚴格限制——比如，當模型遇到驗證碼（CAPTCHA）時，它可以生成點擊動作，但必須等待人工確認，不能私自越權。

換句話說，Gemini 2.5 已經具備“行動力”，但還處于“有安全帶的自由”階段。

皮查伊在社交平臺 X 上發文稱：“目前還只是早期階段，但模型能夠與網頁交互——比如滾動、填寫表單、導航下拉菜單——這是構建通用智能體（general-purpose agents）的重要一步。”

圖片

不過，該模型目前尚未面向普通消費者開放。

但這并不影響大家對于該款模型的熱情。Hackernews上，網友的討論已經熱鬧了起來。

大家熱議的點在于，讓AI幫自己操作計算機或手機，的確有不少剛性需求，比如下面愛騎車聽播客的這位。

圖片

值得注意的是，OpenAI很早就開始了這方面的探索，今年年初，智能體Operator訪問網站的例子讓人印象深刻。而在假期前，Anthropic 也發布了最強版本的Claude Sonnet 4.5，computer use 也是其主打的宣傳點之一。

答案就是，Gemini 2.5 Computer Use 目前的核心能力聚焦在網頁與移動端界面操作：點擊、輸入、滾動，并沒有支持直接創建文件——它無法生成PPT、Excel或文檔。

若需結構化輸出（如文件），則需由開發者通過自定義代碼或第三方工具處理。

但這反而讓它的定位更純粹：Gemini 2.5 是一個專門面向“界面交互自動化”的Agent，而不是一個全能的文件助理。

｜工作原理：指令+截圖+操作記錄

由 Computer Use 模型驅動的智能體在一個“交互循環”中運行。每次循環中，它接收以下輸入：

1. 用戶任務指令
2. 當前界面截圖
3. 歷史操作記錄

模型分析后輸出一個界面操作建議，比如點擊按鈕或在輸入框中鍵入內容。如任務涉及風險（例如購買行為），模型會請求用戶確認。

執行后，系統會截取更新的界面截圖并重新輸入模型，循環持續，直到任務完成或被錯誤/安全機制中止。

模型使用專門的 computer_use 工具，可通過 Playwright 或 Browserbase 的沙盒環境集成到自定義系統中。

｜哪里可以體驗？

這次谷歌選擇了一家名為 Browserbase 的公司進行首批合作。

這家公司由前 Twilio 工程師 Paul Klein 于 2024 年初創立，提供專為 AI agent 和應用設計的虛擬“無頭瀏覽器”服務。所謂“無頭瀏覽器”，是指無需圖形界面（GUI）即可瀏覽網頁的瀏覽器——不過 Browserbase 為用戶顯示了一個可視化的網頁操作界面。

用戶現在可以在 Browserbase 網站上直接體驗 Gemini 2.5 Computer Use，并能與 OpenAI 或 Anthropic 的同類產品做對比——Browserbase 為此推出了一個新的“Browser Arena”比拼平臺（但每次只能選一個競爭模型與 Gemini 同時對比）。

對于 AI 開發者而言，這款模型可通過 Gemini API（在 Google AI Studio） 和 Google Cloud 的 Vertex AI 模型平臺獲取，用于快速原型開發。

｜實測：能選中摩托車的AI，秒過驗證

在媒體的早期測試中，Gemini 2.5 成功打開了泰勒·斯威夫特的官方網站，并準確描述了首頁展示的內容。

更有意思的是，在另一項任務中，它被要求在亞馬遜上查找高評分的太陽能燈。途中遇到 Google 搜索驗證碼“請選擇所有有摩托車的方格”時，Gemini 2.5 居然秒過——證明它能“看懂”并“選擇”。

雖然最終任務卡在后續頁面，但這已經算得上是一種質變：相較于之前的瀏覽索索，這次真真兒是一個能執行視覺與操作任務的系統。

｜性能評測

谷歌稱，Gemini 2.5 Computer Use 在多個界面操作基準測試中表現領先，超越了包括 Anthropic Claude Sonnet 和 OpenAI Agent 在內的主要競爭者。測試由 Browserbase 與谷歌團隊共同進行。

圖片

部分結果如下：

• Online-Mind2Web（Browserbase）：Gemini 2.5 得分 65.7%，Claude Sonnet 4 為 61.0%，OpenAI Agent 為 44.3%。
• WebVoyager（Browserbase）：Gemini 2.5 得分 79.9%，Claude Sonnet 4 為 69.4%，OpenAI Agent 為 61.0%。
• AndroidWorld（DeepMind）：Gemini 2.5 得分 69.7%，Claude Sonnet 4 為 62.1%；OpenAI 模型因訪問受限未能測評。
• OSWorld：Gemini 暫不支持；競爭者最高成績為 61.4%。

谷歌補充稱，該模型延遲更低，在 UI 自動化與測試類場景中表現尤為出色。

｜企業級落地：谷歌自己也在用

谷歌稱，內部和外部多個團隊已在不同場景中使用該模型：

• Google 支付團隊表示，該模型能恢復超過 60% 的失敗測試用例，顯著減少工程低效。
• Autotab（第三方 AI agent 平臺）稱該模型在復雜數據解析任務上性能提升達 18%。
• Poke.com（主動式AI助手公司）指出，Gemini 模型在界面交互中速度比競品快 50%。
• 此外，該模型也被用于谷歌內部項目，如 Project Mariner、Firebase 測試代理，以及 Search 中的 AI 模式。

｜安全與約束：谷歌設置了多層安全帶

由于模型能直接控制軟件界面，谷歌強調采用多層安全機制：

• 每一步操作前都有安全服務審查。
• 開發者可設定系統級指令來阻止或強制確認特定行為。
• 模型內置安全防護，防止觸發敏感或違規操作。

例如，當模型遇到驗證碼（CAPTCHA）時，會生成點擊動作，但標記為“需用戶確認”，防止自動繞過安全驗證。

｜價格政策：僅支持付費用戶

Gemini 2.5 Computer Use 的定價與標準版 Gemini 2.5 Pro 基本一致。

但在訪問層級與功能上有所不同：

• Gemini 2.5 Pro 提供免費層，開發者可免費調用（受限于速率或配額），并包含輸入與輸出 token。
• 一旦超出配額或切換到付費層，按標準費率計費。
• Gemini 2.5 Computer Use 則僅提供付費層，沒有免費訪問。

此外：

• Pro 版支持“上下文緩存”（每百萬 token 收費 $0.31）與“Google 搜索接地”（每日1500次免費，之后每千次$35）。但 Computer Use 暫不支持這些功能。
• 在數據使用政策上，Computer Use 的付費使用不會用于改進谷歌產品，而 Pro 免費層的數據則默認用于模型優化（除非用戶選擇退出）。

總的來說，兩款模型的 token 成本相近，但開發者應依據訪問層、功能需求及數據政策選擇使用哪一版本。

為什么谷歌如此恐怖？

谷歌，又是谷歌。有沒有發現，谷歌已經在一次又一次浪潮中始終站在前沿？不管是現在大火的GenAI，還是更有未來想象力的量子計算。

為什么谷歌創造了這么多前沿貢獻？小編看來有這樣幾點：

首先，谷歌自誕生之初就有一種研究文化，天然會把科學家放在核心位置。

谷歌一開始就不是一家“純互聯網公司”，而是由兩個博士（拉里·佩奇和謝爾蓋·布林）在斯坦福實驗室里創立的。這意味著它的DNA里天然帶著“科研導向”——從論文出發解決實際問題。

據了解，Google Research 和 DeepMind 的團隊結構跟大學實驗室幾乎一模一樣，研究員們不以“交付KPI”為核心，而以“發表論文、推動領域前沿”為榮。

許多頂級科學家都愿意留下來，因為他們在谷歌不僅能拿到頂薪，還能在工業界做出諾獎級的基礎科學突破。

其次，基礎科學投入超常。谷歌的研發支出是全世界最高之一（可以說是按國家級實驗室級別來燒錢的），單2024年就超過 430億美元，而其中很大一部分投入了沒有短期商業回報的項目，比如：量子計算（Google Quantum AI）、深度學習（Google Brain、DeepMind）、AI 芯片（TPU）、材料科學、生物信息學（AlphaFold）等等。

而大家都知道，許多公司往往是把ROI放在第一位的。而谷歌他們的邏輯是：基礎科學一旦突破，未來的商業生態會自動生長出來（比如 AlphaFold→藥物發現、TPU→云計算）。

其次，當然這些也看得出來，也是谷歌的超前的科研布局。谷歌每10年都會做幾次“豪賭”：

• 2010s：賭 AI → 成功（Google Brain、DeepMind）
• 2020s：賭 Quantum → 已見成果（量子霸權、2025諾獎）
• 2030s：可能賭 AGI 或 AI+生物、AI+能源

這種布局讓谷歌總能站在下一個科學前沿的入口。諾獎得主的集中出現，正是這些“長線投注”的副產品。

第四點，開放協作 + 學術生態。

谷歌和學界的邊界非常模糊。它的研究員可以：

• 持續在 Nature、Science、NeurIPS 等頂會發論文；
• 兼任高校教授（比如 Devoret 在耶魯、Hassabis 在劍橋都有研究身份）；
• 與全球大學聯合培養博士后或實驗項目。

這讓谷歌成了學界的“延伸實驗室”——科學家不必離開科研生態就能獲得工業級資源。

大家可能不知道，Sundar Pichai 本人是材料科學出身的工程師，而非純商業背景的CEO。

他對科研的態度非常“寬容”——允許團隊做高風險、高成本的探索項目（比如 Waymo、Verily、Quantum AI）。

他常說一句話：“我們不做每一個可能賺錢的項目，只做那些能讓科學往前走的事。”

這句話其實解釋了谷歌的核心邏輯——科學帶來壟斷，創新是最好的護城河。

參考鏈接：

https://blog.google/technology/google-deepmind/gemini-computer-use-model/

https://www.nobelprize.org/all-nobel-prizes-2025/