Hassabis 表示：“我们从一开始就将 Gemini 这一基础模型打造为多模态模型，因为我们有着构建一个通用数字助手的愿景，这个助手能够在现实世界中真正为你提供帮助。”
目前，整个 AI 行业正逐渐朝着“全能”模型的方向发展，这些模型能够理解和整合多种媒体形式。谷歌最新的 Gemini 模型不仅可以生成图像和文本，还能生成音频；而 OpenAI 在 ChatGPT 中的默认模型如今也能创建图像，包括宫崎骏风格的艺术作品。亚马逊也宣布计划在今年晚些时候推出一款“任意到任意”的模型。
据AI在线了解，这些“全能”模型需要大量的训练数据，包括图像、视频、音频、文本等。Hassabis 暗示，Veo 的视频数据主要来源于谷歌旗下的 YouTube 平台。他说道：“通过观看大量的 YouTube 视频，Veo 2 能够了解世界的物理规律。”此前，谷歌曾向 TechCrunch 表示，其模型可能会根据与 YouTube 创作者达成的协议，使用“部分”YouTube 内容进行训练。据报道，该公司去年扩大了服务条款的部分内容，以便获取更多数据来训练其 AI 模型。
