在人工智慧的演進過程中，語音互動正從單純的問答對話，轉向能夠實際執行任務的代理人模式。Google 近期在官方部落格中揭露了 Gemini Live 的重大更新，旨在將語音指令直接轉化為具體的行動。根據 Google 的數據，約有 63% 的使用者傾向於透過口頭方式與 Gemini 互動，這顯示出在快速移動或不便操作螢幕的場景下，語音介面的效率至關重要。此次更新的核心在於引入 Agentic Capabilities，即代理人能力，讓 AI 不再只是提供資訊，而是能跨應用程式地規劃並執行複雜的多步驟任務。
核心功能與運作機制
為了實現從對話到行動的跨越，Gemini Live 導入了數項關鍵技術功能，其中最核心的機制是 Spark。Spark 是一種自動化執行引擎，允許使用者透過自然語言設定複雜的、多步驟的任務，且這些任務可以在背景獨立運行。與傳統的單次指令不同，Spark 具有跨應用程式的整合能力，能同時協作 Google Docs、Sheets、Drive 以及網頁資訊。最重要的是，Spark 支持長週期的排程任務，即使使用者關閉應用程式，AI 仍能在數天甚至數週內持續追蹤目標並完成工作。
例如，當使用者在通勤途中隨意地對 Gemini 傾訴一些破碎的想法或初步計畫時，Spark 能將這些非結構化的語音資訊捕捉下來，在後台進行整理與主題分析，最終在使用者回到電腦前，將其轉化為一份結構完整的 Google Docs 大綱。這種將隨興的腦力激盪轉化為正式文件的能力，大幅降低了從構思到產出的摩擦力。
個人化情境感知與資訊整合
除了執行能力，Gemini Live 還強化了對個人情境的理解，這主要透過 Personal Intelligence（個人化智能）來實現。這項技術讓 Gemini 能夠連結使用者的過去對話紀錄以及 Google 生態系中的數據，包括 Gmail、相簿、搜尋紀錄與 YouTube。Personal Intelligence 解決了 AI 缺乏長期記憶的問題，使得助理能根據使用者的個人背景提供精確回答。例如，使用者可以詢問去年夏天在紐約造訪的餐廳名稱，或者要求 AI 找出昨天討論過的特定食譜，Gemini 會自動在歷史紀錄與連結的 App 中檢索答案，而不需要使用者重新提供背景資訊。
此外，針對早晨的高頻率需求，Gemini Live 推出了 Daily Brief（每日簡報）功能。這是一個口頭形式的摘要系統，能將 Gmail 中的重要更新與 Google Calendar 的行程整合在一起。使用者只需詢問今日簡報，AI 就會以簡潔的語音摘要告知今日重點，讓使用者在無需查看螢幕的情況下快速掌握當天優先順序。
無縫的跨工具協作與實務應用
Gemini Live 的設計目標是消除使用者在不同功能之間切換的認知負荷。使用者不需要意識到目前是在使用 Spark 執行任務，還是在調用 Daily Brief 或搜尋郵件，所有的操作都整合在單一的連續對話中。
在實務應用上，這種整合體現為一種流暢的工作流。使用者可以在準備咖啡時詢問今日行程，Gemini 在提供簡報後可能會主動提醒收件箱中有學校的通知信件。接著，使用者可以直接下令讓 AI 從郵件中提取活動邀請，將其建立在家庭日曆中，並自動計算行車時間。在此過程中，Gemini 會自動將任務移交給 Spark 在後台處理，實現了從資訊獲取到日程管理、再到物流規劃的完整閉環。
針對電子郵件管理，Gemini Live 提供了完全免持的收件箱操作能力。使用者可以透過語音搜尋特定對象的緊急郵件、總結內容、標記星號、封存或刪除訊息，將 Gmail 轉變為一個可對話的管理介面。
限制與實施要求
儘管功能強大，但這些代理人能力的發揮依賴於權限的開啟。使用者必須在 Gemini 的設定中啟用應用程式連接（App Connections）以及 Personal Intelligence 設定，AI 才能獲取跨 App 的數據訪問權限。由於這些功能涉及大量個人私密數據的處理，其運作必須在 Google 的隱私權政策框架下執行。
總體而言，Gemini Live 的這次更新標誌著 AI 從單純的聊天機器人轉向真正的數位助理。透過將長期記憶、跨 App 執行力與自然語音介面結合，AI 能夠承擔更多繁瑣的行政庶務，讓使用者能將精力集中在更高層次的決策與創意工作上。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。