10月6日，谷歌发布并开放了EmbeddingGemma 2。它负责把文字、图片、音频和视频转成可以比较的数字表示，方便应用从资料里找到相关内容。
名字里的Embedding，中文常叫“嵌入”。不用记这个术语，把它看成一个给AI找资料的模块就可以了。它输出的是一串数字，适合做检索，再把找到的内容交给会生成回答的模型。
对普通用户来说，这类技术最直接的用途，是让搜索少依赖文件名。你记得一段视频拍了什么，或者一份录音谈过什么，却想不起它存在哪里，也可以用自然语言描述想找的内容。
文字、图片、音频和视频可以进入同一个检索空间。AI示意图。
例如，可以设想一个本地资料应用：输入“雨天在山路上走的那段视频”，系统去视频库里找相关片段；说一句“上次谈到预算调整的内容”，系统在已有录音资料里寻找匹配项。这里说的是模型支持的应用方向，实际能不能找到，还要看开发者怎样处理资料、模型对这批内容的表现。
关键变化在于，提问的形式和资料的形式可以不同。你可以用文字找音频，用语音找视频，也可以拿一张图去找相似内容。文字、画面和声音不必各自装进互不相通的搜索系统里。
这种检索大致分两步。先把资料交给模型，得到代表内容特征的一串数字；搜索时，再把你的问题转换成同样形式的数字，比较哪些资料更接近。相近的意思更容易排到前面，即使两边没有使用完全相同的词。
先为资料建立数字表示，再比较查询与资料的接近程度。AI原理示意图。
但“接近”不等于“正确”。一段录音和问题很相关，录音里的说法仍可能有错；搜到一张相似图片，也不等于认出了同一个物体。做问答时，还需要后面的模型查看原资料，必要时核对来源。检索解决的是去哪儿找，不能单靠相似度替内容下结论。
这次另一处值得关注的变化，是模型可以按需要装。完整版本有7.4亿参数，其中纯文本部分是2.7亿，视觉组件1.7亿，音频组件3亿。只检索文字，就可以不加载视觉和音频组件；需要图片或录音时，再选相应部分。
这对手机、笔记本一类设备很实际。应用没有必要为了搜几份文字资料，一开始就把所有组件都搬进去。参数规模也只是模型大小的一项指标，具体占多少内存，还与运行方式和精度有关。
完整模型7.4亿参数，组件可按任务选择加载。参数来自谷歌官方，AI制图。
谷歌公告给出的例子是Pixel 11 Pro：采用量化后，纯文本模型权重所需的活跃内存可低至约191MB，完整多模态模型约567MB。量化可以简单理解成以更低精度表示模型数据，减少资源占用。这个数字带着设备和运行条件，不能当成整个应用的内存，也不能直接套到所有手机上。
资料库本身也可以做小一些。模型默认输出768个数字，开发者可按需要缩短到512、256或128个。每条资料保存的数字少了，大量资料的索引就更省空间。不过缩得越短，保留下来的信息也可能越少。官方模型卡特别指出，128维对多模态质量的影响较明显，不能只看省了多少空间。
放到AI智能体里，这个模块的作用也很清楚。智能体准备回答问题或执行任务，先在获得权限的文件库里找到相关内容，再把资料交给负责回答或行动的模型。检索、回答和执行各有分工，才有机会把一套系统做得更轻、更容易检查。
检索找到相关资料，生成模型再基于资料组织回答。AI应用示意图。
如果检索在设备本地完成，这一步就可以不把资料发到云端。但整个应用是否离线，还取决于后面的回答模型和其他功能放在哪里；对文件的访问权限也需要应用自己管好。本地运行提供了选择，隐私保护仍要靠完整的产品设计。
目前，谷歌已在Hugging Face和Kaggle开放模型权重，公告说明采用Apache 2.0许可。这意味着开发者可以拿它做产品集成，不意味着所有人的手机已经多了一个新搜索功能。谷歌公告提到的企业平台Model Garden接入，当时仍标为“即将推出”。
我更看重这次更新给AI应用带来的实用变化：找资料可以单独交给一个较小的模型，而且能跨越文字、画面和声音。以后评判一个AI助手，不只看它回答得多流畅，也要看它能不能把你需要的资料准确找出来，并让你看见回答依据。
来源：谷歌10月6日EmbeddingGemma 2发布公告；谷歌官方EmbeddingGemma 2模型卡。
本文文字及示意图由AI生成，依据谷歌公开资料核对。