KeyFrame內部研究專用

NotebookLM Can Write and Run Code Now (This Changes It)!

World of AI·6月8日週一·8 min英文

三句話摘要

Google NotebookLM 升級為程式碼執行平台並增強分析能力,但 Gemini 3.5 Pro 模型仍無法與競爭對手抗衡。 NotebookLM 功能升級體現 Google 的產品思維,但無法彌補 Gemini 3.5 Pro 模型競爭力不足的根本缺陷。 NotebookLM 從「文件檢索工具」蛻變為「多步驟分析平台」,內建 100+ 軟體技能與安全雲端環境,使用戶可在單一平台完成資料清理、計算、圖表生成與多格式輸出(PDF、Excel、PowerPoint、JSON、CSV),無需切換工具。

重點整理

重點
  • 1

    NotebookLM 從「文件檢索工具」蛻變為「多步驟分析平台」,內建 100+ 軟體技能與安全雲端環境,使用戶可在單一平台完成資料清理、計算、圖表生成與多格式輸出(PDF、Excel、PowerPoint、JSON、CSV),無需切換工具。

  • 2

    新增 Google 搜尋與智慧提示機制,允許用戶從模糊想法開始建立資料庫,系統自動補充高品質網路資源,降低入門門檻同時保持來源可信度。

  • 3

    Gemini 3.5 Pro 模型存在「程式碼懶惰問題」未解決,開發者會面臨不完整或低品質代碼輸出,在市場排名上可能低於 Claude 和 GPT 5.6,反映 Google 優先打磨周邊工具而忽略核心模型競爭力。

  • 4

    降價策略(AI Plus 從 $799 降至 $499,儲存翻倍)雖可吸引消費者,卻是 Google 市場份額流失的警訊,根本問題在於模型能力不足無法靠功能疊加彌補。

實用技巧與重點

乾貨
  • NotebookLM 新功能清單:
  • 專屬安全雲端運算環境
  • 100+ 預設軟體技能
  • 支援輸出格式:PDF 報告、Excel 試算表、PowerPoint 簡報、CSV、JSON、圖片(Nano Banana)
  • 整合 Google 搜尋自動補充資料來源
  • 支援用戶在生成後編輯輸出內容
  • 性能指標:
  • Gemini 3.5 + Antigraity vs. 舊版勝率:整體 65%、網路研究 78%
  • 應用場景案例:
  • 資料分析師:清理多國格式差異的銷售數據 → 執行分析 → 輸出 PDF 報告
  • 專案經理:技術規格書 → 轉換為團隊指南與簡報
  • 健身房老闆:銷售數據 vs. 廣告支出分析 → 評估行銷活動效果 → 決策是否擴展
  • Google AI Plus 改價詳情:
  • 原價:$799/月,200GB 儲存
  • 新價:$499/月,400GB 儲存(優惠幅度 37.5%,儲存倍增)
  • 模型競爭評估(講者觀點):
  • 第一名:Claude 3.7(Anthropic)
  • 第二名:GPT 5.6(OpenAI)
  • 第三名或以下:Gemini 3.5 Pro(中文模型 Gemini 2.6 可能跟進)
  • 推出時程:
  • Gemini 3.5 Pro:本月推出,Ultra 訂閱者優先
  • NotebookLM 新功能:Ultra 優先,Pro 及其他方案後續推出

結論

結論

NotebookLM 功能升級體現 Google 的產品思維,但無法彌補 Gemini 3.5 Pro 模型競爭力不足的根本缺陷。

完整解析

詳細

Google 本月對 AI 產品線進行了革命性改造,其中 NotebookLM 從邊界工具蛻變為核心分析平台。過去三年,NotebookLM 的定位明確但受限:上傳 PDF、筆記或數據,工具基於該材料回答問題。這種設計提供了可靠性保證,但功能天花板明顯——僅能讀取與總結。新版本打破了這個限制。

NotebookLM 現在配備專屬安全雲端運算環境,集成 100+ 預設軟體技能,可直接執行程式碼而非被動檢索。這個轉變的意義在於,一份雜亂的銷售試算表(多國數據、格式各異、單位不同)不再需要用戶手工整理,系統能自動清理、執行計算、生成可用成果。運行引擎是 Gemini 3.5 搭配 Antigraity,Google 聲稱對舊版本的勝率達 65%,在網路研究與資料查詢任務上高達 78%。更重要的是輸出能力:用戶可直接在 NotebookLM 中生成格式化的 PDF 報告(含圖表表格)、Excel 試算表、PowerPoint 簡報、JSON、CSV 甚至圖片,並可事後編輯。對那些過去依賴 NotebookLM 做研究、再手動在 Google Docs 或其他工具中重建成果的使用者而言,這消除了重複工作流的低效。

入門流程也被簡化。以往用戶需預先準備資料來源或設定明確的研究方向;現在可從模糊想法開始,系統在聊天中引導建立資料庫。關鍵創新是 Google 搜尋集成——NotebookLM 能從網路自動補充高品質資源,用戶仍掌握最終決定權,確保來源可信度。這大幅降低了入門門檻,且支援多語言資料與作者查詢。

然而,NotebookLM 的風光升級掩蓋了 Google 更深層的市場焦慮。講者指出,Gemini 3.5 Pro(本月推出)的模型能力仍不足以威脅市場領導者。在對標評測中,Claude(Anthropic)居首,GPT 5.6(OpenAI)次之,Gemini 3.5 Pro 可能排名第三甚至更後——這對標榜模型技術的 Google 而言是沉重打擊。最致命的問題是「程式碼懶惰」:模型在生成程式碼時傾向於給出不完整或低品質輸出,對開發者社群的吸引力極有限。雖然 Gemini 3.5 Pro 仍在測試階段,但這道裂縫已令人擔憂,尤其開發者是推動 AI 工具採納的關鍵群體。

為挽救市場份額,Google 同步推出價格優惠:Google AI Plus 從 $799/月降至 $499/月,儲存從 200GB 增至 400GB。對消費者而言,每月節省 $300 且儲存翻倍是有吸引力的;但講者認為這是「求救信號」。降價和 NotebookLM 新功能都是周邊補強,無法根治核心問題——模型本身不夠強。如果 Gemini 3.5 Pro 在推理品質、程式碼生成、上下文理解等面向仍遜於競爭對手,再精緻的應用層功能也無補於事。講者對 Google 的長期前景仍保有信心,但強調當務之急是聚焦模型研發,尤其解決程式碼品質問題,否則即便降價和功能更新,也難以阻止開發者與進階用戶向競爭對手轉移。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。