KeyFrame內部研究專用

Gemini 重要更新!合體 NotebookLM +新版多模態輸出教學,一次生成多種格式|5大高效工作應用 省下80%來回查找時間|學習更方便

大有牧森 Austin Chou·5月3日週日·17 min中文

三句話摘要

Google Gemini 與 NotebookLM 整合,帶來筆記本管理、角色自訂、多格式輸出與即時編輯的新功能。 Gemini 與 NotebookLM 整合後,知識管理從單向儲存升級為雙向互動,用戶可靈活設定角色、輸出多種格式、實時編輯內容,並將靜態知識轉化為互動式工具,是提升工作效率的重大功能升級。 筆記本整合與記憶管理

重點整理

重點
  • 1

    筆記本整合與記憶管理

  • 2

    Gemini 現在可直接讀取 NotebookLM 筆記本內容,對話記錄自動成為知識參考來源。只有私人筆記本會顯示在 Gemini 界面上;若筆記本已在 Gemini 有對話紀錄,則無法分享給他人。用戶可在筆記本設定中關閉「個人化記憶」,讓每次提問都獨立處理,不參考過去對話。

  • 3

    角色與語氣客製化

  • 4

    每本筆記本可設定獨立的 AI 角色,如教練、知識庫助手、旅遊顧問等。用戶可指定 Gemini 如何回應,例如要求條列式回答、提供操作步驟,或根據預設的裝置型號給予針對性建議。可直接請 Gemini 建議適合的語氣設定。

  • 5

    多格式文件生成與編輯

  • 6

    對話內容可一次輸出成四種格式(Google 文件、PDF、Excel、Word),所有格式都可在 Gemini 直接下載或編輯。新增 Canvas 工具可實時修改圖表和簡報,用標記工具框選或打叉,用文字工具描述修改內容,無需重新生成。

  • 7

    互動式知識庫視覺化

  • 8

    NotebookLM 筆記本資訊可變成互動式網頁儀表板,支持切換檢視、統計圖表與動態功能。Google Slides 簡報也可在 Gemini 內編輯並生成修訂版本。

實用技巧與重點

乾貨
  • 介面與設定
  • Gemini 左上角新增筆記本選項,最多綁定 5 本私人筆記本
  • 只有私人筆記本顯示;公開或共用筆記本不顯示
  • 筆記本設定位置:右上角三個點 → 筆記本設定
  • 對話記憶控制
  • 預設開啟「使用筆記本個人化記憶」
  • 關閉此功能:筆記本設定 → 取消勾選「個人化記憶」
  • 關閉後每次提問獨立,不參考過去對話上下文
  • 不記錄來源上限(如 50 項、300 項限制)
  • 文件輸出格式
  • Google 雲端文件(直接存入 Google Drive,可編輯)
  • PDF 檔案(可下載)
  • Excel 表格(欄位格式正確,可下載)
  • Word 檔案(需選擇 UTF-8 編碼)
  • Markdown 版本(結構化,可複製貼到 Cloud Code)
  • Canvas 編輯工具
  • 左邊標記工具:框選或打叉圖片內容
  • 右邊文字工具:描述修改內容
  • 支持多種顏色標記不同修改項目
  • 或在下方圖片對話框輸入修改需求
  • 簡報編輯
  • NotebookLM 簡報在 Gemini 可編輯
  • 操作:簡報右上角 → 修改 → 點擊各頁簡報 → 在左下對話框輸入修改內容
  • 建議一次修改所有簡報再生成,避免多次生成浪費時間
  • Google Slides 輸出可在 Google 簡報中繼續編輯
  • 儀表板與互動功能
  • 用 Canvas 將筆記本資訊轉為互動式網頁
  • 支持網頁模式與圖表形式
  • 可設定互動項目切換與數據篩選
  • 左下角對話框可請 Gemini 新增功能
  • 筆記本來源添加
  • 進入筆記本 → 左邊新增來源
  • 支持:Google Drive 文件、上傳檔案、貼上網址、貼上文字訊息
  • 對話時 Gemini 自動參考筆記本來源與對話記錄

結論

結論

Gemini 與 NotebookLM 整合後,知識管理從單向儲存升級為雙向互動,用戶可靈活設定角色、輸出多種格式、實時編輯內容,並將靜態知識轉化為互動式工具,是提升工作效率的重大功能升級。

完整解析

詳細

Google 在兩個月內推出了重大更新,將 NotebookLM 知識庫功能直接整合到 Gemini 中。這次整合改變了用戶管理知識和進行對話的方式。

首先是介面的改變。打開 Gemini 後,左上角新增了筆記本選項,用戶可以綁定過去在 NotebookLM 建立的私人筆記本,最多可同時綁定五本。需要注意的是,只有完全私人的筆記本會出現在 Gemini 左邊欄;如果筆記本已公開分享或與他人共用,它就不會顯示。另外,若筆記本在 Gemini 已有對話記錄,系統會禁止分享該筆記本。在左邊下方可直接新增或刪除筆記本,新增時需要上傳資料來源(雲端硬碟、檔案、網址或文字),Gemini 對話時會自動參考筆記本中的所有內容。

筆記本的智能記憶功能也有更新。過去在 NotebookLM 對話除非手動存檔,否則不會保留記錄;現在只要在 Gemini 的筆記本中對話,每一次的問答都會被記住。用戶甚至可以把之前在 Gemini 問過但不在筆記本內的相關問題,點擊三個點後「新增至筆記本」,讓這些對話成為知識參考來源。預設情況下「個人化記憶」是開啟的,但可在筆記本設定中關閉,讓每次提問都獨立進行,不參考過去對話。

角色客製化是這次更新的一大亮點。每本筆記本可設定獨立的 AI 語氣與角色。例如,如果某本筆記本是專業教練筆記本,可要求 Gemini 用嚴格指導的方式講解;如果是公司文獻資料庫,可要求它用知識庫查找助手的角色,詳細列出資料來源與條例。用戶也可以在筆記本設定中輸入裝置型號(如手機型號、電腦型號),Gemini 後續回答時就會針對那些規格給出具體步驟,無需每次重新說明。如果不確定該設定什麼角色,可以直接告訴 Gemini 筆記本的用途,它會自動生成適合的語氣設定。

文件輸出功能大幅升級。在 Gemini 筆記本中整理資訊後,可一次輸出成四種格式:Google 雲端文件(直接存入 Google Drive 且可編輯)、PDF、Excel 與 Word。所有格式都可在 Gemini 直接下載,Word 檔需選擇 UTF-8 編碼才能正確顯示中文。用戶也可要求輸出結構化的 Markdown 版本供 Cloud Code 使用。如果無法產生雲端文件,表示還未授權 Gemini 連接 Google 硬碟,需要先完成授權。

Canvas 工具是新增的即時編輯功能。NotebookLM 生成的資訊圖表現在可在 Gemini 內直接修改,使用左邊的標記工具框選或打叉,用右邊的文字工具描述修改需求,不同顏色可標記不同修改項目。此功能也適用於簡報——NotebookLM 簡報可在 Gemini 編輯,只需在簡報右上角點擊「修改」,然後逐頁在左下方對話框輸入修改內容,最後生成修訂版本。注意應該一次修改所有簡報再生成,以節省時間。若在 Gemini Canvas 中直接生成簡報,會自動產生 Google Slides 連結,使用者可進一步在 Google Slides 編輯並替換圖片。

知識庫的視覺化也有新進展。用戶可以在 Gemini 中用 Canvas 將 NotebookLM 知識整理成互動式網頁儀表板,支持網頁模式與圖表形式切換。這些儀表板可以交互,用戶可以切換檢視、篩選數據、查看統計資訊,例如旅遊計畫可動態計算每人花費、詳細行程安排。Gemini 甚至會自動建議額外功能,如翻譯、新行程規劃等,大幅提升工作效率與智能化程度。

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。