KeyFrame內部研究專用

Google Gemini AI旅遊全攻略!用 Google Flights找便宜機票、Google Maps避雷餐廳一次學會(附指令教學)

3cTim哥生活日常·7月6日週一·9 min中文

三句話摘要

Google Flights 與 Google Maps AI 功能實測:用自然語言規劃行程、搜尋機票、最佳化旅遊路線。 Google Flights 與 Google Maps 的 AI 整合讓旅遊搜尋、行程規劃、消費決策都轉變為自然語言對話,將繁瑣的比價與查詢化為秒速推薦,是旅遊體驗的重大升級。 自然語言驅動的機票搜尋

重點整理

重點
  • 1

    自然語言驅動的機票搜尋

  • 2

    Google Flights 將口語化旅遊條件(預算、季節、目的地類型)轉換為精準查詢,例如「秋天兩萬元去海島度假」系統自動拆解時間約束與金額範圍,並在結果中顯示與平均價格的差價幅度(如低 62%),幫助快速辨識優惠。

  • 3

    多層次的篩選與個人化調整

  • 4

    使用者可在 AI 推薦基礎上進一步調整(航空公司、轉機次數、艙等等級),Google Flights 實時展示轉機時長與中轉機場,讓選擇更透明。支援複合需求(如去程商務艙、回程經濟艙),降低來回查詢次數。

  • 5

    Google Maps AI 的一日行程最優化

  • 6

    輸入多個目的地與時間窗口,Maps AI 自動考量交通時間、營業時間與遊客人潮,排序最不浪費時間的路線並推薦出發時間(例如早 9 點出發,依序訪問各景點直到晚間)。

  • 7

    情境感知的即時回答

  • 8

    使用者可向 Maps AI 提問開放式問題(「下雨天附近有什麼室內逛 2 小時的地方?」、「當地人吃的壽喜燒店在哪裡?」),系統結合地點評論、營業資訊、消費估算進行回答。

實用技巧與重點

乾貨
  • Google Flights 功能
  • 搜尋範例:「下個月去日本滑雪」、「秋天兩萬以內海島度假」、「10 月 29 日至 11 月 13 日倫敦或巴黎,預算三萬元」
  • 折扣標籤:低於平均價格 58%~62%,綠色標示
  • 轉機資訊:顯示中轉站數、停留時間(如 50 分鐘 vs 18 小時比較)
  • 篩選條件:來回、人數、艙等、轉機次數、航空公司、價格區間、飛行時間
  • 航班範例:桃園→轉機→巴黎戴高樂機場(阿提哈德航空 vs 越南航空比較)
  • Google Maps AI 功能
  • 一日行程規劃範例:澀谷站 9:00 → 柳本木 12:00 → 東京鐵塔 14:30 → 東京車站 17:00 → 晴空塔 19:30(看夜景)
  • 消費估算:「兩人豆腐料理吃飽需花多少日幣?」→ 回答單人 3000~6000、兩人預估 6000~12000 日幣
  • 購物策略查詢:藥妝店庫存、多方比價、退稅位置、避開尖峰時段、第三類醫藥品法規提醒
  • 百貨公司 FAQ:退稅樓層、排隊時間、特定手續規定
  • 天氣適應查詢:「下雨天附近有遮雨棚或百貨公司可消耗 2 小時嗎?」
  • 在地化推薦:「跳過觀光客排隊店,幫我找當地人去的壽喜燒店」

結論

結論

Google Flights 與 Google Maps 的 AI 整合讓旅遊搜尋、行程規劃、消費決策都轉變為自然語言對話,將繁瑣的比價與查詢化為秒速推薦,是旅遊體驗的重大升級。

完整解析

詳細

講者最近在搜尋機票時發現 Google 發布了新的 AI 功能整合,這次更新將 Google Flights 與 Google Maps 的 AI 能力大幅提升,讓旅遊規劃變得更直觀。首先介紹的是 Google Flights 的新機票搜尋功能,這套系統支援非常自然的語言輸入。使用者可以直接說出旅遊需求,比如「秋天兩萬元以內想去海島度假」或「下個月想去日本滑雪」,Google Flights 會自動拆解這些模糊的條件(時間、預算、目的地類型),然後在後端進行大數據計算,預測低價時段並拉出相符的機票組合。系統會在結果中用綠色標籤標示折扣幅度,例如「比平均價格低 62%」,讓使用者一眼就能辨識划算的選項。

系統還提供了目的地探索功能,即便使用者還沒決定具體目的地,Google Flights 也能根據出發地與預算主動推薦適合的地點。例如在「未來六個月內一星期的行程」列表中,系統推薦佐賀市的直飛航班只要 6000 元,或日本其他城市的低價選項。最關鍵的是,使用者可以在多個維度上進行調整與深化查詢:選擇來回票、指定人數、挑選艙等(商務或經濟)、限制轉機次數、指定航空公司或價格區間、設定飛行時間偏好。系統會即時顯示轉機成本(如轉機停留 50 分鐘 vs 18 小時的差異),幫助做出更明智的決定。

接著講者展示 Google Maps AI 的進階應用,這部分更具想像空間。當使用者抵達新地點時,可以向 Maps AI 提出各種情境問題。例如在澀谷購物,使用者可以問「請幫我規劃今天訪問的五個景點(澀谷站、柳本木、東京鐵塔、東京車站、晴空塔),考慮交通與營業時間,排出最不會迷路的順序,並列出出發時間」,Maps AI 會立刻回答:早上 9 點出發澀谷站,中午 12 點移動到柳本木,下午 2 點半抵達東京鐵塔,5 點東京車站,晚上 7 點半看晴空塔夜景。這種規劃完全免除了人工計算交通時間與營業時間的麻煩。

另一個實用應用是消費估算。使用者可以點擊餐廳並問「兩人吃飽需要多少日幣?」,系統回答「單人平均 3000~6000 日幣,兩人預估 6000~12000 日幣」,並判斷價位為中高檔,是否有商業午餐選項。對於藥妝店,Maps AI 會分析庫存、推薦購買地點(如「在市五站附近做多方比價」)、提醒營業時間、甚至根據日本法規提醒哪些產品屬於第三類醫藥品需在實體店選購。系統也可以處理天氣相關的動態需求,例如「外面下雨,附近有沒有遮雨棚或室內百貨公司可消耗 2 小時」,或者「請幫我找三家當地人會去的壽喜燒店,不要觀光客排隊的地方」。這些查詢充分展現了 AI 理解複雜情境、綜合多重資訊源、並給出實用建議的能力。

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。