在近期由LinkedIn联合创始人里德·霍夫曼（Reid Hoffman）与Google DeepMind首席执行官杰米斯·哈萨比斯（Demis Hassabis）共同主持的Possible播客中，哈萨比斯透露，Google计划将其Gemini AI模型与Veo视频生成模型深度融合，以增强前者对物理世界的理解能力。
“我们从一开始就将基础模型Gemini构建为多模态架构，”哈萨比斯表示，“这源于我们对‘通用数字助手’的愿景——即打造一个能真正协助用户解决现实世界问题的智能伙伴。”
AI行业正加速迈向能够理解并合成多种媒体形式的“全能”模型阶段。目前，Google最新的Gemini模型已支持音频、图像及文本生成；OpenAI ChatGPT默认模型也具备了图像创作能力（包括吉卜力风格艺术作品）；Amazon亦宣布将于今年晚些时候推出“任意到任意”（Any-to-Any）模型。
此类全能模型的训练依赖海量多模态数据。哈萨比斯暗示，Veo的视频训练数据主要源自YouTube平台。他指出：“通过观看海量YouTube视频，[Veo 2]得以习得现实世界的物理规律。”
此前Google向TechCrunch证实，其模型可能依据与创作者的协议，“部分”使用YouTube内容进行训练。据报道，该公司去年修订服务条款的部分原因，正是为了获取更多数据以优化AI模型训练。