DeepMind CEO，表示：未来我们将把Gemini 和 Veo 模型结合起来，以构建一个更强大、多模态的 AI。Gemini 已经能够理解文本、图像和音频，而 Veo 则专注于生成和理解视频。合并这两个模型将使 Gemini 更接近成为现实世界中的数字助手。
新闻评论指出：这一举措反映了整个AI行业向“全模态”模型发展的趋势，这些模型可以处理所有类型的输入和输出。OpenAI 正在通过 ChatGPT 实现这一点，而亚马逊则在开发一个“任意到任意”的系统。谷歌通过利用 YouTube 的海量视频数据来训练 Veo，从而在视频领域获得了巨大的优势。
这种整合，标志着AI向不仅会说话或写作，而且能够处理更多任务的 【通用AI】（AGI？）更进一步。
