I/O ۲۰۲۶؛ گوگل Gemini را از مدل به شبکه‌ای از عامل‌ها می‌برد

سخنرانی افتتاحیه Google I/O در ۱۹ مه ۲۰۲۶ یک محصول منفرد را معرفی نمی‌کند؛ نقشه‌ای از «عصر agentic Gemini» ارائه می‌دهد. Gemini Omni، Gemini 3.5 Flash، Antigravity، Gemini Spark و عامل‌های Search در کنار TPU و Google Cloud قرار گرفته‌اند. پیام فنی این مجموعه روشن است: گوگل می‌خواهد مدل، زیرساخت و سطح محصول را هم‌زمان کنترل کند تا AI از پاسخ‌گویی به اقدام در چند محیط برسد.

#مقیاس پیش از قابلیت

گوگل اعلام کرد مدل‌هایش در سطح محصولات مختلف ماهانه بیش از ۳٫۲ کوادریلیون token پردازش می‌کنند و بیش از ۸٫۵ میلیون توسعه‌دهنده هر ماه با APIها تجربه می‌سازند. این اعداد برای توضیح مقیاس پلتفرم به کار می‌روند، نه برای سنجش کیفیت مدل. چنین حجم کاری، دلیل تأکید بر TPU 8i برای inference و بهبود performance-per-watt نیز هست؛ latency و هزینه در محصولی با میلیاردها کاربر مستقیماً به تجربه تبدیل می‌شوند.

#سه لایه جدید Gemini

Gemini Omni برای تولید خروجی‌های مختلف از ورودی‌های مختلف معرفی شد و Omni Flash از ویدئو آغاز می‌کند. Gemini 3.5 Flash برای کدنویسی عامل‌محور، کارهای طولانی و workflow واقعی طراحی شده است. گوگل سرعت خروجی آن را تا چهار برابر مدل‌های frontier دیگر در مقایسه مشخص اعلام کرد؛ این عدد به روش آزمون و مدل‌های مقایسه وابسته است و نباید به همه درخواست‌ها تعمیم یابد.

Antigravity 2.0 نیز از محیط توسعه به سکویی برای ساخت و مدیریت cohortهای عامل‌ها گسترش می‌یابد. این تغییر برای توسعه‌دهنده به معنی جداسازی agent definition، ابزار، وضعیت اجرا و approval است. یک desktop app که چند عامل را هماهنگ می‌کند، بدون observability و quota به‌سرعت به جعبه سیاهی پرهزینه تبدیل می‌شود.

#Spark و مرز preview

Gemini Spark به‌عنوان عامل شخصی ۲۴/۷ در ماشین مجازی Google Cloud معرفی شد. Spark با Gemini 3.5 و harness آنتی‌گراویتی کار می‌کند، ابزارهای شخص ثالث را از مسیر MCP دریافت خواهد کرد و ابتدا برای trusted testerها عرضه می‌شود؛ Beta برای مشترکان Google AI Ultra در آمریکا برنامه‌ریزی شده است. این وضعیت preview است، نه محصول عمومی پایدار.

برای تیم‌ها، نکته اصلی در این ارائه، اتصال اقدام به اختیار است. هر عامل باید بداند به کدام داده دسترسی دارد، چه کاری را بدون تأیید انجام می‌دهد و در خطا چطور متوقف می‌شود. I/O ۲۰۲۶ مسیر را از مدل به اکوسیستم ترسیم کرد؛ کیفیت این مسیر را rollout، سیاست و اندازه‌گیری واقعی تعیین می‌کند.

از منظر توسعه‌دهنده، این مجموعه به معنای انتخاب میان چند سطح abstraction است: API مدل، harness، محیط desktop یا محصول نهایی. هرچه عامل به داده شخصی و سرویس‌های بیشتری وصل شود، آزمایش end-to-end و گزارش اقدام مهم‌تر می‌شود. یک نمونه کوچک که قابل توقف باشد، از اتصال هم‌زمان ده ابزار ارزش بیشتری برای شروع دارد.