Что произошло
Google 1 июня 2026 года выпустила материал о том, как команда использовала Gemini и другие AI-инструменты при подготовке Google I/O 2026. В списке оказались Google AI Studio, Gemini API, Gemini Omni, Nano Banana, Lyria 3, Google Antigravity, Google Flow и экспериментальные модели Google DeepMind.
Главный смысл публикации не в том, что AI помог сделать один ролик или одну картинку. Google показывает несколько разных рабочих задач, где модели использовались вместе с людьми: от короткого фильма про TPU до фирменного стиля, музыки, игровых уровней и кастомных стикеров для посетителей.
Как AI использовали в видео и айдентике
Для короткого фильма TPU Training Day команда сначала сняла базовые движения через кукольную анимацию и простую 3D-анимацию. Затем Nano Banana использовали для стилизованных первых кадров, а Gemini Omni и экспериментальные модели помогали объединять базовую анимацию и стилизованные кадры.
В визуальной айдентике I/O 2026 Google использовала Gemini models и Nano Banana. Команда загружала прошлые бренд-гайды и материалы I/O, проверяла ранние варианты, возвращала результаты обратно в модель с правками и в итоге пришла к системе иконок и цветовой логике для сцены, приложений, цифровых материалов и физической навигации.
Игровые уровни и музыка
В предшоу I/O был проект Jellectronica: движения медуз из Monterey Bay Aquarium переводились в музыку. Google пишет, что использовала YOLO8 в Google Colab, Coral NPU, Google Flow Music и Lyria API, чтобы движение медуз влияло на музыкальные партии.
Другой пример - Infinite Scaler, игра, где участники создавали уровни по ходу прохождения. Nano Banana через Gemini API генерировал sprite sheets по пользовательским промптам и референсам, а дополнительные карты материалов помогали переносить 2D-изображения в 3D-сцену.
Где здесь практический урок
Самый полезный вывод для бизнеса и авторов: Google не описывает AI как замену всей команды. В каждом примере сначала есть человеческий замысел, ограничения, исходные материалы и проверка результата. Модели ускоряют варианты, но не отменяют постановку задачи.
Это важнее, чем список названий моделей. Реальная ценность появляется там, где AI встроен в понятный процесс: создать первый вариант, выдержать стиль, быстро перебрать направления, связать музыку, визуал и код, а затем отдать результат на человеческую доводку.
Кастомные стикеры и персонализация
Еще один показательный сценарий - Sticker swag. На I/O участники играли в небольшую игру, выбирали два промпта или случайный вариант, а backend на основе Nano Banana for Gemini и Android объединял выборы в персональный дизайн стикера.
Такая механика хорошо показывает, как AI может работать в публичном интерактивном продукте: пользователь делает простой выбор, модель быстро генерирует уникальный результат, а система сразу превращает его в физический объект.
На что обратить внимание
Первое - Google описывает собственный опыт крупной компании, а не универсальный рецепт для любой команды. Без подготовленных материалов, контроля стиля и проверки результата такой подход легко превращается в хаотичную генерацию.
Второе - многие сценарии завязаны на инструменты Google: Gemini API, AI Studio, Antigravity, Lyria и Nano Banana. Для читателя важнее не копировать набор сервисов один к одному, а понять принцип: AI лучше работает как часть цепочки, где есть входные данные, ограничения и человек, принимающий финальное решение.
Третье - материал показывает, что генеративный AI постепенно уходит из режима разовых экспериментов в production-подход. Но качество по-прежнему зависит не только от модели, а от того, кто ставит задачу и кто проверяет итог.