生成式 AI 正在从“生产工具”走向“默认交互层”。最新动向显示，Google TV 将迎来一轮以 Gemini 为核心的功能升级，把图像生成、视频生成与内容分发能力直接嵌入电视主屏。这不仅是一次功能更新，更是大模型向家庭场景渗透、向“端侧 Agent”演进的重要信号。
此次更新的核心，是在 Google TV 中引入 Gemini 能力，并新增一个专门的 AI 入口（Gemini 标签页）。用户可以通过“创建”按钮直接调用生成式工具，包括：
Nano Banana：用于图像生成与编辑
Veo：用于视频生成与图像动画化
与此同时，YouTube Shorts 将被整合进主屏信息流，形成“消费 + 生成”一体化体验。
这意味着，电视不再只是内容播放终端，而开始具备“内容生产节点”的属性。
从 AI 工程角度看，这一变化的关键不在模型本身，而在交互与系统架构的调整。
用户可以通过自然语言（语音提示）完成复杂操作，例如：
替换人物服装
修改图片背景
从文本生成视频片段
这背后依赖的是统一的多模态理解与生成能力，将语音 → 文本 → 图像/视频 的链路打通。
在电视设备上运行复杂生成模型存在算力限制，因此大概率采用：
端侧模型（轻量化 Gemini 变体）负责理解与交互
云端模型（如 Veo）负责高质量生成
这种“端 + 云”协同，是多模态 AI 在消费电子中的典型架构。
传统电视 UI 以菜单和遥控器操作为核心，而引入 Gemini 后：
用户通过表达意图（intent）触发操作
系统负责解析并执行复杂流程
UI 变为结果呈现，而非操作入口
这本质上是 Agent 交互范式在家庭设备中的落地。
此次引入的两个模型，分别对应图像与视频生成能力的“产品化形态”。
其能力不仅限于生成新图像，更强调对现有图像的“语义级编辑”，例如：
服装替换（virtual try-on）
场景重构（background synthesis）
风格迁移（style transformation）
这类能力在移动端已逐步普及，但进入电视场景后，意味着“家庭级共享创作”。
相比图像生成，视频生成对算力与模型复杂度要求更高。Veo 的引入表明：
文本到视频（text-to-video）开始具备可用性
静态图像动画化（image-to-video）成为新交互方式
短视频创作门槛进一步降低
当这些能力直接嵌入电视，内容生产的入口被大幅下沉。
将 Shorts 引入主屏并非简单内容整合，而是构建一个完整闭环：
用户通过 Gemini 生成内容
内容可直接进入短视频生态
平台通过推荐算法放大传播
这使得 Google TV 从“消费终端”转变为“创作 + 分发节点”。
对 AI 社区而言，这是一种典型的“模型能力 → 平台能力”转化路径。
这一更新可以被视为“家庭场景 Agent 化”的早期形态。
在这一模式下，电视不再只是设备，而是：
理解用户意图的 Agent
调用多模态模型的执行体
管理内容生成与消费的中枢
未来可能进一步扩展为：
自动生成个性化内容（如家庭相册视频）
根据观看习惯生成推荐摘要
与智能家居系统联动（跨设备 Agent）
尽管能力提升明显，但仍存在几个技术与产品层面的挑战：
延迟与交互体验：视频生成仍存在较高 latency
内容质量稳定性：多模态生成结果可能不稳定
合规与内容审核：用户生成内容需符合平台规范
算力成本控制：高质量视频生成成本仍然较高
这些问题决定了短期内该功能更偏向“体验增强”，而非完全替代传统内容生产。
Google 将 Gemini 深度嵌入 TV 平台，反映出一个更长期的趋势：
大模型从应用层上移到系统层
成为设备默认的交互与执行引擎
替代传统 UI 与部分应用逻辑
当这种模式扩展到手机、PC、车载系统后，AI Agent 将成为跨设备的统一入口。
从 Gemini 到 Veo，Google 正在把多模态大模型嵌入最日常的设备场景。对 AI 工程社区而言，这不仅是一次产品更新，更是一个重要信号：大模型的竞争，正在从云端 API 转向终端入口与交互范式的争夺。