谷歌另辟蹊径：让AI主动理解视频，而非堆砌参数

在AI大模型竞赛中，谷歌近来略显被动。过去六周内，其接连推出三款Flash系列模型，却未在业界激起太大水花。当对手在编程与推理任务上屡屡突破时，外界难免质疑谷歌的研发节奏。然而，谷歌似乎正试图通过另一条路径重新定义竞争格局——让AI真正理解物理世界的动态变化，而非仅仅在文本与图像上精进。

从“看图说话”到主动理解：视频处理的范式转变

传统AI分析视频的方式颇为机械：以固定帧率（如每秒1帧）抽取静态图像，再逐一识别。这种采样方法虽缓解了计算压力，却容易遗漏瞬时动作，且长视频会因帧数过多撑爆上下文窗口。谷歌于9月1日推出的“主动视频理解”功能，则打破了这一局限。该功能允许模型自主判断需要重点关注的画面片段，并动态调整处理速度——例如官方演示中，模型能准确数出掌声次数，而此类任务过去常因动作瞬时或声音混杂而失败。

实现这一能力的关键，在于将模型推理与原生工具结合。模型先形成循环判断：接下来分析哪段、以何种速度、依赖画面还是音频，然后调用内部工具精读对应片段。开发者以往需编写大量胶水代码才能实现类似逻辑，如今已由模型自主接管。根据谷歌公布的基准测试，该功能可令token消耗最高降低88%，分析成本最高降低66%，同时准确率提升最多7%。在LongVideoBench等长视频基准上，Gemini 3.7 Flash开启主动理解后，处于准确率与成本的帕累托前沿，性价比表现突出。

视频即数据入口：解锁现实世界的应用场景

谷歌在视频理解上的布局，与其拥有的现实世界数据入口紧密相关。YouTube、Maps与Search等产品提供了海量视频与地理信息，使AI能更自然地触达物理世界。这种优势在体育赛事、家庭监控等场景中已初显潜力。

例如，在NBA或足球直播中，启用主动视频理解的播放器可实时分析战术与球员跑位，当出现精妙配合或争议判罚时，屏幕边缘会弹出战术拆解图，并展示球员历史数据。在家庭监控领域，该技术能过滤窗帘飘动等无效异动，聚焦幼儿攀爬、宠物异常等语义事件，推送如“宝宝正在攀爬书柜”的精准预警。开发者已能通过Google AI Studio及Gemini Enterprise Agent Platform调用此功能，支持上传视频与YouTube链接，按标准token计费，暂无额外费用。

这一能力后续将扩展到Gemini App的Flash系列模型用户，并计划在未来数月为YouTube的“Ask YouTube”功能提供支持。值得注意的是，拥有5亿订阅者的YouTuber MrBeast将在新视频中展示Gemini、Google Health等产品，其穿越极端环境的测试或将凸显视频理解的实用价值。

改写人机交互：视频成为可检索的结构化知识

当“Ask YouTube”成为标配，用户与视频的交互方式将彻底改变。过去，在长篇评测或教程中寻找特定信息，需反复拖拽进度条或依赖评论区时间戳。如今，用户可直接提问，AI实时定位并总结答案，仿佛视频本身拥有了对话能力。互联网海量视频资源，正逐渐转化为可被直接调用的知识库。

在AI竞赛的下半场，谷歌或许暂时难以回到旗舰模型的领跑位置，但若胜负手在于谁能造出真正理解世界、并与世界互动的AI，那么游戏远未结束。从主动视频理解到现实世界数据整合，谷歌正尝试用另一种维度缩短与物理世界的距离——未来的AI不仅能听会说，更可能拥有一双洞察动态、理解逻辑的眼睛，与人类一同凝视瞬息万变的世界。