AI看视频不再靠抽帧，谷歌新功能让模型主动找重点

近六周内，谷歌接连发布三款Flash模型，却未在业界激起太大水花。在AI竞赛中，谷歌常显迟缓，尤其在编程与推理领域落后于OpenAI和Anthropic。然而，模型在代码、文本与图像生成上终将出色，真正的难点在于让AI理解物理世界——包括视频、音频、运动、三维空间及事物间的互动。

9月1日，谷歌推出“主动视频理解”功能，试图破解这一难题。它让AI不再被动逐帧看视频，而是自主判断画面重点、回溯时机及观看方式，以提升理解精度。官方演示中，模型能准确数出掌声次数，克服了传统固定帧率采样易漏动作的缺陷。谷歌依托YouTube、Maps和Search等现实数据入口，具备独特的世界触达能力。

传统AI理解视频依赖逐帧提取静态画面，每秒1帧的采样会错过短暂动作，长视频更会撑爆上下文窗口。谷歌为Gemini 3.7 Flash、3.6 Flash和3.5 Flash-Lite接入主动视频理解后，模型可自主循环判断观看片段、速度及依赖的媒体类型，并调用内部工具精读。开发者无需再编写大量胶水代码。基准测试显示，该功能使token消耗降低最多88%，分析成本降低66%，准确率提升7%。在LongVideoBench上，Gemini 3.7 Flash开启主动理解后，性价比最优。有开发者结合Agora对话式AI搭建演示，模型能分析视频、数清手指排列并提取带时间戳的关键时刻，支持实时语音。

这一功能可类比字幕组提供文化背景注释，未来在观赛时可实时解析战术、显示跑位路线及历史数据，或辅助争议判罚解释。家庭监控中，AI能过滤风吹草动等无效警报，聚焦语义价值实体，如识别幼儿攀爬或宠物异常状态并推送精准预警。

目前，该能力已通过Google AI Studio和Gemini Enterprise Agent Platform的API调用，支持上传视频和YouTube链接，按标准token计费，无额外费用。未来将推送至Gemini App的Flash用户，并为YouTube的“Ask YouTube”功能提供支持。YouTuber MrBeast计划在视频中介绍Gemini等产品，并借助其应对野外环境。

以往用户与视频交互单向线性，查找信息需拖拽进度条或依赖评论时间戳。“Ask YouTube”将改变此状，用户可随时提问，AI精准定位帧并总结答案，使海量视频转化为结构化知识库。尽管谷歌短期内难回旗舰模型第一梯队，但若胜负取决于理解并互动世界的AI，竞争或刚开始洗牌。未来AI将用懂温度、懂逻辑的眼睛，与人类共观世界。