Google 過去六周發布了三個 Flash 模型，但好像 0 個人在意。

在 AI 狂飆突進的這兩年裏，Google 似乎總是扮演着那個「起大跑慢」的角色。

老實說，看到 Gemini 在編程和推理上遲遲拿不出讓人眼前一亮的成績時，沒人不會覺得 OpenAI 和 Anthropic 已經把身位拉開了。

不過，代碼、文本處理，甚至圖像生成這些領域的強大模型都會變得非常出色。這只是時間問題而已。

難的是讓 AI 理解這個世界本身：包括視頻、音頻、運動、三維空間、時間和空間關係，以及事物如何相互變化和相互作用。

Google 在 9 月 1 日發布了主動視頻理解功能，讓 AI 判斷該盯住哪一段畫面，什麼時候倒回去重新看一遍，用什麼樣的方式去看，從而得到更精準的理解。

官方的演示是讓模型數掌聲的次數，這是過去 AI 很難做好的任務，因為傳統方式按固定的每秒 1 幀讀取畫面，瞬間發生的動作很容易被漏掉或者和別的聲音混在一起。而在主動理解模式下，模型能根據需要自動調整處理速度，準確識別並數出每一次鼓掌。

加上 Google 手裏握着 YouTube、Maps 和 Search 這類現實世界的數據入口，它對物理世界的觸達方式其實相當特別。

告別逐幀試探，讓 AI 主動看懂流動的世界

AI 理解視頻的方式沒那麼高端。簡單來說，它們是在看圖說話。

當我們把一段視頻餵給傳統的 AI 模型時，系統會在後台悄悄把視頻切碎，比如按照每秒 1 幀的頻率提取靜態畫面。這種做法在一定程度上解決了計算量過大的問題，但其缺陷也顯而易見。

如果視頻裏出現了一個極其短暫的動作，或者一個在 0.5 秒內閃過的畫面，這種粗暴的採樣方式就會將其完美錯過。

更不用說，當視頻長度延伸到幾個小時，龐大的幀數會瞬間撐爆模型的上下文窗口，讓 AI 陷入記憶錯亂的尷尬境地。

Google 給 Gemini 3.7 Flash、3.6 Flash 和 3.5 Flash-Lite 三款模型接入主動視頻理解，思路和此前發布的主動視覺有些相似，都是把模型的推理能力和一套原生工具綁在一起，讓模型自己去調用。

模型會先形成一個循環式的判斷過程，決定接下來要看哪一段、用多快的速度看、依賴畫面還是音頻還是字幕，然後調用內部工具把對應片段取出來精讀。開發者原本也能手動拼出類似的處理邏輯，但需要寫不少膠水代碼，如今這被模型自己接管了。

根據 Google 官方公布的基準測試，啓用主動視頻理解之後，token 消耗最多能降低 88%，分析成本最多降低 66%，同時準確率還能提升最多 7%。

Google 在 LongVideoBench 這類長視頻理解基準上做了對比，結果顯示 Gemini 3.7 Flash 在開啓主動理解後，處於準確率與成本的帕累託前沿，是目前測試模型裏性價比最好的一個。

有開發者用 Gemini 3.7 Flash 的主動視頻理解功能配合 Agora 的對話式 AI 技術，搭建了一套小型演示系統。他們錄製了一段視頻，對着系統提出問題，模型分析視頻片段，數清了手指排列的順序，並提取出帶時間戳的關鍵時刻，整個過程支持實時語音對話。

像字幕組般貼心 像彈幕般陪伴

我敢打賭，你或多或少追過字幕組製作過的劇。那時，白字藍邊、懸浮在片子底部的中英字幕，是我們探索另外一個世界的通道。

字幕組很擅長為國內觀衆提供文化背景解釋。

比如在《生活大爆炸》第四季第二集中，劇中角色提及了斯蒂夫·沃茲尼亞克，他在美國或許是個家喻戶曉的人物，但對國內觀衆來說卻較為陌生，於是中文字幕裏用括號標註出了此人為蘋果公司創始人之一。

@ConcordeSky 在翻譯《偉大的旅程》的一集特輯中，把鏡頭裏所有出現的飛機全部考證清楚型號，在字幕裏做出註釋。

現在，AI 也可以像字幕組般貼心地在你觀看過程中彈出有趣的事實。

可以想象你正在觀看一場節奏極快的 NBA 季後賽或是歐洲盃足球賽。

對於普通觀衆而言，賽場上的戰術配合往往是一眨眼就錯過的模糊畫面，我們只能跟隨着解說員的驚呼去感受比賽的激情。

但是，當啓用了 Gemini 主動視頻理解功能的播放器介入時，觀賽體驗將會發生顛覆性的改變。

在直播或錄播的過程中，AI 會在後台以極高的靈敏度實時分析着場上的局勢、攻防兩端的戰術陣型以及每一個球員的跑位。

當賽場上突然出現一次精妙絕倫的反跑空切，或者是針對防守漏洞的戰術犯規時，螢幕邊緣會自然、剋制地彈出戰術拆解畫面。

動態的戰術路線圖會自動在球員腳下延伸，同時拉出該球員在類似位置的歷史投籃熱力圖和數據對比。如果遇到爭議判罰，AI 甚至會結合當下最新的規則條款給出即時的視覺解釋。

在這項技術的加持下，螢幕前不再只是一個被動接受畫面的觀衆，每個人的身邊都彷彿坐着一位不知疲倦、數據詳實的專業場邊戰術分析師。

如今許多家庭都會安裝智能攝像頭來照看家中的幼兒或寵物，然而現有的攝像頭報警功能常常鬧笑話。一陣風吹動了窗簾，或者是光影發生了微小的變化，手機就會頻繁收到「檢測到畫面異動」的無用推送。

連接了 Gemini 的家庭監控系統將完全不同。得益於其對複雜動態場景的理解能力，AI 能夠輕易過濾掉那些由風吹草動、光影變幻產生的無效運動噪點。它的注意力始終聚焦在具有語義價值的實體上。

當一個牙牙學語的幼兒試圖攀爬客廳裏高處的置物架，或者當家裏的貓咪在角落裏呈現出反常的、長期的蜷縮狀態時，它會向監護人的手機推送一條帶有精準場景語義的預警：寶寶正在嘗試攀爬書櫃，請注意安全或者是貓咪已持續萎靡不振超過兩小時，建議觀察健康狀況。

當 YouTube 擁有了眼睛，視頻消費的下半場

這項能力目前已經能通過 Google AI Studio 和 Gemini Enterprise Agent Platform 裏的 Gemini API 調用，支持上傳視頻和 YouTube 視頻兩種輸入，定價沿用標準的 token 計費，沒有額外收費。

Google 表示，這項能力很快會推送給 Gemini App 裏使用 Flash 和 Flash-Lite 系列模型的所有用戶，未來幾個月還會為 YouTube 的Ask YouTube功能提供支持。

順帶一提，擁有 5 億訂閱者的 YouTuber MrBeast 在即將發布的視頻中，將會介紹 Gemini、Google Health 以及 Fitbit Air 等產品。這是他與 Google 多年合作計劃的一部分，他會在穿越叢林、沙漠和北極地區時藉助 Gemini 輔助工具來識別危險、應對惡劣的天氣條件。

在以往，我們與視頻的交互是單向且線性的。你點開一個兩小時的數碼評測視頻，想要尋找關於某款手機螢幕亮度的真實表現，你只能在進度條上反覆拖拽，或者依賴其他熱心網友在評論區留下的時間戳或課代表式總結。

當Ask YouTube成為標配，用戶與視頻之間的牆被徹底推倒。

你可以在播放頁面隨時敲下你的疑問：主講人在哪個時間段對比了這款手機在陽光下的顯示效果？他們的結論是什麼？或者在一段長達數個多小時的烹飪教學視頻裏直接提問：配料表裏提到的迷迭香是在第幾步放進去的？需要醃製多久？

AI 會在瞬間檢索整部視頻，精準地將進度條定位到那一幀，同時在側邊欄用簡潔流暢的語言為你總結出答案。

互聯網上海量的視頻資源，將在這一刻轉化為可以直接被調用的結構化知識庫。

眼下看，Google 在短時間內是很難回到旗艦模型第一梯隊了，但如果真正決定勝負的是誰能造出理解世界、並且能和世界互動的 AI，那麼這場比賽可能才啱啱開始重新洗牌。

未來的 AI 不僅僅會聽、會說、會畫，更能夠用一雙真正懂溫度、懂邏輯的眼睛，和我們一起凝視這個瞬息萬變的世界。

相關參考🖊️：

https://mp.weixin.qq.com/s/eIWgS38EFHS-YF48GFf98Q

https://mp.weixin.qq.com/s/fILhstpTYGYsNqFapbiHWg

https://x.com/Red1OneX/status/2094862171348021528