能让谷歌逆风翻盘的AI，可能不是 Gemini
内容提要
Google发布“主动视频理解”功能，使AI能动态调整视频分析速度，精准捕捉瞬间动作（如数掌声），成本降低88%，准确率提升7%。该技术可应用于体育战术解说、家庭监控预警及YouTube问答，将视频转化为可交互知识库，标志着AI理解物理世界的新阶段。
延伸解读
成本与准确率的平衡点
Google 公布的基准测试显示，主动视频理解能将 token 消耗降低最多 88%，分析成本降低最多 66%，同时准确率提升最多 7%。在 LongVideoBench 等长视频基准上，Gemini 3.7 Flash 开启该功能后处于准确率与成本的帕累托前沿，成为性价比最优的模型。这意味着开发者可以在不牺牲性能的前提下大幅削减视频分析的开销，尤其适合处理长时长的监控或内容库视频。
从被动采样到主动聚焦
传统视频理解依赖固定频率（如每秒 1 帧）提取画面，容易漏掉瞬间动作，且长视频会撑爆上下文窗口。主动视频理解让模型自主决定查看哪段、以何种速度、依赖画面或音频，并调用内部工具精读片段。这种机制类似字幕组为观众补充背景信息，能实时弹出战术拆解或安全预警，将视频从单向播放转变为可交互的知识库。
现实应用场景的想象空间
文章设想了多个应用场景：体育赛事中实时分析战术并弹出历史数据；家庭监控中过滤风吹草动等无效警报，聚焦幼儿攀爬或宠物异常等语义事件；YouTube 问答则能精准定位视频片段并总结答案。这些场景均基于模型对复杂动态场景的理解能力，且目前可通过 Gemini API 调用，支持上传视频和 YouTube 链接，未来还将集成至 Gemini App 和 Ask YouTube。
Q&A
谷歌的“主动视频理解”功能是什么？
谷歌于9月1日发布的“主动视频理解”功能，让AI能够动态调整视频分析的速度和方式，自动判断该关注哪段画面、何时回看，从而更精准地理解视频内容。
传统AI模型在视频理解上有什么缺陷？
传统AI模型通常按固定频率（如每秒1帧）提取画面，容易漏掉短暂动作，且长视频会产生大量帧数，超出模型的上下文窗口，导致记忆混乱。
主动视频理解相比传统方式有哪些提升？
根据谷歌官方基准测试，启用主动视频理解后，token消耗最多降低88%，分析成本最多降低66%，准确率提升最多7%。
主动视频理解可以应用在哪些场景？
可应用于体育赛事战术解说、家庭监控预警、YouTube视频问答等，将视频转化为可交互的知识库。
主动视频理解如何实现精准识别？
模型会先形成循环判断过程，决定接下来要看哪一段、用多快速度看、依赖画面还是音频或字幕，然后调用内部工具提取对应片段进行精读。
开发者如何使用主动视频理解功能？
开发者可以通过Google AI Studio和Gemini Enterprise Agent Platform中的Gemini API调用，支持上传视频和YouTube视频两种输入，按标准token计费。
主动视频理解对YouTube的“Ask YouTube”功能有何影响？
该功能未来几个月将为YouTube的“Ask YouTube”提供支持，用户可以直接提问视频内容，AI会定位到相关片段并总结答案，使视频成为可交互的知识库。
