能让谷歌逆风翻盘的AI，可能不是 Gemini Google 过去六周发布了三个 Flash 模型，但好像 0 个人在意。 在 AI 狂飙突进的这两年里，Google 似乎总是扮演着那个「起大跑慢」的角色。 老实说，看到 Gemini 在编程和推理上迟迟拿不出让人眼前一亮的成绩时，没人不会觉得 OpenAI 和 Anthropic 已经把身位拉开了。 不过，代码、文本处理，甚至图像生成这些领域的强大模型都会变得非常出色。这只是时间问题而已。 难的是让 AI 理解这个世界本身：包括视频、音频、运动、三维空间、时间和空间关系，以及事物如何相互变化和相互作用。 Google 在 9 月 1 日发布了「主动视频理解」功能，让 AI 判断该盯住哪一段画面，什么时候倒回去重新看一遍，用什么样的方式去看，从而得到更精准的理解。 官方的演示是让模型数掌声的次数，这是过去 AI 很难做好的任务，因为传统方式按固定的每秒 1 帧读取画面，瞬间发生的动作很容易被漏掉或者和别的声音混在一起。而在主动理解模式下，模型能根据需要自动调整处理速度，准确识别并数出每一次鼓掌。 加上 Google 手里握着 YouTu