Google刚推出了Gemini的Agentic视频理解功能。这不是那种你给视频和问题，AI只输出零散答案的工具。
区别于普通视频AI的核心
之前的视频理解AI，都是“响应式”的——你给具体问题，它找对应片段回答。比如你问“视频里的主角穿了什么外套”，它翻到对应帧就说答案，不会管前后逻辑。但这次的Agentic，是“主动式”的——它能自己规划任务。比如你说“梳理这段1小时视频的叙事线”，它不会等你问下一个问题，而是自己从头到尾过一遍，拆分出开头、转折、结尾的节点，甚至标出哪些内容是重复的，哪些是核心信息。之前的视频AI偶尔会搞混细节，比如把猫当成狗，这次的Agentic至少在逻辑上更顺——毕竟它不是只抓单点，而是关联视频的前后内容，不容易出错。
可能用到的实际场景
这功能不是给实验室用的，落地场景很具体。比如做视频的人，之前找素材要拉几小时进度条，现在只要说“找这段vlog里所有提到‘旅行’的片段，标清楚时间点”，它自己就能筛出来，不用你反复指令。做内容研究的，比如分析某导演的短片，能快速梳理镜头语言的逻辑，不用自己逐帧记。甚至普通用户，整理自己存的家庭视频，找父母生日致辞的部分，不用对着几个小时的婚礼录像瞎找，直接让AI主动定位。
对行业的小触动
之前的多模态AI，大家拼的是“能识别更多内容”，比如能同时看图片、听音频、读文字。但这次Gemini的Agentic，把视频理解从“被动看”升级成“主动处理任务”。其他竞品目前还停留在基础的识别和总结，没看到有同类的主动式功能落地。这一步，至少说明Google在多模态AI的落地方向上，走在了前面，但目前还没公布具体的测试细节，比如支持多长的视频，有没有隐私限制。
你会用这类主动式的视频AI来处理自己的视频吗？
素材来源：Google DeepMind Blog · AI情报、大模型、AI智能体、AI应用落地
查看报道原文
发表第一条评论吧