AI 看视频，开始「挑着看」了：Token 直接省 88%

AI 看视频，以前是个笨办法。

一帧一帧拆开，从头扫到尾。1秒抽1帧，一小时视频就是3600张图，全塞给模型硬啃。

费钱，费时间，还经常看跑偏。

9月1日，Google 换了个思路。Gemini 3.7 Flash、3.6 Flash、3.5 Flash-Lite 上线了「智能体视频理解」（Agentic Video Understanding）。

说白了，让 AI 自己决定「看哪、看多快、用什么看」。

是看画面帧，还是听音频，还是直接读字幕——它自己挑。该看的重点多看两眼，无关的片段直接跳过，只抓自己需要的瞬间。

效果很直接：Token 最多省 88%，分析成本最多降 66%，准确率反而还高了一点。

以前是「无差别扫描」，现在是「带着目的去检索」。AI 从「看完」，变成了「看懂」。

这个变化值得多说两句。

过去几年，大模型都在卷「上下文越长越好」，恨不得一秒装下一整个世界。结果就是：能装，但贵。

现在风向悄悄变了——不是比谁能塞进更多信息，而是比谁能用更少的信息，干成同一件事。

对普通用户来说，最直观的感受是两个字：便宜。

以后想让人工智能分析一段长视频、会议记录、监控回放，花的钱可能只有原来的零头，速度还更快。

AI 看得懂视频，才算真正开始「看世界」。

这才是这场更新最值钱的地方。