AI 不需要看完所有内容，先要知道为什么看

最近，Google 推出了一项智能体式视频理解功能。

以往的模型处理视频，通常会按照固定帧率读取内容。新的方式则不再平均地处理整段视频，而是根据目标，动态决定看什么、以什么速度看，以及应该查看画面、音频还是转录文本。按照 Google 公布的测试结果，这种方式不仅减少了 token 消耗和成本，准确率还有所提高。

具体数据是在什么条件下得到的，能不能在普通任务中复现，还需要更多实际使用来验证。但这种处理方式本身让我觉得很熟悉。

在开发谈小简时，我也需要处理很长的会议录音和转录文本。大模型无法一次稳定地处理全部内容时，常见办法就是分段：先把长内容切成若干部分，分别处理，再把结果汇总起来。

但简单地切开也会产生问题。一句话可能刚好横跨两个分段，前一段只有开头，后一段只有结尾，单独处理时就可能丢失原来的意思。因此，分段之间还需要保留一部分重叠内容，也就是 overlap，让相邻片段拥有一段共同的上下文。

这种方法的效果还可以，却也说明了一个问题：面对长内容，真正困难的并不是让 AI 把所有内容都读一遍，而是怎样在效率和信息完整性之间作出选择。

Google 的智能体式视频理解，相当于把一部分选择交给了模型。它不再以固定方式扫描全部视频，而是围绕任务主动寻找相关内容。需要统计快速动作时，就用更高帧率重新查看某个片段；需要从几小时的视频里寻找一句话时，就优先从音频和转录文本中定位。

不过，AI 决定看什么之前，还有一个更重要的问题：我们为什么要看？

同一段会议录像，如果目标是整理待办事项，模型应该关注负责人、截止时间和已经确定的决策；如果目标是分析沟通问题，它需要关注的可能是语气、分歧和没有得到回应的意见；如果只是制作摘要，又会采用另一套选择标准。

内容没有变化，目标不同，值得关注的部分就不同。

所以，我并不认为这项能力意味着以后可以把所有内容交给 AI，让它自己决定什么重要。AI 的选择仍然需要服务于人的目标。人是需求的提出者，应该先说明自己想解决什么问题；AI 理解目标以后，再决定需要查看哪些内容，以及采用什么方式处理。

这也意味着，模型能够处理的上下文越来越长，并不会让人的作用消失。以前，我们需要亲自切分内容、寻找重点；以后，这些执行工作可能更多地交给 AI，但我们仍然需要决定目的是什么、什么样的结果才算有用。

AI 不需要平均地看完所有内容，但必须知道自己为什么看。

而这个“为什么”，最终仍然来自人。