Google 最亮眼的 Gemini 演示翻车：看似实时互动，实为图文提示剪辑

Google 刚把 Gemini 推到聚光灯下，那段让人惊掉下巴的演示视频就在社交媒体上转疯了。视频里，AI 看着人随手画的鸭子一步步成型，能听懂语音、实时跟人插科打诨，甚至还能一眼识破猜拳手势。很多人当时的第一反应是：Google 终于把多模态的大招憋出来了。

然而不到 24 小时，这层滤镜就被戳穿了。彭博社记者 Parmy Olson 率先发现了端倪，随后科技媒体 TechCrunch 直截了当地指出：这段名为《Hands-on with Gemini》、播放量破百万的上手视频，其实大部分是“做出来的”。

视频里的丝滑实时交互，现实里的文字配静止图

视频给所有人的印象，是 Gemini 具备极强的实时音视频感知能力。它就像一个坐在你对面的人类伙伴，看着摄像头的实时画面，同步做出语音反应。

但 Google 官方博客公布的幕后细节完全是另一回事。整场演示根本不是实时交互，甚至不是视频输入。测试人员是把录制好的视频切成一张张静态图片帧，再配上一句句精心调整过的文字提示词，去投喂给 Gemini 获得文字答案。

更让人难以接受的是那些被掩盖的提示细节。在视频第 2 分 45 秒，一个人在镜头前默默比划了三个手势，Gemini 迅速自信地喊出：我知道你在做什么，你在玩石头剪刀布。

现实中 Gemini 根本无法看懂连续手势。测试人员必须把石头、剪刀、布三个手势的照片同时摆在一张图里喂给它，并且还要在提示词里明晃晃地塞入提示：“你觉得我在做什么？提示：这是一个游戏。”不仅如此，在辨认行星贴纸距离太阳顺序时，视频里只轻描淡写地问了句“这顺序对吗”，真实的提问其实写得清清楚楚：“请考虑离太阳的距离并解释原因”。

甚至在那个杯子藏球的把戏里，模型并非靠眼睛追踪到了纸团，而是提前被人类用自然语言详细培训了解释了规则。至于视频测的到底是大家现在就能用的 Gemini Pro，还是明年才准备发售的 Gemini Ultra，Google 在视频开头也只字未提。

Google 忙着灭火：这是为了启发开发者

面对外界铺天盖地的质疑，Google 表现得相当委屈。一位发言人甚至联系媒体，希望对方撤掉“造假”这种刺眼的字眼，并坚称视频里展现的确实是 Gemini 生成的真实内容，只是剪掉了停顿、精简了回答。

随后 Google DeepMind 研究副总裁 Oriol Vinyals 也在社交平台上发文灭火。他解释称，这段视频是为了展示如果基于 Gemini 去构建多模态体验，未来的交互“可能是什么样子”，制作视频的初衷是为了“激励开发者”。他还展示了一段预先设置角色背景的提示词序列，以此说明在特定设定下 Gemini 也能完成行星排序。

但哪怕有这层免责声明，大家依然不买账。如果这是一段概念宣传片，大家完全可以接受它的夸张成分；但如果标题写着实机上手，展示出来的却是经过层层人工喂饭才勉强跑通的摆拍，性质就截然不同了。

为什么重要

我们认为，Google 这次最聪明的算盘是急于找回在 AI 赛道上失去的尊严，但最昏的招数也是用用力过猛的方式搞砸了信誉。把静态图片批处理包装成无缝实时流，把高度引导的命题作文剪辑成天衣无缝的心有灵犀，这不是艺术加工，这是对用户认知的误导。

对于普通用户和开发者来说，值不值得现在去碰 Gemini 依然要打个问号。它确实拥有扎实的多模态理解底子，识别手势和半成品草图的能力也并不算弱。但你如果指望现在就能拿到视频里那样如臂使指的实时 AI 助手，落差感绝对会把你劝退。

更要命的是对行业信任的透支。在多模态领域，OpenAI 的 GPT-4V 展现出的能力虽然有延迟、有缺陷，但至少给到开发者的是真实的预期。Google 本就在追赶的被动位置上，这次演示翻车无异于在起跑线上自己绊了自己一跤。看起来，以后的科技发布会如果不放未经剪辑的无缝长镜头录屏，恐怕再难有人敢全盘买单了。