Google 最亮眼的 Gemini 演示翻車：看似即時互動，實為圖文提示剪輯

Google 剛把 Gemini 推到聚光燈下，那段讓人驚掉下巴的演示影片就在社交媒體上轉瘋了。影片裡，AI 看著人隨手畫的鴨子一步步成型，能聽懂語音、即時跟人插科打諢，甚至還能一眼識破猜拳手勢。很多人當時的第一反應是：Google 終於把多模態的大招憋出來了。

然而不到 24 小時，這層濾鏡就被戳穿了。彭博社記者 Parmy Olson 率先發現了端倪，隨後科技媒體 TechCrunch 直截了當地指出：這段名為《Hands-on with Gemini》、播放量破百萬的上手影片，其實大部分是“做出來的”。

影片裡的絲滑即時互動，現實裡的文字配靜止圖

影片給所有人的印象，是 Gemini 具備極強的即時音影片感知能力。它就像一個坐在你對面的人類夥伴，看著攝像頭的即時畫面，同步做出語音反應。

但 Google 官方部落格公佈的幕後細節完全是另一回事。整場演示根本不是即時互動，甚至不是影片輸入。測試人員是把錄製好的影片切成一張張靜態圖片幀，再配上一句句精心調整過的文字提示詞，去投餵給 Gemini 獲得文字答案。

更讓人難以接受的是那些被掩蓋的提示細節。在影片第 2 分 45 秒，一個人在鏡頭前默默比劃了三個手勢，Gemini 迅速自信地喊出：我知道你在做什麼，你在玩石頭剪刀布。

現實中 Gemini 根本無法看懂連續手勢。測試人員必須把石頭、剪刀、布三個手勢的照片同時擺在一張圖裡餵給它，並且還要在提示詞裡明晃晃地塞入提示：“你覺得我在做什麼？提示：這是一個遊戲。”不僅如此，在辨認行星貼紙距離太陽順序時，影片裡只輕描淡寫地問了句“這順序對嗎”，真實的提問其實寫得清清楚楚：“請考慮離太陽的距離並解釋原因”。

甚至在那個杯子藏球的把戲裡，模型並非靠眼睛追蹤到了紙團，而是提前被人類用自然語言詳細培訓瞭解釋了規則。至於影片測的到底是大家現在就能用的 Gemini Pro，還是明年才準備發售的 Gemini Ultra，Google 在影片開頭也隻字未提。

Google 忙著滅火：這是為了啟發開發者

面對外界鋪天蓋地的質疑，Google 表現得相當委屈。一位發言人甚至聯絡媒體，希望對方撤掉“造假”這種刺眼的字眼，並堅稱影片裡展現的確實是 Gemini 生成的真實內容，只是剪掉了停頓、精簡了回答。

隨後 Google DeepMind 研究副總裁 Oriol Vinyals 也在社交平臺上發文滅火。他解釋稱，這段影片是為了展示如果基於 Gemini 去構建多模態體驗，未來的互動“可能是什麼樣子”，製作影片的初衷是為了“激勵開發者”。他還展示了一段預先設定角色背景的提示詞序列，以此說明在特定設定下 Gemini 也能完成行星排序。

但哪怕有這層免責宣告，大家依然不買賬。如果這是一段概念宣傳片，大家完全可以接受它的誇張成分；但如果標題寫著實機上手，展示出來的卻是經過層層人工餵飯才勉強跑通的擺拍，性質就截然不同了。

為什麼重要

我們認為，Google 這次最聰明的算盤是急於找回在 AI 賽道上失去的尊嚴，但最昏的招數也是用用力過猛的方式搞砸了信譽。把靜態圖片批處理包裝成無縫即時流，把高度引導的命題作文剪輯成天衣無縫的心有靈犀，這不是藝術加工，這是對使用者認知的誤導。

對於普通使用者和開發者來說，值不值得現在去碰 Gemini 依然要打個問號。它確實擁有紮實的多模態理解底子，識別手勢和半成品草圖的能力也並不算弱。但你如果指望現在就能拿到影片裡那樣如臂使指的即時 AI 助手，落差感絕對會把你勸退。

更要命的是對行業信任的透支。在多模態領域，OpenAI 的 GPT-4V 展現出的能力雖然有延遲、有缺陷，但至少給到開發者的是真實的預期。Google 本就在追趕的被動位置上，這次演示翻車無異於在起跑線上自己絆了自己一跤。看起來，以後的科技釋出會如果不放未經剪輯的無縫長鏡頭錄屏，恐怕再難有人敢全盤買單了。