多模态大模型火了。说AI不光能看文字，还能看图、看视频。我试了几个，说点真实结果。

看图还行，看视频就拉了。

你给它一张图，问它图里有什么。它能告诉你：几个人、在干什么、背景是什么。大部分时候是准的。

但你让它看一段视频，说"帮我总结一下这段视频讲了什么"。它给你的总结，跟你看的经常对不上。

为什么？因为它不是真的在"看"视频。它是把视频按几秒钟抽一帧，然后逐帧看图片。它看不到帧和帧之间发生了什么。

比如视频里一个人从左边走到右边。抽帧的时候可能只拍到了左边和右边。它不知道这人中间动了。它会说：左边有个人，右边有个人。

那视频分析现在到底能干什么？

粗看可以。你让它大概说说视频里有什么场景、什么物体，它能给个八九不离十。

但你让它理解动作、理解因果、理解剧情，它就不行了。因为它没有连续画面的概念。

有次我让它总结一个两分钟的教程视频。它给我列了三条：打开软件、点击设置、保存。看着挺对。但中间具体怎么操作的、哪一步有什么坑，它全没说。

因为那些细节在帧之间，它没看到。

那这个技术什么时候能行？

得等它真能理解连续画面，而不是抽帧看图。现在还早。

用的时候你心里有数就行：让它粗看可以，别让它精看。它总结的东西你得自己核对。

技术是一步步来的，别吹得太早。

说个更离谱的。有次我截了一段10秒的搞笑视频给它，问它这视频笑点在哪。它给我分析了半天：画面中有两个人，表情夸张，背景是室内。它把笑点说成了"表情夸张"。

但真正的笑点是其中一个人说的那句台词。它没"听"到台词，因为它看的是图，不是音频。

这就是多模态现在的尴尬：它叫多模态，但实际上它还是主要看文字和图。视频的音频、动作、节奏，它理解得很浅。

当然这技术在进步。半年前它连图都看不利索，现在已经能看懂大部分图片内容了。视频分析可能再过一两年也会好很多。

但现在用的时候，你得知道它的边界在哪。别把它当万能的，它现在就是个刚学会看图的学生。

用AI这个事，最大的坑不是它不会，是你以为它会。你把它能力想高了，用在关键地方，它给你搞砸了。

技术在进步，但现在还早。

用的时候心里有数就行。真的。

别把它当万能的。

真的。

知道它的边界在哪。

真的。

别吹太早。

真的。

技术是一步步来的。

真的。

别着急。

再等等。

真的。

听我的。

别把它想太神。

真的。

它现在就是个学生。

真的。

刚学会看图。

真的。

就这样吧。

嗯。

就这样。

。

。