谷歌新一代Gemini AI模型昨日重磅亮相后评价褒贬不一。随着用户发现最令人印象深刻的演示视频几乎完全伪造，公众对其技术实力与诚信度的信心或进一步受挫。
名为“上手体验Gemini：与多模态AI互动”的视频发布一天内点击量破百万。该演示展示了多模态模型融合语言与视觉理解的能力，看似能灵活响应各类输入。
视频中，Gemini先识别潦草线条演变为鸭子的过程并指出颜色不切实际，随后对蓝色玩具鸭表现出惊讶；接着回应语音查询，并展示追踪杯下球体、识别手影手势、重排行星素描等炫技功能。
尽管视频提示“延迟已降低，输出已被缩短”，删减了犹豫与冗长回答，但整体反应灵敏，展现了多模态理解的惊人实力，一度动摇了外界对谷歌产品竞争力的质疑。
然而核心问题在于：这段视频并非真实拍摄。据彭博社报道，谷歌通过拍摄素材测试能力，再使用静态图像帧配合文本提示调用Gemini生成回复。
这意味着视频中的任务并未实时实现，而是精心调优的文本提示与静态图片筛选后的结果，歪曲了真实交互情况。相关博客文章虽在视频描述中提及，但被折叠在“更多”按钮下方。
虽然Gemini确实生成了视频中的回复，但观众被误导了对模型速度、准确性及基本交互模式的理解。例如：
视频2分45秒处，Gemini迅速识别无声手势为“石头剪刀布”。但官方文档明确指出：模型无法基于单个手势推理，必须同时展示三个手势并给出特定提示才能正确回答。
这种经过设计且充满暗示的交互，与视频中呈现的直觉性、即时捕捉抽象概念的体验截然不同。所谓的“交互”实际上并未自然发生。
此外，在行星排序演示中，Gemini看似直接答对太阳、地球、土星的顺序。但实际书面提示包含了“考虑与太阳距离并解释推理”的关键引导。这让人怀疑模型是否真正识别了行星，还是需要辅助才生成可用答案。
同理，纸杯追踪游戏在实际操作中也需要详细解释甚至训练模型才能执行，而非视频中展现的瞬间直觉检测。
若视频开头说明这是“程式化呈现”，争议本可避免。但标题“上手体验Gemini”及“最喜欢的互动”等措辞，强烈暗示所见即所得。事实上，真实互动更为复杂甚至完全不同，且未说明使用的是Gemini Pro还是Ultra版本。
当谷歌以此方式描述时，我们有理由假设其AI演示均被夸大以营造效果。尽管包含部分真实输出，但该视频未反映现实，称其为“伪造”并不过分。所谓“保持公开透明”的编辑声明，实则掩盖了演示与实际交互的巨大差异。
更新：Google DeepMind研究副总裁Oriol Vinyals后续澄清，该视频旨在展示多模态用户体验可能呈现的样子，以激发开发者灵感。细节显示，模型使用了预提示序列（如告知自己是行星专家）才在无额外提示下回答问题。
或许未来Gemini Pro开放实验后批评会收回，它也有可能成为强大的AI平台。但谷歌此举自毁信誉：当公司声称具备某种能力却依赖修饰时，人们难以信任。在本就落后于竞争对手的情况下，这种做法无异于搬起石头砸自己的脚。