Google optymalizuje wzrok Gemini: agentowe przetwarzanie wideo tnie koszty o 88 procent

Zamiast ślepo skanować każdą sekundę filmu, system sam decyduje, gdzie warto „zawiesić oko”. Google wprowadza do swojej rodziny modeli Gemini mechanizm agentowego przetwarzania wideo, który radykalnie zmienia sposób, w jaki sztuczna inteligencja przetwarza ruchomy obraz. Zamiast sztywnego próbkowania klatka po klatce, nowe modele Gemini Flash 3.7, 3.6 oraz 3.5 Flash Lite samodzielnie nawigują po osi czasu, co wywraca do góry nogami dotychczasową ekonomię analizy danych wizualnych.

Koniec z marnotrawstwem mocy obliczeniowej

Analiza wideo przez modele językowe była dotąd procesem skrajnie nieefektywnym. Standardowe podejście zakładało statyczne próbkowanie – zazwyczaj jedną klatkę na sekundę – co zmuszało systemy do przetwarzania ogromnej liczby danych, z których większość była nieistotna dla finalnej odpowiedzi. Google postanowiło przełamać ten paradygmat. Model nie musi już „widzieć” wszystkiego, by zrozumieć kontekst.

Wprowadzenie tej technologii jest kluczowe właśnie teraz, gdy firmy zalewają serwery tysiącami godzin nagrań z monitoringu, archiwów czy mediów społecznościowych. Dzięki dynamicznemu wyborowi analizowanych fragmentów, Google deklaruje aż do 88% mniejsze zużycie tokenów w porównaniu ze statycznym próbkowaniem. Dla deweloperów to konkretne pieniądze: koszt analizy długich materiałów spada nawet o 66%.

Inteligencja w poszukiwaniu anomalii

Kluczem do sukcesu jest tzw. „agentic vision”. Model działa w pętli decyzyjnej: analizuje sygnały, wyciąga wnioski i dobiera odpowiednie narzędzia. Jak podaje dokumentacja Gemini API, system dynamicznie porusza się po osi czasu wideo, ładując tylko te treści, których potrzebuje na podstawie otrzymanego zapytania (promptu). Jeśli Gemini natrafi na podejrzany fragment, może autonomicznie zdecydować o ponownym próbkowaniu danego okna czasowego z wyższą częstotliwością klatek.

Co istotne, agent nie ogranicza się tylko do obrazu. Potrafi elastycznie przełączać się między ścieżką dźwiękową, transkrypcją a warstwą wizualną. W praktyce oznacza to, że precyzyjne liczenie powtarzalnych ruchów czy śledzenie obiektów w tłumie staje się znacznie dokładniejsze. Testy w benchmarkach długich materiałów wykazują wzrost jakości analizy o 7%, co udowadnia, że oszczędności nie idą w parze z pogorszeniem wyników.

Od API do użytkownika końcowego

Nowa funkcja jest już dostępna dla deweloperów korzystających z Google AI Studio. Wdrożenie nie wymaga skomplikowanej rekonfiguracji – w ustawieniach API wystarczy aktywować parametr media_processing = „AGENTIC”. Google zapewnia przy tym, że mimo wzrostu wydajności, stawki za tokeny pozostają bez zmian, co czyni tę technologię jedną z najbardziej opłacalnych na rynku.

W najbliższym czasie usprawnienia te trafią bezpośrednio do konsumentów poprzez aplikację Gemini oraz funkcję „Ask YouTube”. Pozwoli to użytkownikom zadawać pytania dotyczące konkretnych zdarzeń w filmach z gwarancją, że odpowiedź AI będzie bazowała na rzeczywistej analizie wizualnej, a nie tylko na opisie czy komentarzach. To kolejny krok w stronę uczynienia z AI narzędzia, które potrafi sprawnie i oszczędnie obserwować fizyczny świat.