马斯克Grok视觉进化：无字幕看懂陶哲轩难题，附国内使用指南

type

status

date

slug

summary

category

icon

password

网址

Grok，学会一键看片了？

就在昨天，马斯克在X上兴奋宣布：Grok可以分析任何视频了！

在推文中，马斯克放出一段长达63秒的高清视频。其中主角，居然是早已离我们远去的篮球巨星科比。

在视频中，科比身穿黑色西装，坐在洛杉矶夜景前的真皮沙发上。他的手边放着一个篮球，对着镜头向全网推销Grok 4.5。

「听着，我是科比·布莱恩特。今晚，我们不谈绝杀球，我们来聊聊下一个令人痴迷的东西——Grok 4.5。」

最后还不忘甩出一句经典收尾：「Grok 4.5。伟大是挣来的。曼巴Out。」

如果不是科比已经去世，看到这个视频的所有人，大概都会懵一会：这是真的还是假的？完全看不出伪造的痕迹啊……

好在，现在我们有了Grok。它能力惊人，不仅能迅速吃透长视频，甚至还能对极度逼真的伪造视频迅速打假，进行技术溯源。

甚至，还有人放出实例：Grok 观看了一段 30 分钟的完整访谈视频，学习、分析后，在仅仅大约 36 秒内就生成了详细摘要。

插入视频

Grok的「神级」扒皮秀

如果把这段科比视频发给普通人，大概率会被疯狂转发，甚至有人会以为，这是一段科比生前未公开的商业代言。

但是，Grok一眼就能鉴假。

看完视频后，Grok交出一份教科书级的报告。

它敏锐指出，「这是一段AI生成的Deepfake视频。科比·布莱恩特已于2020年去世，因此整段视频完全是合成的。」

甚至，它还能对视频进行技术溯源。

当被问及「这是哪个AI制作的？」时，Grok认为大概率是xAI自家的Grok Imagine Video 1.5。

因为63秒的时长远超纯文本生成视频（通常10-15秒）的极限，大概率是通过多段拼接，并使用了「图像参考+文本提示+唇形同步」的混合工作流。

另外，也有可能是Sora 2或Veo 3制作。

所以，Grok真的能做到完全「看懂」视频吗？

有技术大神打假了：Grok处理的根本不是画面，是字幕。真要逐帧渲染分析，那算力得堆到天上去。

而且，AI的幻觉老毛病还在。

有人直接拿自己11分钟的视频测试了一下，发现摘要里大部分信息要么是转录错，要么纯属编造。

也有人用X直播试了下，效果时好时坏，并不稳定。

Grok真的能看懂吗？实测陶哲轩的科拉茨猜想

为了验证Grok是否真的有看懂视频的能力，我们决定亲自上手实测一把。

比如，有一个数学界的「死亡问题」——科拉茨猜想（Collatz conjecture，又称 3n+1 问题）。

数学家们普遍认为Collatz猜想是一个难以自拔的泥潭，并通常会提醒彼此不要轻易涉足。提出近100年来，无人公布这一猜想，既无法证明也没有反例。

2019年，Terence Tao研究了这个问题，一举超越了过去几十年其他所有人的成就。

国外的科普网站Quanta发文介绍了这一消息。

其中，有一段视频解释了该猜想：

全程没有一个字，只是一些数字。

Grok真的能看懂吗？

结果，出乎我们意料的是，它不仅能解读核心内容解读，还能介绍动画特点，甚至最后点出了数学意义。

视频展示的是以数字1为根节点，逐步构建的Collatz 逆向树/图。每个节点是一个正整数，边表示 Collatz 规则下的前驱关系：

• 如果一个数 n 是偶数，则 n/2 n指向它；

• 如果一个数 m 满足 3m+1=n （且 m 为奇数），则 m指向 n 。

动画从最简单的「主干」开始，逐步向外扩展所有能最终到达 1 的正整数，直观呈现「所有正整数最终都会进入 4→2→1 循环」这一猜想的结构。

而且，这段视频完全没有字幕！

昨天，OpenAI直接宣布，下一代模型Astra解决了10个重要的数学开放问题。有网友评论到，Astra这次表现恐怕会让Hinton都显得保守过时！

那Grok真能理解这段长达50多分钟的视频吗？

直接把链接给Grok，结果Grok轻松搞定。

基于帖子标注 + 视频字幕提取，Grok整理出来了视频核心内容与时间线。

它归纳了访谈的整体基调与重点。

Hinton 在这段访谈中延续了他 2023–2026 年的一贯立场，但语气更直接：

1.对 AI 意识的态度：公开承认「已经有意识」，但刻意淡化，以免干扰对更紧迫安全问题的讨论。

2.控制与对齐悲观：人类历史上没有成功控制过更高等智能的先例。

3.Agent 风险：自我保存、欺骗、敲诈等行为不是科幻，而是可预期的涌现能力。

4.时间线压缩：他给出 10–20 年产生「人类无法理解的数学」的预测，但结合当前进展（尤其是 OpenAI 当天发布的 Astra 结果），这个时间表已经显得保守。

视频后半段主持人会追问一些更偏商业/政策的问题（从字幕碎片可见涉及 OpenAI 相关话题），但 Hinton 始终把焦点拉回「能力爆炸 + 控制失效」的核心矛盾。

最后，Grok还分析了视频与帖子上下文的关系！

这个实测结果，实在让人惊艳。看来，Grok这个模型，不仅仅是读懂字幕，而是真正的性能提升。

AI 36秒看完30分钟，那人类干嘛？

30分钟的信息量，36秒AI就能看完了，简直是降维打击。

泡一杯咖啡的功夫，AI就能把一部微电影或一集播客的核心金句和逻辑脉络，全部放在你面前。

对于信息大爆炸的当代网友来说，这个功能真是救星。

有人表示：救命，我太需要这个了！因为现在的播客都太长了！

「这不就是为我收藏夹里那些听不完的播客量身定制的？」

有人感慨说，未来已来。不是因为它的速度，而是从此，很多事我们再也不需要亲自动手了。

而网友分享的案例中，最让人动容的是，是下面这个真实的故事。

有人分享说，自己的祖母摔倒了，髋部骨折。他用Grok分析了马斯克在达沃斯论坛上的演讲，结果，Grok找到了有用的结果，还定位了精确的时间戳。

这一刻，AI真的帮我们从海量信息中，捞出来那一根「救命稻草」。

不过，这就留下了一个问题：那人类去干嘛呢？

细思极恐——我们正在把大脑「外包」出去？

有学者写了一篇小作文，堪称对人类命运的终极拷问。

她警告：这样下去，人类会丧失阅读、写作、批判性思考的能力——因为我们把大脑该干的活，全外包了！

我们的大脑像肌肉一样，会用进废退。

深度阅读、持续专注、记忆回溯、批判性思维、写作与言语推理——这些能力一旦被外包，都会退化。

你以为，你每天可以消费几百条36秒摘要，但实际上，你你丧失了在冗长对白里捕捉微妙情绪的能力，丧失了在复杂逻辑中抽丝剥茧的耐心。

甚至，她引用了《圣经·箴言》19:2。

心无知识的，乃为不善；脚步急快的，难免犯罪。

上帝设计我们以合理的节奏去阅读、消化、理解。人亲手制造工具，然后向它们俯首跪拜——这是现代版的科技偶像崇拜。

这种对速度的病态追求，会让人生变成追逐多巴胺的赛跑，却无暇顾及真的的意义。

人类的灵魂，真的能外包吗？

参考资料：

https://grok.com/share/bGVnYWN5_8013f7a3-f604-4351-8cd7-acecf3ef165bhttps://x.com/elonmusk/status/2014501663776588200

文章来自于"新智元"，作者 "Aeneas"。