8月2日，马斯克在社交平台X上亲自下场，为自家AI平台Grok的新版本做了一次“压力测试”——他上传了一段已故篮球巨星科比·布莱恩特的AI合成视频。

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，以标志性的“曼巴精神”姿态发表独白，推销Grok 4.5。画面逼真程度足以让普通观众产生瞬间的恍惚——如果不是科比已于2020年离世，几乎看不出任何伪造痕迹。

但Grok交出的答卷，让所有人倒吸一口凉气。

一段教科书级的深度伪造“扒皮”

从马斯克放出的交互记录可以看到，Grok先是逐帧解析了画面：科比身着黑色西装，以标志性的“曼巴精神”姿态发表独白，动作涵盖指点、手势、微笑及身体前倾靠近镜头的细节，灯光极具电影质感。随后，模型精准提取出视频中的核心台词——“SpaceX迄今为止打造的最强智能模型”“Grok 4.5，伟大源于磨砺，曼巴，退场”。

最关键的环节在于综合判定。Grok结合所有画面、台词和背景事实，最终给出结论：这是一段深度伪造的AI合成视频，科比已于2020年离世，视频内人物画面均为AI生成，不存在任何真实影像素材。

更令人惊讶的是，当被问及“这是哪个AI制作的”时，Grok推测大概率是xAI自家的Grok Imagine——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“图像参考+文本提示+唇形同步”的混合工作流拼接而成。

从“听视频”到“看视频”，质的跨越

这次演示背后，是Grok近期正式上线的视频交互功能。用户如今可以像上传图片一样，直接在对话窗口上传本地视频文件或粘贴视频链接，向AI下达各类指令：总结视频全篇内容、识别画面人物与物体、拆解动作细节，或针对任一细节持续追问。

相较于以往仅提取音频文字生成摘要的模式，新版Grok实现了跨越式升级——能够联动连续帧画面、音频信息与上下文逻辑，全方位深度理解整条视频内容。当AI从“听视频”进化到“看视频”，从内容总结升级到真伪鉴别，视频交互的天花板又被抬高了一截。

但“看懂”视频，没那么简单

不过，也有技术人士指出，Grok处理的未必是真正的逐帧画面渲染分析——真要那样做，算力成本将高得离谱。有用户拿自己11分钟的视频测试后发现，摘要里大部分信息要么是转录错误，要么纯属编造。也有人用X直播测试，效果时好时坏，并不稳定。

与此同时，Grok在另一个场景中展现了惊人的理解力——有用户上传了一段关于陶哲轩解决科拉茨猜想的无字幕数学讲解视频，全程没有一个字，只有数字和动画。Grok不仅解读了核心内容，还介绍了动画特点，最后点出了数学意义。这说明Grok确实具备一定的视觉语义理解能力，但距离稳定可靠的“全场景视频理解”仍有距离。

视频理解：AGI的必经之路

马斯克曾在今年3月明确表示，AI的未来主要在于视频理解和生成，因为“光子是迄今为止带宽最高的通信形式”。人类视觉处理的信息带宽约为1000万比特/秒，远超语言等其他感官。能让AI像人类一样“看”世界，是通往通用人工智能的必经之路。

从上传科比AI视频到精准识破伪造，Grok用一个教科书级的案例证明了多模态AI在视频理解领域的潜力。尽管技术仍有不完美之处，但当AI开始真正“看懂”视频，人机交互的边界正在被重新定义。而马斯克用一段早已离世的巨星“亲自”推销自家产品的视频来展示这项能力——这种极具个人风格的营销方式，本身也是一场让人过目不忘的表演。