“我想看哪吒、敖丙共渡天劫的片段。”体验者话音刚落，眼前的屏幕画面，便开始乌云翻涌，毁灭性的雷霆如巨龙咆哮，直击陈塘关。

这一幕，发生在7月17日开幕的2026世界人工智能大会（WAIC）现场。当虹科技的视频AI Agent交互展项前，不少观众排队体验这一全新的视频交互方式。

与传统的视频搜索不同，体验者无需输入片名或关键词，也不用反复拖动进度条。哪怕只记得一个演员、一句台词，或某个经典画面，只要观众用自然语言描述出来，视频AI Agent便能迅速理解用户意图，准确定位到对应视频片段及具体时间点。

例如，“我想看《狂飙》最后一集”“帮我找张艺谋的最新电影”等指令，都能快速响应。观看过程中，用户还可以围绕画面内容随时提问，真正实现“边看边聊”。

“与以文本为主的语言模型相比，这项技术的难点在于，视频包含的信息更加复杂。”当虹科技工作人员介绍，除了画面本身，视频还包含人物、场景、动作、音乐、字幕等丰富的多模态信息。如何让AI真正理解这些内容，并准确定位用户想要的片段，是视频AI交互最核心的挑战。

为此，当虹科技展示的视频AI Agent融合了多维内容理解与多轮语义交互能力，能够深度解析人物、场景、事件及其上下文关系，将传统的“用文本搜索视频”升级为“直接和视频对话”。同时，依托当虹科技在视听传媒领域的多年沉淀，与内容生产平台建立了丰富的生态合作，模型能够持续优化理解与检索能力，为更加精准、自然的视频交互提供支撑。

“我们的视频AI Agent看似是改变了视频搜索的方式，实际上改变的是人与视频之间的交互逻辑。”当虹科技工作人员表示。

长期以来，视频更多是一种被动播放的内容载体，用户只能依赖关键词搜索、菜单选择或手动定位来获取想要的内容。而随着多模态大模型的发展，视频正从扁平的内容载体演变为可理解、可检索、可调用的信息空间。

借助视频AI Agent，视频中的人物、场景、事件等内容都成为了可理解、可检索的信息单元，用户面对的不再只是播放器，而是一个能够理解内容、持续对话的智能交互入口，从而实现与视频内容更深度的互动。

不少观众体验后表示：“太方便了，非常适合我这种总记不住片名、却记得剧情的人。”“以后不知道看什么的时候，直接让Agent根据我的心情推荐就行了。”相比过去依赖关键词搜索、反复拖动进度条寻找片段，如今一句话就能找到想看的内容，这种交互方式更加自然，也更符合日常使用习惯。

据了解，目前当虹科技已将该视频AI Agent引入智能座舱，让车主在车内通过语音即可获取想要的视频片段，充分利用停车、驻车等碎片化时间享受娱乐体验。