“AI視頻通話”產品化的三條路_風聞

“做AI產品經理太難了。”近期腦極體的同事參加了一場開發者大會，一位產品經理向我們坦言：“AI時代，做產品的方法論沒變，但以往熟悉的東西幾乎都被清零了。”

用户需求被清零了，大模型到底能用來做什麼，用户自己是不清楚的，需求是空白的，需求調研、產品定義，就要花費好幾個月的時間。

好不容易定義好了，基礎模型的一個更新，就有可能將前期所做的工作、功能規劃等推倒重來。

“比如GPT-4o出現之後，語音對話的能力是我們完全意想不到的，就又得把產品開發過程再來一遍……”

而縱觀一年多來推陳出新的數百個大模型，GPT-4o可以説是產品化程度非常高的一個了。

比如OpenAI發佈會上展示的“AI視頻通話”，使用户與AI進行即時的、跟真人對話一樣自然的視頻交流。國內模型廠商也很快推出了類似的AI視頻通話功能，不少媒體和用户都表示“體驗炸裂”。

但半年時間過去，發現在最初的震驚與新鮮感過後，在真正的軟件生態裏，還是沒有看到“AI視頻通話”被大規模、高頻率地用起來，更別提激活用户的付費慾望了。為什麼會這樣？

我們就從“AI視頻通話”説開去，聊聊AI產品化、商業化到底要經過哪些磨礪。

鑽石原礦被開採出來，其實並不璀璨奪目，是經由工匠們的切割打磨，被鑲嵌成鑽石首飾，包裝為“愛情象徵”，才走進大眾消費市場，價值實現了百倍千倍攀升。

類GPT-4o大模型就類似於原礦，作為“交互天花板”，潛在商業價值很大，但必須經過產品化的精細打磨與包裝，才能被大眾用户廣泛接受，實現其真正的價值和應用潛力。

而基於類GPT-4o所誕生的“AI視頻通話”，雖然向產品化邁進了一步，但依然屬於原型的基礎能力。

儘管OpenAI、智譜等模廠已經針對“AI視頻通話”這一應用，打磨了諸如響應速度、具體用例等產品側的細節，並融入到ChatGPT、智譜清言APP等產品當中。但作為一種軟件應用來説，這種與通用場景相結合的落地模式，還是比較粗陋。

首先，需求過於寬泛。

AI視頻通話，技術上相當於讓AI擁有“眼睛”和“嘴”，具備察言觀色、跟真人對話的能力。這很容易就讓人想到AI陪伴，人與AI談天説地、談情説愛。

直接將AI視頻通話能力嫁接在聊天機器人上，本質依然是AI聊天，能力升級，但無法解決chatbot商業價值低的核心問題。

AI視頻聊天，用户容錯率高，不在乎AI偶爾犯錯或出現幻覺，這也意味着對基礎模型能力要求不嚴苛，無法在技術層面拉開差距。曾經的智能音箱大戰、智能助手紅海，也會在AI視頻聊天領域出現，並且由於聊天並不能幫助用户完成具體任務或解決問題，用户還得自己琢磨在視頻裏跟AI聊什麼，沒一會兒就只能跟AI面面相覷，難以帶來確定性的產品滿足和持久粘性，新鮮感過後就會流失。

而一些直接用途，想要普遍應用，也有大量細節仍待填充。

比如基於AI視頻通話的無障礙功能，是一個非常直接的落地場景。AI視頻通話，可以將設備攝像頭作為“眼睛”，幫助人去理解物理世界，這對視障人羣豈不是很友好？

但實際上，大模型APP的視頻通話功能，是無法直接被視障人羣用起來的，還有大量的產品細節需要考慮。比如我們曾體驗過即時圖像識別，AI只能認出“面前有兩張卡”，但哪張是公交卡，哪張是銀行卡，是無法準確識別的，這就需要基於視障羣體出行接觸的高頻物體，進行針對性地精調。

而且，在飛機、高鐵、地鐵等弱網、無網環境下，也要保證視障人羣與AI視頻通話的即時性，就需要純端側運行的多模態大模型，將模型做小、計算效率做高。

產品設計層面，還有大量的細節，還等待着填充，才能轉化為用户可以方便使用的產品和服務。

可以看到，沒有更細緻的產品化，儘管“AI視頻通話”這一基礎能力很厲害，卻不知道能用來幹什麼，很可能導致技術找不到市場，倒在了產品化變現的黎明到來之前。

這個“至暗時刻”會發生嗎？

欣慰的是，我們發現 “AI視頻通話”能力，已經開始向行業輸送了，意味着這座AI基礎能力的“原礦”，終於開始被打磨成晶光四射的鑽石。

我們就從“原礦”流向的應用領域，來分享幾個“AI視頻通話”的產品化方向。

大模型怎麼落地？智能體是方向。

智能體怎麼服務？+AI視頻通話事半功倍。

如今，手機軟件承載着我們日常的絕大多數服務，在各個應用中來回跳轉、操作是非常繁瑣的。

今年以來，榮耀、vivo等廠商都在基於智能體打造一系列創新功能體驗，比如“一句話點奶茶”“一句話訂餐廳”等。用户只需要向手機助手發出指令，手機智能體會自動理解需求、拆解任務步驟、調取相關功能，一站到底地完成任務。

Agent手機就很好地解決了數字服務鏈路長、操作繁瑣的問題，但新的問題又來了，那就是智能體還需要“看得懂”“能交流”。

舉個例子，在外賣小程序下單時，遇到廣告是常態，這時候需要智能體agent執行準確的操作，比如“點擊關閉”“跳過”等，來推進到下一步。如果智能體無法識別相關內容，必須用户自己動手操作，那整個鏈路就被打斷了，用户體驗會非常不好。有跟智能助手通過文字prompt交流的功夫，用户自己就能點開程序完成下單了。

Agent手機+視頻通話，就能用户體驗更進一步。

比起打字的繁瑣、語音尷尬症，在人機對話時，像跟真人面對面交流一樣，通過語音對話完成下單，更符合直覺，也更有被服務的舒適感。對話之後，大模型對視頻畫面進行即時分析，指導智能體來自動執行，整個體驗會從頭到尾絲滑無感。

目前，國內終端廠商在端側智能體方面走得是更快的。腦極體在VDC 2024大會上了解到，藍河操作系統增添了視覺感知能力，讓系統像人類一樣“聽得懂”“看得清”。智能體能夠模擬人類的智能，助力操作系統像人一樣進行溝通、執行智能任務。

如果説，智能體可以讓人成為數字服務的最小參與者，那麼在智能體手機中打磨的AI視頻通話，則讓人機交互朝着更理想、更符合直覺的體驗靠近，讓數字生活管家走進現實。

將AI視頻通話功能集成到垂直應用軟件中，可以變成擬人化的垂域專家，提供更專業的服務，解決更具體的問題，從而激活用户的付費意願和模型API經濟。

目前，OpenAI為GPT-4o預設了十幾個場景，清言視頻通話API上線智譜開放平台時，也列出了智能硬件（VR眼鏡）、教育培訓AI私教、文旅場景AI嚮導、具身智能等落地方向。通過將AI視頻通話API開放出來，鼓勵開發者在產品中集成“AI視頻通話”功能。

9月24日，多鄰國（Duolingo）在第六屆全球分享大會上，推出了 AI 視頻通話（Video Call）。Duolingo Max 用户可以與多鄰國的角色 Lily（拽姐）進行視頻通話，進行個性化的互動練習。在對話中，AI會根據用户的語言水平靈活調整內容。

學習語言最難的就是高頻使用環境和開口説話的心理障礙，通過AI視頻通話提供即時的對話機會，可以讓小白初學者也能自信開口，進行有效聯繫。據説，多鄰國的這一新功能接入了OpenAI的高級語音API功能。

國內頭部社交軟件Soul，也上線了AI聊天機器人“AI苟蛋”，可以主動跟用户找話題，並且年底將開啓AI陪聊機器人的視頻通話服務。不同於泛泛聊天，Soul主打的是靈魂交友，平台用户傾向於開展深層交流，探討深度話題，尋求心靈共鳴。

在這種較為成熟的社區氛圍下，用户在使用AI視頻通話的預期、內容也是較為明確的，不會出現不知道聊什麼的情況。

各行各業都存在大量需要互動的場景，可以跟“AI視頻通話”相結合提供擬人化體驗。但用户能否由此對應用和AI視頻通話產生黏性，還需要行業夥伴把使用門檻降到最低，這不僅需要行業擁有產品開發的能力與意願，能夠洞察缺口與機遇，也需要模廠的生態支持。

從哆啦A夢到阿童木、賈維斯、Her，這些讓人類感覺友好温暖的AI，都是擬人化的。也許説明，我們更願意跟更像人類的AI打交道，而不是冰冷無形的機器。

一位智能機器從業者告訴我們，一開始設計的新車只有虛擬的語音助手，用户上車之後覺得跟空氣説話很尷尬，激活率不高，所以設計了一個帶有屏幕的車載控件，可以跟車主打招呼、有表情，車主很喜歡跟它對話，逢年過節還會為它買各種裝飾物，把它當作用車場景中的家庭一員。

從這個思路看，AI視頻通話其實可以被加入各種硬件當中，與用户展開真人一般的對話，從而成為情感共同體，由此衍生的商業空間也非常充裕。

透過AI視頻通話，相信大家能夠感受到，無論是AI企業或普通大眾，對於AI產品化的需求越來越實質。

模型技術只是能力，是原型，而遠不到普遍可用的階段。唯有通過產品化的細緻打磨，AI這座商業富礦，才能真正顯露出鑽石般的光芒。