“AI视频通话”产品化的三条路

脑极体 2024-10-26 15:44:32

“做AI产品经理太难了。”近期脑极体的同事参加了一场开发者大会，一位产品经理向我们坦言：“AI时代，做产品的方法论没变，但以往熟悉的东西几乎都被清零了。”

用户需求被清零了，大模型到底能用来做什么，用户自己是不清楚的，需求是空白的，需求调研、产品定义，就要花费好几个月的时间。

好不容易定义好了，基础模型的一个更新，就有可能将前期所做的工作、功能规划等推倒重来。

“比如GPT-4o出现之后，语音对话的能力是我们完全意想不到的，就又得把产品开发过程再来一遍……”

而纵观一年多来推陈出新的数百个大模型，GPT-4o可以说是产品化程度非常高的一个了。

比如OpenAI发布会上展示的“AI视频通话”，使用户与AI进行实时的、跟真人对话一样自然的视频交流。国内模型厂商也很快推出了类似的AI视频通话功能，不少媒体和用户都表示“体验炸裂”。

但半年时间过去，发现在最初的震惊与新鲜感过后，在真正的软件生态里，还是没有看到“AI视频通话”被大规模、高频率地用起来，更别提激活用户的付费欲望了。为什么会这样？

我们就从“AI视频通话”说开去，聊聊AI产品化、商业化到底要经过哪些磨砺。

01 AI视频通话，一座有待打磨的原矿

钻石原矿被开采出来，其实并不璀璨夺目，是经由工匠们的切割打磨，被镶嵌成钻石首饰，包装为“爱情象征”，才走进大众消费市场，价值实现了百倍千倍攀升。

类GPT-4o大模型就类似于原矿，作为“交互天花板”，潜在商业价值很大，但必须经过产品化的精细打磨与包装，才能被大众用户广泛接受，实现其真正的价值和应用潜力。

而基于类GPT-4o所诞生的“AI视频通话”，虽然向产品化迈进了一步，但依然属于原型的基础能力。

尽管OpenAI、智谱等模厂已经针对“AI视频通话”这一应用，打磨了诸如响应速度、具体用例等产品侧的细节，并融入到ChatGPT、智谱清言APP等产品当中。但作为一种软件应用来说，这种与通用场景相结合的落地模式，还是比较粗陋。

首先，需求过于宽泛。

AI视频通话，技术上相当于让AI拥有“眼睛”和“嘴”，具备察言观色、跟真人对话的能力。这很容易就让人想到AI陪伴，人与AI谈天说地、谈情说爱。

直接将AI视频通话能力嫁接在聊天机器人上，本质依然是AI聊天，能力升级，但无法解决chatbot商业价值低的核心问题。

AI视频聊天，用户容错率高，不在乎AI偶尔犯错或出现幻觉，这也意味着对基础模型能力要求不严苛，无法在技术层面拉开差距。曾经的智能音箱大战、智能助手红海，也会在AI视频聊天领域出现，并且由于聊天并不能帮助用户完成具体任务或解决问题，用户还得自己琢磨在视频里跟AI聊什么，没一会儿就只能跟AI面面相觑，难以带来确定性的产品满足和持久粘性，新鲜感过后就会流失。

而一些直接用途，想要普遍应用，也有大量细节仍待填充。

比如基于AI视频通话的无障碍功能，是一个非常直接的落地场景。AI视频通话，可以将设备摄像头作为“眼睛”，帮助人去理解物理世界，这对视障人群岂不是很友好？

但实际上，大模型APP的视频通话功能，是无法直接被视障人群用起来的，还有大量的产品细节需要考虑。比如我们曾体验过实时图像识别，AI只能认出“面前有两张卡”，但哪张是公交卡，哪张是银行卡，是无法准确识别的，这就需要基于视障群体出行接触的高频物体，进行针对性地精调。

而且，在飞机、高铁、地铁等弱网、无网环境下，也要保证视障人群与AI视频通话的实时性，就需要纯端侧运行的多模态大模型，将模型做小、计算效率做高。

产品设计层面，还有大量的细节，还等待着填充，才能转化为用户可以方便使用的产品和服务。

可以看到，没有更细致的产品化，尽管“AI视频通话”这一基础能力很厉害，却不知道能用来干什么，很可能导致技术找不到市场，倒在了产品化变现的黎明到来之前。

这个“至暗时刻”会发生吗？

欣慰的是，我们发现 “AI视频通话”能力，已经开始向行业输送了，意味着这座AI基础能力的“原矿”，终于开始被打磨成晶光四射的钻石。

我们就从“原矿”流向的应用领域，来分享几个“AI视频通话”的产品化方向。

02 方向一：+智能体手机=拟人化生活管家

大模型怎么落地？智能体是方向。

智能体怎么服务？+AI视频通话事半功倍。

如今，手机软件承载着我们日常的绝大多数服务，在各个应用中来回跳转、操作是非常繁琐的。

今年以来，荣耀、vivo等厂商都在基于智能体打造一系列创新功能体验，比如“一句话点奶茶”“一句话订餐厅”等。用户只需要向手机助手发出指令，手机智能体会自动理解需求、拆解任务步骤、调取相关功能，一站到底地完成任务。

Agent手机就很好地解决了数字服务链路长、操作繁琐的问题，但新的问题又来了，那就是智能体还需要“看得懂”“能交流”。

举个例子，在外卖小程序下单时，遇到广告是常态，这时候需要智能体agent执行准确的操作，比如“点击关闭”“跳过”等，来推进到下一步。如果智能体无法识别相关内容，必须用户自己动手操作，那整个链路就被打断了，用户体验会非常不好。有跟智能助手通过文字prompt交流的功夫，用户自己就能点开程序完成下单了。

Agent手机+视频通话，就能用户体验更进一步。

比起打字的繁琐、语音尴尬症，在人机对话时，像跟真人面对面交流一样，通过语音对话完成下单，更符合直觉，也更有被服务的舒适感。对话之后，大模型对视频画面进行实时分析，指导智能体来自动执行，整个体验会从头到尾丝滑无感。

目前，国内终端厂商在端侧智能体方面走得是更快的。脑极体在VDC 2024大会上了解到，蓝河操作系统增添了视觉感知能力，让系统像人类一样“听得懂”“看得清”。智能体能够模拟人类的智能，助力操作系统像人一样进行沟通、执行智能任务。

如果说，智能体可以让人成为数字服务的最小参与者，那么在智能体手机中打磨的AI视频通话，则让人机交互朝着更理想、更符合直觉的体验靠近，让数字生活管家走进现实。