本文來自微信公眾號： 愛范兒 ，作者：發(fā)現明日產品的，編輯：肖欽鵬，原文標題：《全世界都在講 AI 話｜AI 器物志》
智能手機統(tǒng)治了過去十幾年的數字生態(tài)，它是注意力的黑洞，是我們最私密的隨身之物。但手機從設計之初就是為「人盯著它」而生的——它的全部邏輯，都止于屏幕。
AI的需求卻恰恰相反：它需要持續(xù)感知物理世界——見你所見，聽你所聞，隨時在場，而非等你解鎖屏幕才醒來。
當AI真正成為一種基礎能力，它遲早要從屏幕里破殼而出，尋找屬于它自己的形狀。這將是一個漫長的探索和演化過程。
「AI器物志」欄目由此而來，愛范兒想和你一起持續(xù)觀察：AI如何改變硬件設計，如何重塑人機交互，以及更重要的——AI將以怎樣的形態(tài)進入我們的日常生活？
這是「AI器物志」的第19篇文章。
過去兩年里，AI最明顯的變化不只是模型變聰明，而是它的定位從少數人的專業(yè)工具，轉變成了日常生活的基礎能力。
如今，我們更是習慣了在走路、開車、做飯甚至摸魚期間，隨時隨地向AI發(fā)出指令。
圖｜Google
只不過隨著頻率提高，以PC時代鍵鼠交互為主的人機交互方式正在逐漸暴露出短板——
「手動打字」需要用戶先有一個想法，再將散亂的思緒組織成連貫語言，還要在敘述中保持一定的邏輯關系，才能將腦袋里想的變成AI能夠理解的提示。
而在鍵盤的另一邊，手機時代所主導的「語音輸入」就幾乎沒有這樣的桎梏。
畢竟講話和打字最大的區(qū)別，就是語音允許人們一邊輸出，一邊思考、補充和修正，相比鍵盤輸入更接近思維原本發(fā)生的方式。
此外，語音輸入不需要穩(wěn)定的桌面環(huán)境，也不要求用戶持續(xù)低頭，更不用優(yōu)秀的文字表達能力——
對于絕大多數沒有受過系統(tǒng)寫作訓練的普通人來說，語音遠比文字輸入更接近「真正的自然交互」。
這種廣泛的需求之下，自然也催生出了一批圍繞語音入口展開的產品。
比如勢頭正盛的Plaud，主打的就是將錄音、轉寫和總結包裝成完整工作流；
成為樣板產品的Typeless則負責刪除語氣詞、進行格式清洗后「幫你成文」。
諸如光帆Lightwear之類的可穿戴設備則更進一步，試圖整合出一條傳統(tǒng)智能手機之外，全場景的完整AI使用流。
圖｜光帆科技
這些產品的形態(tài)各不相同，押注的卻是同一件事：
下一代AI入口，未必要求用戶坐下來、打開應用并認真打字。
嘿，AI
「自然語言交互」聽上去非常先進，但它先進的地方其實是溝通效率，技術原理上并沒有什么驚天地泣鬼神的地方。
門檻最低的方案，就是一副TWS耳機加手機上的AI，就能組成一個24小時在線的虛擬副手。
初代AirPods廣告《Bounce》｜Apple
畢竟耳機本來就在耳朵里，手機系統(tǒng)與第三方app也有現成的語音轉寫、快捷指令和跨應用輸入。
不需要任何專用硬件，就可以把你散碎的命令傳達給任何一個AI模型。
更殘酷的是，它的速度、兼容性和跨設備能力，仍然優(yōu)于市面上大多數號稱「開創(chuàng)先河」的專用AI硬件——
圖｜Mashable
然而現實情況是，這套近乎無門檻的組合，真正的瓶頸不在手機、而在麥克風對環(huán)境人聲的處理。
就拿AirPods為例，由于AirPods的麥克風策略強調聲音自然度、不愿意給人聲降噪，在多人環(huán)境里經常會出現將周圍說話的聲音一并采集到轉成文字的問題。
這對于打電話或者發(fā)語音沒什么，但對于AI輸入，一旦提示詞「夾生」，就很容易得到完全不相關的回答：
相比之下，國產品牌的TWS耳機普遍采用了更激進的人聲隔離策略，犧牲了一些通透模式自然度，換來了電話和AI語音期間更好的準確率。
如果往更深層看，這意味著在AI成為「主流使用場景」的當下，耳機好壞的評價標準正在改變——
過去耳機比的是音質、延遲和降噪，未來除了前面這些，更要比較人聲降噪的強度、準確性和分離能力。
甚至我們可以說，耳機麥克風正在從逐漸被人遺忘的通話配件，一舉變成了最前端的AI控制器。
語音指揮的第二條路線，則是智能眼鏡。
盡管智能眼鏡總是強調「給人生加上一塊HUD」，但從商品化結果來看，唯一成功的智能眼鏡仍是以語音、拍照和開放式音頻為核心的基礎款。
圖｜Laptop Mag
這背后的原因倒不復雜：眼鏡顯示系統(tǒng)會犧牲重量、續(xù)航和成本，更需要從0培養(yǎng)一套全新的用戶使用習慣。
而「看見什么問什么，AI講給你聽」，本身就足夠構成一個相對清晰的AI賣點了。
圖｜Meta
但智能眼鏡的問題在于，它的「無感」更多存在于宣傳片里。
畢竟當一副帶攝像頭的眼鏡持續(xù)朝向別人時，對方很難判斷設備是否正在拍攝或者收音，這種不確定性本身就會制造社交壓力。
再加上受限于體積和續(xù)航，智能眼鏡的麥克風陣列、通話降噪和揚聲器效果，不一定比成熟的TWS耳機更好。
更重要的是，在目前智能眼鏡的銷售模式中，這類產品往往與品牌客戶端和云端模型深度綁定，用戶在模型選擇、數據遷移和跨設備切換方面缺乏自由度。
最簡單的例子就是Meta。
Meta Ray-Ban智能眼鏡在各個方面都比較平衡，卻強制用戶連接Meta?AI，不能作為藍牙音頻設備直接喚醒Siri或者其他智能助手。
圖｜Engadget
這種程度的綁定讓智能眼鏡雖然成為了「語音AI交互」的代表性產品，卻很難成為那個主流產品。
第三條路線，則是2026年以來逐漸興起的道路——為語音輸入AI制造獨立硬件入口。
比如剛剛OpenAI與Work Louder聯(lián)名的的Codex Micro，就是一塊面向AI智能體的外置控制臺。
并且上面專門設置了一個用于語音輸入的push-to-talk（PTT）按鍵：
圖｜OpenAI
盡管Codex Micro本身沒有麥克風，PTT需要調用電腦連接的其他收音設備，但這種設計依然具有象征意義：
語音輸入已經不再只是UI中的一個小圖標，而開始逐漸獲得類似鼠標右鍵、手機拍照鍵或者鍵盤指紋一樣的穩(wěn)定的物理位置。
將語音輸入單獨作為一個按鍵設置，基本上承認了這種AI交互方式的高頻屬性——甚至對某些用戶可能比26個字母鍵都要更高頻。
而PTT/TNT更進一步的設想，就是徹底擺脫屏幕。
愛范兒之前爆料過，OpenAI正在規(guī)劃的若干硬件產品中，就包括一個無屏的便攜設備，通過語音、攝像頭和環(huán)境傳感器理解用戶所處的情境。
如果OpenAI真的這樣設計，無異于承認了曾經Humane AI Pin的道路。
當然，背后有ChatGPT和Codex做背書，OpenAI的徽章肯定會比Humane的更實用。
與此同時，面對AI語音交互最難繞開的兩個問題：公共場合說出個人安排的尷尬，以及嘈雜環(huán)境中的識別失真，研究者們也有了一些奇思妙想。
比如近期出現的一些「超聲波舌部動作識別」設備，通過抵在下頜的超聲波探頭讀取舌頭運動，再用機器學習將其解碼為語言：
圖｜Hackaday
另一些研究則嘗試把傳感器裝進眼鏡或頭顯，通過面頰、顴骨和口部的細微運動識別無聲指令——之前被蘋果悄悄收購的Q.ai就是研究這個方向的。
關聯(lián)閱讀：蘋果史上第二大收購案，目標卻不是手機｜硬哲學
這些裝置距離消費級產品仍然很遠，識別范圍、準確率和佩戴體驗也存在明顯限制，但方向已經足夠清晰。
未來的「語音輸入」未必真的需要發(fā)出聲音——所謂語音交互，最終可能演化為對人類發(fā)聲動作、口型乃至面部肌肉活動的直接識別。
幫我算算token用量
歸根結底，為什么語音輸入能夠在AI時代獲得超越鍵盤的聲望，還是因為人類不是純粹的「視覺動物」。
換言之，人們雖然習慣于用眼睛接收信息，但并不擅長用視覺信號發(fā)送信息。
在傳遞信息這件事上，我們仍然遵循著30萬年前的習慣：發(fā)出「咕咕嘎嘎」的聲音就是要比打手勢效率高。
用語音指揮AI，看似是一種相對低效的使用方式——人在講話時經常重復、跑題，表達也很難稱得上精煉。
但它最大的特點，就是消弭了AI的工具感。
無論用戶潛意識里把AI當作下屬、秘書還是同伴，以對話作為交流媒介，始終比填寫命令框更接近人類本源的協(xié)作方式:
然而「語音交互」雖然便利，這種便利的隱性成本也在上升。
傳統(tǒng)STT工具只負責把聲音轉換成文字，最終模型用來計費的只有轉換后的文本輸入與輸出token；
而Typeless之類的「文本清洗」工具還要額外調用模型，對口語進行整理和改寫，再把整理后的內容發(fā)送給另一個AI，中間又疊加了一層token消耗。
圖｜MakeUseOf
而當各家的多模態(tài)模型進入「原生音頻」的階段之后，由于需要持續(xù)處理聲音、上下文、語氣、打斷和輸出，一個工作階段內的token消耗量往往是純文本的10倍或更高。
雖然與高清圖片和視頻處理相比，語音處理的總token成本依然不算離譜，但它已經不再是一個可以忽略的附屬功能。
尤其在長時間實時對話中，用戶很難像輸入文字那樣主動控制信息長度，模型卻必須持續(xù)維持連接、理解上下文并生成反饋。
圖｜Mashable
這就導致AI語音交互越自然，背后的計算過程反而越復雜，用戶最終的消費成本也就更高。
這一點幾乎成為了最近AI廠商們的一種「陽謀」——
畢竟鼓勵語音交互一方面好處多多，另一方面更是將token消耗量推上一個新臺階，沒有廠商會和收費過不去。
因此，對于模型廠商以及配件品牌來說，未來AI業(yè)務的競爭不只是能不能聽懂人話。
更關鍵的是，誰能以更低延遲、更少冗算和更透明的計費，調和好不同模態(tài)業(yè)務之間巨大的成本差異。
畢竟讓人們開口對AI講話并不難，真正難的是讓人們想要一直說下去。