豆包為什么要給 AI 助手「開眼」？

豆包，可以視頻通話了。

自年初更新「實時語音通話」功能之后，這一功能就持續受到用戶歡迎。現在在社交媒體上搜索豆包，排名前十的熱門關鍵詞中，有 6 個與「打電話」功能有關。大量和豆包通話相關的創意內容也受到了觀眾追捧。

隨著視頻能力上線，豆包的通話功能迎來了一次「升維」，變得更實用、好用。結合視頻圖像，很多即便模糊的語音輸入，也能夠更好地被 AI 理解，用戶不需要再組織語言去描述眼前的信息。

視頻通話是一個單點功能，但在這背后是語言能力、多模態能力、推理能力、知識庫等等多個垂直領域的技術積累、整合，以及對成本和效率的平衡。

更重要的是，視頻通話能力預示了 AI 助手更遠的前景。當 AI 同時擁有了眼睛和耳朵，在未來更多硬件創新的支持下，還將解放更大的創新潛力。

01

幫你理解眼前一切的豆包

視頻通話能力給豆包帶來的，首先是多模態理解的能力提升和交互優化。

從最基礎的「理解」場景開始，用戶可以把手機攝像頭對準任何信息，如信息版、菜單，讓豆包給出翻譯、解釋。而且過程中，用戶可以不斷通過語言輸入，來修正豆包的關注重點。

比如在一個博物館里，當我們開啟視頻通話，問豆包這是什么，豆包首先會根據畫面里的地標特征，識別出這是「新加坡國家美術館」。然后我們如果繼續追問，樓上掛著的橫幅是什么意思，豆包又會給出具體展覽信息的翻譯和解釋。

而在看展覽的過程中，我們也可以舉著手機，隨時針對任何一幅作品向豆包發問。從基本的翻譯作品信息，到問它作品風格具體屬于哪一個派別，是否有模仿哪個藝術家的痕跡，豆包都能給出精準判斷。

基于豆包給出的信息，我們也能進一步挖掘一些更深的隱藏關聯。比如在新加坡國家美術館里有一個法院拘留室的展示區域，問過豆包之后我發現，這里的關系在于，新加坡國家美術館由原政府大廈和原最高法院大樓改建而成。前法院的拘留室曾用于關押候審的被告，在美術館改建后，部分拘留室被保留了下來，成為了美術館的一部分，供公眾參觀，讓人們可以了解新加坡的司法歷史。

除此之外，我們還可以和豆包講講自己對美術作品的一些理解和看法，進行觀點碰撞。實際上，豆包已經具備一定的「糾錯」能力，不是只會一味地順從用戶的理解。比如這里，當我引用了錯誤的類比，說這個作品像「蒙德里安」風格時，豆包能夠糾正我的錯誤，告訴我實際像的是安迪 · 沃霍爾。之后我們還可以進一步探討，為什么會出現這個錯誤。我們也可以引導豆包對作品進行批判性的解讀和評價。

這里還有一個很關鍵的點，因為有了圖像視覺信息作為輔助，很多時候即便我發出指令的聲音很小，豆包并未完整識別我所說的句子的每一個字，但它依然能通過捕捉關鍵詞，準確理解我的意圖。

在旅行、觀光、展覽……等視覺信息占比更高的場景，最能體現出豆包視頻通話能力的優勢。我們可以隨手舉起手機，讓豆包看到我們眼前的東西，從最基本的「這是什么？」出發，一點點挖掘出更多的信息和知識。比如讓豆包根據周邊的景色推理出我們在哪，推薦周邊值得一去的景點、活動、特色飲食，這既具有實用價值也充滿樂趣，適合出游不喜歡做嚴密的計劃，喜歡遇到更多偶然驚喜的 P 人。

包括在餐廳吃飯，碰到那些「不知道該怎么吃」的情形，也很適合通過視頻通話功能求助豆包。比如吃蕎麥面的時候店員端上來一壺像熱水一樣的東西，這個時候豆包也輕松給出了正確答案，壺里裝的是蕎麥面湯，可以和醬汁混合在一起喝掉。

豆包的視頻通話功能，相比普通的圖像識別，最關鍵的優勢依然在于它的「互動性」更強。基于單張圖像的理解和推理，很可能出現各種理解偏差、錯誤。有了視頻模式之后，即便豆包給出了一個比較可疑的回應，我們也可以通過換個角度，提供更多信息，來給豆包進行更多思考和修正的機會。

比如在這個場景下，我們想知道酒店的某個裝置的作用，問豆包之后它首先以為我們問的是前面的熨衣板。經過進一步交互，它知道了我們想問的是后面的行李架，但因為角度問題，它將行李架錯誤理解成了健身器材，之后換個角度進一步追問并識別之后，豆包成功給出了行李架這一答案。

這是視頻通話的功能的關鍵優勢之一。當下任何 AI 大模型都不可避免地會有「幻覺」和錯誤。當用戶精心編寫了一大段 prompt 卻沒有得到自己想要的輸出結果時，就會極大打擊他們使用 AI 的積極性。但通過給到更多信息，提供更多角度的輸入補充，就能讓 AI 更接近我們需要的正確答案。可以說，在視頻通話場景下，AI 和用戶形成了互動的正向循環。

除了日常生活場景，豆包的視頻通話功能還可以在學習、工作等各種場景發揮作用，特別是基于一些紙質的材料進行理解和修改。比如對多頁的紙質資料進行總結，或對學科題目進行解答、糾錯。

02

模型技術的「木桶理論」

「視頻通話」的功能本身非常簡潔，任何用戶理解起來都沒有門檻，但在這背后，其實需要復雜的技術作為支持。

豆包視頻通話功能的核心來自「豆包視覺理解模型」的支持。2024 年 12 月，豆包首次發布視覺理解模型，為視頻通話功能提供了模型能力基礎。

除了視覺感知之外，豆包視覺理解模型還具備深度思考能力。這讓豆包實際上還可以通過攝像頭直接進行解學科題目、分析論文以及診斷代碼等任務。這也是為什么在視頻通話過程中豆包能同時結合「圖像畫面」和「用戶語音指令」，精準理解用戶意圖。

豆包并不是第一個實現這一功能的 AI 助手，但想要同時擁有優秀的視覺理解能力，再基于視覺理解和用戶指令，將不同模態的信息綜合理解后，生成用戶想要的信息，同時還要做到低延遲，這一切就有很高的技術門檻。

整個過程有點像「木桶理論」，一個模型必須同時做好多個方面，才能做到像一個真實的「AI 助手」一樣，滿足用戶的需要。

03

為什么「視頻通話」能解鎖 AI 交互的更多創新？

今天，「視頻通話」只是豆包的一個小功能。但實際上，視覺理解能力所蘊含的潛力和可能性還不止于此。

自誕生至今，大模型 AI 助手的交互都是「一問一答」式，用戶輸入 prompt，AI 生成反饋。這里最大的矛盾在于，整理編寫 prompt 是有門檻的，且這個門檻比想象中更高，而一問一答式的交互又是斷裂的，大家都很容易「把天聊死」，面對 AI 也一樣。

而視覺圖像的引入，則為人機交互建立了一個「語境」，且這個語境的建立不需要任何門檻，天然富含信息，用戶只需要舉起攝像頭就行了。實際上，人類自身理解世界的過程中，我們最重要的信息接收器官也一直是眼睛。

通過豆包的視頻通話功能，這一模式的有效性已經得到體現。通過連貫的互動加上視覺理解，用戶和 AI 交互的過程變得更自然了，可以通過不斷補充、解釋，來接近自己想要的那個目標。這種用戶和 AI 互相引導，對 propmt 進行不斷修正，能極大增加 prompt 輸入的帶寬和精確度。

實際上，這早就是行業共識。自 AI 大模型技術誕生之后，幾乎所有硬件創新都是在探索一種「攝像頭 + 麥克風」的組合，從 AI Pin，到各種 AI 智能眼鏡，都是在建立一種讓 AI「看 + 聽」的感知模式。只不過目前大部分這類硬件，都還無法在性能和效率上，做到像手機那么高的可行度。

當下我們在使用豆包的視頻通話功能時，依然能感受到它被手機這個硬件載體限制著。比如我們很難長時間舉著手機對準前方我們看到的東西，以及在一些公共場合也不便于大聲說話，無法和 AI 充分進行語音溝通，這都是智能手機作為傳統硬件的限制所在。

從豆包的「視頻通話功能」已經可以看出，讓 AI「看 + 聽」的輸入模式，可能代表 AI 交互的更多可能性。它在軟件上完全是可行的，隨著模型能力的進一步發展，結合硬件創新，或許將進一步改變我們與 AI 的交互方式。