“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。
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。
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。
将AI视频通话功能集成到垂直应用软件中，可以变成拟人化的垂域专家，提供更专业的服务，解决更具体的问题，从而激活用户的付费意愿和模型API经济。
目前，OpenAI为GPT-4o预设了十几个场景，清言视频通话API上线智谱开放平台时，也列出了智能硬件（VR眼镜）、教育培训AI私教、文旅场景AI向导、具身智能等落地方向。通过将AI视频通话API开放出来，鼓励开发者在产品中集成“AI视频通话”功能。
9月24日，多邻国（Duolingo）在第六届全球分享大会上，推出了 AI 视频通话（Video Call）。Duolingo Max 用户可以与多邻国的角色 Lily（拽姐）进行视频通话，进行个性化的互动练习。在对话中，AI会根据用户的语言水平灵活调整内容。
学习语言最难的就是高频使用环境和开口说话的心理障碍，通过AI视频通话提供实时的对话机会，可以让小白初学者也能自信开口，进行有效联系。据说，多邻国的这一新功能接入了OpenAI的高级语音API功能。
国内头部社交软件Soul，也上线了AI聊天机器人“AI苟蛋”，可以主动跟用户找话题，并且年底将开启AI陪聊机器人的视频通话服务。不同于泛泛聊天，Soul主打的是灵魂交友，平台用户倾向于开展深层交流，探讨深度话题，寻求心灵共鸣。
在这种较为成熟的社区氛围下，用户在使用AI视频通话的预期、内容也是较为明确的，不会出现不知道聊什么的情况。
各行各业都存在大量需要互动的场景，可以跟“AI视频通话”相结合提供拟人化体验。但用户能否由此对应用和AI视频通话产生黏性，还需要行业伙伴把使用门槛降到最低，这不仅需要行业拥有产品开发的能力与意愿，能够洞察缺口与机遇，也需要模厂的生态支持。
从哆啦A梦到阿童木、贾维斯、Her，这些让人类感觉友好温暖的AI，都是拟人化的。也许说明，我们更愿意跟更像人类的AI打交道，而不是冰冷无形的机器。
一位智能机器从业者告诉我们，一开始设计的新车只有虚拟的语音助手，用户上车之后觉得跟空气说话很尴尬，激活率不高，所以设计了一个带有屏幕的车载控件，可以跟车主打招呼、有表情，车主很喜欢跟它对话，逢年过节还会为它买各种装饰物，把它当作用车场景中的家庭一员。
从这个思路看，AI视频通话其实可以被加入各种硬件当中，与用户展开真人一般的对话，从而成为情感共同体，由此衍生的商业空间也非常充裕。
透过AI视频通话，相信大家能够感受到，无论是AI企业或普通大众，对于AI产品化的需求越来越实质。
模型技术只是能力，是原型，而远不到普遍可用的阶段。唯有通过产品化的细致打磨，AI这座商业富矿，才能真正显露出钻石般的光芒。
免责声明：此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有，且仅代表作者个人观点，与极客网无关。文章仅供读者参考，并请自行核实相关内容。投诉邮箱：editor@fromgeek.com。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
