豆包为什么要给 AI 助手「开眼」？

豆包，可以视频通话了。

自年初更新「实时语音通话」功能之后，这一功能就持续受到用户欢迎。现在在社交媒体上搜索豆包，排名前十的热门关键词中，有 6 个与「打电话」功能有关。大量和豆包通话相关的创意内容也受到了观众追捧。

随着视频能力上线，豆包的通话功能迎来了一次「升维」，变得更实用、好用。结合视频图像，很多即便模糊的语音输入，也能够更好地被 AI 理解，用户不需要再组织语言去描述眼前的信息。

视频通话是一个单点功能，但在这背后是语言能力、多模态能力、推理能力、知识库等等多个垂直领域的技术积累、整合，以及对成本和效率的平衡。

更重要的是，视频通话能力预示了 AI 助手更远的前景。当 AI 同时拥有了眼睛和耳朵，在未来更多硬件创新的支持下，还将解放更大的创新潜力。

01

帮你理解眼前一切的豆包

视频通话能力给豆包带来的，首先是多模态理解的能力提升和交互优化。

从最基础的「理解」场景开始，用户可以把手机摄像头对准任何信息，如信息版、菜单，让豆包给出翻译、解释。而且过程中，用户可以不断通过语言输入，来修正豆包的关注重点。

比如在一个博物馆里，当我们开启视频通话，问豆包这是什么，豆包首先会根据画面里的地标特征，识别出这是「新加坡国家美术馆」。然后我们如果继续追问，楼上挂着的横幅是什么意思，豆包又会给出具体展览信息的翻译和解释。

而在看展览的过程中，我们也可以举着手机，随时针对任何一幅作品向豆包发问。从基本的翻译作品信息，到问它作品风格具体属于哪一个派别，是否有模仿哪个艺术家的痕迹，豆包都能给出精准判断。

基于豆包给出的信息，我们也能进一步挖掘一些更深的隐藏关联。比如在新加坡国家美术馆里有一个法院拘留室的展示区域，问过豆包之后我发现，这里的关系在于，新加坡国家美术馆由原政府大厦和原最高法院大楼改建而成。前法院的拘留室曾用于关押候审的被告，在美术馆改建后，部分拘留室被保留了下来，成为了美术馆的一部分，供公众参观，让人们可以了解新加坡的司法历史。

除此之外，我们还可以和豆包讲讲自己对美术作品的一些理解和看法，进行观点碰撞。实际上，豆包已经具备一定的「纠错」能力，不是只会一味地顺从用户的理解。比如这里，当我引用了错误的类比，说这个作品像「蒙德里安」风格时，豆包能够纠正我的错误，告诉我实际像的是安迪 · 沃霍尔。之后我们还可以进一步探讨，为什么会出现这个错误。我们也可以引导豆包对作品进行批判性的解读和评价。

这里还有一个很关键的点，因为有了图像视觉信息作为辅助，很多时候即便我发出指令的声音很小，豆包并未完整识别我所说的句子的每一个字，但它依然能通过捕捉关键词，准确理解我的意图。

在旅行、观光、展览……等视觉信息占比更高的场景，最能体现出豆包视频通话能力的优势。我们可以随手举起手机，让豆包看到我们眼前的东西，从最基本的「这是什么？」出发，一点点挖掘出更多的信息和知识。比如让豆包根据周边的景色推理出我们在哪，推荐周边值得一去的景点、活动、特色饮食，这既具有实用价值也充满乐趣，适合出游不喜欢做严密的计划，喜欢遇到更多偶然惊喜的 P 人。

包括在餐厅吃饭，碰到那些「不知道该怎么吃」的情形，也很适合通过视频通话功能求助豆包。比如吃荞麦面的时候店员端上来一壶像热水一样的东西，这个时候豆包也轻松给出了正确答案，壶里装的是荞麦面汤，可以和酱汁混合在一起喝掉。

豆包的视频通话功能，相比普通的图像识别，最关键的优势依然在于它的「互动性」更强。基于单张图像的理解和推理，很可能出现各种理解偏差、错误。有了视频模式之后，即便豆包给出了一个比较可疑的回应，我们也可以通过换个角度，提供更多信息，来给豆包进行更多思考和修正的机会。

比如在这个场景下，我们想知道酒店的某个装置的作用，问豆包之后它首先以为我们问的是前面的熨衣板。经过进一步交互，它知道了我们想问的是后面的行李架，但因为角度问题，它将行李架错误理解成了健身器材，之后换个角度进一步追问并识别之后，豆包成功给出了行李架这一答案。

这是视频通话的功能的关键优势之一。当下任何 AI 大模型都不可避免地会有「幻觉」和错误。当用户精心编写了一大段 prompt 却没有得到自己想要的输出结果时，就会极大打击他们使用 AI 的积极性。但通过给到更多信息，提供更多角度的输入补充，就能让 AI 更接近我们需要的正确答案。可以说，在视频通话场景下，AI 和用户形成了互动的正向循环。

除了日常生活场景，豆包的视频通话功能还可以在学习、工作等各种场景发挥作用，特别是基于一些纸质的材料进行理解和修改。比如对多页的纸质资料进行总结，或对学科题目进行解答、纠错。

02

模型技术的「木桶理论」

「视频通话」的功能本身非常简洁，任何用户理解起来都没有门槛，但在这背后，其实需要复杂的技术作为支持。

豆包视频通话功能的核心来自「豆包视觉理解模型」的支持。2024 年 12 月，豆包首次发布视觉理解模型，为视频通话功能提供了模型能力基础。

除了视觉感知之外，豆包视觉理解模型还具备深度思考能力。这让豆包实际上还可以通过摄像头直接进行解学科题目、分析论文以及诊断代码等任务。这也是为什么在视频通话过程中豆包能同时结合「图像画面」和「用户语音指令」，精准理解用户意图。

豆包并不是第一个实现这一功能的 AI 助手，但想要同时拥有优秀的视觉理解能力，再基于视觉理解和用户指令，将不同模态的信息综合理解后，生成用户想要的信息，同时还要做到低延迟，这一切就有很高的技术门槛。

整个过程有点像「木桶理论」，一个模型必须同时做好多个方面，才能做到像一个真实的「AI 助手」一样，满足用户的需要。

03

为什么「视频通话」能解锁 AI 交互的更多创新？

今天，「视频通话」只是豆包的一个小功能。但实际上，视觉理解能力所蕴含的潜力和可能性还不止于此。

自诞生至今，大模型 AI 助手的交互都是「一问一答」式，用户输入 prompt，AI 生成反馈。这里最大的矛盾在于，整理编写 prompt 是有门槛的，且这个门槛比想象中更高，而一问一答式的交互又是断裂的，大家都很容易「把天聊死」，面对 AI 也一样。

而视觉图像的引入，则为人机交互建立了一个「语境」，且这个语境的建立不需要任何门槛，天然富含信息，用户只需要举起摄像头就行了。实际上，人类自身理解世界的过程中，我们最重要的信息接收器官也一直是眼睛。

通过豆包的视频通话功能，这一模式的有效性已经得到体现。通过连贯的互动加上视觉理解，用户和 AI 交互的过程变得更自然了，可以通过不断补充、解释，来接近自己想要的那个目标。这种用户和 AI 互相引导，对 propmt 进行不断修正，能极大增加 prompt 输入的带宽和精确度。

实际上，这早就是行业共识。自 AI 大模型技术诞生之后，几乎所有硬件创新都是在探索一种「摄像头 + 麦克风」的组合，从 AI Pin，到各种 AI 智能眼镜，都是在建立一种让 AI「看 + 听」的感知模式。只不过目前大部分这类硬件，都还无法在性能和效率上，做到像手机那么高的可行度。

当下我们在使用豆包的视频通话功能时，依然能感受到它被手机这个硬件载体限制着。比如我们很难长时间举着手机对准前方我们看到的东西，以及在一些公共场合也不便于大声说话，无法和 AI 充分进行语音沟通，这都是智能手机作为传统硬件的限制所在。

从豆包的「视频通话功能」已经可以看出，让 AI「看 + 听」的输入模式，可能代表 AI 交互的更多可能性。它在软件上完全是可行的，随着模型能力的进一步发展，结合硬件创新，或许将进一步改变我们与 AI 的交互方式。