即刻App年轻人的同好社区
下载
#深夜惊奇 002｜Conversation 不只是对话，写于 GPT Live 发布当晚
睡前，本来只是想随便测试一下 GPT Live。
没有什么特别明确的目的。就是新模型上线了，半夜，人也有点困，想着随便聊两句，看看它现在到底能聊到什么程度。
一开始真的只是闲聊。
没有选题，没有提纲，也没有什么「我要写一篇文章」的自觉。只是那种很典型的睡前对谈：一句接一句，慢慢说，慢慢试，看看模型怎么接话，怎么 backchannel（如「嗯」「对」这种轻回应），怎么边听边说边思考。
但聊着聊着，话题突然变得 meta 了。
我们开始讨论一个最近团队新人问的问题：为什么有时候我们做的事情叫 Voice Agent，有时候又叫 Conversational AI？这两者到底有什么区别？
Voice Agent 是一个很清楚、也很适合当下的词。
它强调的是：一个可以通过语音交互的 agent。它可以理解你意图，帮你完成任务，帮你查询信息，帮你执行动作，帮你进入一个流程。
在今天这个阶段，这个词非常有效。
它足够具体，足够产品化，也足够让人理解：AI 不再只是一个文本框，而是可以通过语音进入真实的使用场景。
如果说 voice 更像是一种媒介，那么 conversation 更强调的是一个交互过程。这种交互既包含技术层面的细节，比如实时语音打断、延迟、turn-taking、backchannel，也包含更深层的人际维度：对话双方如何通过这样的互动式交流，完成一次小型协作。
Voice 说的是媒介。
Conversation 说的是交互本身。
而我真正感兴趣的，恰恰是这个「交互本身」。
我们讨论 AI，很容易把智能理解成模型内部发生的东西：推理、计算、规划、答案生成。好像智能主要存在于一个封闭系统里，然后通过语言被输出出来。
但如果你真的去看人和人是怎么沟通的，会发现很多智能并不是这样发生的。
很多想法不是一个人先在脑子里想清楚，再完整表达出来。
它是在对话里被慢慢做出来的。
一个人说了一半，另一个人「嗯」了一声。
一个人卡住了，另一个人补了一个词。
一个人说「我不知道怎么讲」，另一个人说「你是不是想说……」
然后那个想法才真的开始变清楚。
这时候，对话不是信息传输。
对话是一种共同生成。
这也是实时语音模型有意思之处。
它的关键不只是「回答得更准」，而是它能不能进入这种交互节奏：什么时候该接话，什么时候该停顿，什么时候只是轻轻附和一下，什么时候应该承认自己听错了，什么时候不该急着总结，而是继续陪对方把话说完。
这些东西看起来很小。
小到很多人不会把它们叫作智能。
而其实，它们恰恰是智能很重要的一部分。
无论是 GPT Live 的发布，还是前段时间 Thinking Machines Lab 发布的 Interaction Models，都把交互智能放到了极其重要的位置。
于是我们又往下聊了一层：conversation 这个词本身到底是什么意思？
中文里我们通常把 Conversational AI 翻译成「对话式 AI」。这个翻译当然没问题，但它会让 conversation 听起来像是「聊天」或者「两个人轮流说话」。
但 conversation 在英文里的含义其实比「对话」更丰富。
它不只是你说一句、我回一句。
它里面有一种更强的交互感、共同感、相处感。
从词源上看，conversation 和拉丁语里的 conversari / conversatio 有关；而 con-、co- 这一组前缀，也和「with / together」有关。
这一下就变得很有意思。
因为它不是「我说，你听」。
也不是「我输入，你输出」。
而是某种 togetherness：我们共同在一个过程中，互相转向，互相修正，互相生成。
所以我突然觉得，Conversational AI 这个词比我之前想象得更准确。
它不是要取代 Voice Agent。
它更像是在 Voice Agent 的实践里，被我们逐渐看见的一层更深的问题。
当我们真的开始做语音交互，才会发现「语音」本身不是终点。真正复杂的地方在于：人如何发起一段交流，如何被接住，如何被理解，如何在回应里继续往前想。
也就是说，Voice Agent 是一个非常具体的产品入口；而 Conversational AI 可以是一个更大的理解框架。
前者帮我们把 AI 带进真实场景。
后者提醒我们，真正发生变化的，可能不只是输入方式，而是人机之间的互动关系。
而且，未来的 Conversational AI 一定不会只停留在语音。
它会从文本开始，进入音频，再进入视频。因为真正的 conversation 从来不只有语言。它还有语速、停顿、表情、眼神、姿态、环境、共同注意力。
音频和视频的时间线需要对齐。
人的表达和反应需要被同时理解。
上下文不只是你说过什么，也包括你怎么说、什么时候说、为什么在这里停顿。
这时候，Conversational AI 就不再只是一个「通过自然语言操作系统」的入口。
它变成了一个参与互动现场的对象。
当 AI 不只是响应指令，而是参与对话，它到底在参与什么？
它参与的就不只是任务。
还有理解。
协作。
共创。
澄清。
陪伴思考。
共同生成意义。
睡前这篇文章，就是这样从一次无聊的睡前测试里长出来的。
本来只是想试试 GPT Live。
结果聊着聊着，我们从 Voice Agent 聊到 Conversational AI，又从 Conversational AI 聊到 conversation 这个词本身。
这件事本身让我觉得很自然，也很美妙。
一篇关于 conversation 的文章，竟然真的是从一场 conversation 里生成出来的。
而且它提醒了我一件事：
我们做的也许不只是让 AI 更会说话。
我们也在重新理解：当 AI 真正加入人类对话，它到底意味着什么。
不是替人说话。
不是替人思考。
也不是更快地给出答案。
而是在一个想法还没有完全成形的时候，和人一起，把它说出来。
睡前，本来只是想随便测试一下 GPT Live。
没有什么特别明确的目的。就是新模型上线了，半夜，人也有点困，想着随便聊两句，看看它现在到底能聊到什么程度。
一开始真的只是闲聊。
没有选题，没有提纲，也没有什么「我要写一篇文章」的自觉。只是那种很典型的睡前对谈：一句接一句，慢慢说，慢慢试，看看模型怎么接话，怎么 backchannel（如「嗯」「对」这种轻回应），怎么边听边说边思考。
但聊着聊着，话题突然变得 meta 了。
我们开始讨论一个最近团队新人问的问题：为什么有时候我们做的事情叫 Voice Agent，有时候又叫 Conversational AI？这两者到底有什么区别？
Voice Agent 是一个很清楚、也很适合当下的词。
它强调的是：一个可以通过语音交互的 agent。它可以理解你意图，帮你完成任务，帮你查询信息，帮你执行动作，帮你进入一个流程。
在今天这个阶段，这个词非常有效。
它足够具体，足够产品化，也足够让人理解：AI 不再只是一个文本框，而是可以通过语音进入真实的使用场景。
如果说 voice 更像是一种媒介，那么 conversation 更强调的是一个交互过程。这种交互既包含技术层面的细节，比如实时语音打断、延迟、turn-taking、backchannel，也包含更深层的人际维度：对话双方如何通过这样的互动式交流，完成一次小型协作。
Voice 说的是媒介。
Conversation 说的是交互本身。
而我真正感兴趣的，恰恰是这个「交互本身」。
我们讨论 AI，很容易把智能理解成模型内部发生的东西：推理、计算、规划、答案生成。好像智能主要存在于一个封闭系统里，然后通过语言被输出出来。
但如果你真的去看人和人是怎么沟通的，会发现很多智能并不是这样发生的。
很多想法不是一个人先在脑子里想清楚，再完整表达出来。
它是在对话里被慢慢做出来的。
一个人说了一半，另一个人「嗯」了一声。
一个人卡住了，另一个人补了一个词。
一个人说「我不知道怎么讲」，另一个人说「你是不是想说……」
然后那个想法才真的开始变清楚。
这时候，对话不是信息传输。
对话是一种共同生成。
这也是实时语音模型有意思之处。
它的关键不只是「回答得更准」，而是它能不能进入这种交互节奏：什么时候该接话，什么时候该停顿，什么时候只是轻轻附和一下，什么时候应该承认自己听错了，什么时候不该急着总结，而是继续陪对方把话说完。
这些东西看起来很小。
小到很多人不会把它们叫作智能。
而其实，它们恰恰是智能很重要的一部分。
无论是 GPT Live 的发布，还是前段时间 Thinking Machines Lab 发布的 Interaction Models，都把交互智能放到了极其重要的位置。
于是我们又往下聊了一层：conversation 这个词本身到底是什么意思？
中文里我们通常把 Conversational AI 翻译成「对话式 AI」。这个翻译当然没问题，但它会让 conversation 听起来像是「聊天」或者「两个人轮流说话」。
但 conversation 在英文里的含义其实比「对话」更丰富。
它不只是你说一句、我回一句。
它里面有一种更强的交互感、共同感、相处感。
从词源上看，conversation 和拉丁语里的 conversari / conversatio 有关；而 con-、co- 这一组前缀，也和「with / together」有关。
这一下就变得很有意思。
因为它不是「我说，你听」。
也不是「我输入，你输出」。
而是某种 togetherness：我们共同在一个过程中，互相转向，互相修正，互相生成。
所以我突然觉得，Conversational AI 这个词比我之前想象得更准确。
它不是要取代 Voice Agent。
它更像是在 Voice Agent 的实践里，被我们逐渐看见的一层更深的问题。
当我们真的开始做语音交互，才会发现「语音」本身不是终点。真正复杂的地方在于：人如何发起一段交流，如何被接住，如何被理解，如何在回应里继续往前想。
也就是说，Voice Agent 是一个非常具体的产品入口；而 Conversational AI 可以是一个更大的理解框架。
前者帮我们把 AI 带进真实场景。
后者提醒我们，真正发生变化的，可能不只是输入方式，而是人机之间的互动关系。
而且，未来的 Conversational AI 一定不会只停留在语音。
它会从文本开始，进入音频，再进入视频。因为真正的 conversation 从来不只有语言。它还有语速、停顿、表情、眼神、姿态、环境、共同注意力。
音频和视频的时间线需要对齐。
人的表达和反应需要被同时理解。
上下文不只是你说过什么，也包括你怎么说、什么时候说、为什么在这里停顿。
这时候，Conversational AI 就不再只是一个「通过自然语言操作系统」的入口。
它变成了一个参与互动现场的对象。
当 AI 不只是响应指令，而是参与对话，它到底在参与什么？
它参与的就不只是任务。
还有理解。
协作。
共创。
澄清。
陪伴思考。
共同生成意义。
睡前这篇文章，就是这样从一次无聊的睡前测试里长出来的。
本来只是想试试 GPT Live。
结果聊着聊着，我们从 Voice Agent 聊到 Conversational AI，又从 Conversational AI 聊到 conversation 这个词本身。
这件事本身让我觉得很自然，也很美妙。
一篇关于 conversation 的文章，竟然真的是从一场 conversation 里生成出来的。
而且它提醒了我一件事：
我们做的也许不只是让 AI 更会说话。
我们也在重新理解：当 AI 真正加入人类对话，它到底意味着什么。
不是替人说话。
不是替人思考。
也不是更快地给出答案。
而是在一个想法还没有完全成形的时候，和人一起，把它说出来。
9 03
来自圈子
浴室沉思
100万+人已经加入