浴室沉思

#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。

掌声和嘘声，本质上都是噪声。
────────

掌声危险，因为它很容易让人误以为自己是对的。一个人被夸得多了，就会把受欢迎当成正确，把被认可当成价值。可很多掌声并不是因为你做对了什么，而是因为你刚好满足了某种期待、潮流、审美、利益，或一时的情绪。

嘘声也危险，因为它很容易让人误以为自己错了。一个人被否定多了，就会把不被接受当成失败，把别人的反感当成审判。可很多嘘声并不是因为你真的错了，而是因为你冒犯了旧秩序，说了不合时宜的话，做了别人暂时看不懂的事，或者只是让一些人感到不安。

所以，真正重要的不是掌声，也不是嘘声，而是你能不能分清信号和噪声。

信号通常很安静：事实、结果、长期趋势、作品质量、用户行为、内在标准、时间检验、现实代价。

噪声通常很响亮：喝彩、辱骂、热搜、围观、面子、羞耻、虚荣、恐惧。

人最难的，是在掌声中不膨胀，在嘘声中不坍塌。

不贪掌声，也不怕嘘声。

你真正需要建立的，是一套属于自己的判断秩序：

我知道自己在做什么。
我知道为什么做。
我知道用什么标准判断它。
我允许别人喜欢，也允许别人讨厌。
但我不把别人的即时反应，当成自己存在的根基。

最后真正要问的只有一个问题：

你是否还忠于「真理」本身。

忠于那个比情绪更深、比评价更慢、也更经得起现实检验的东西。

泡泡玛特的老板王宁有个特别有意思的理论，他说，哪怕你是个千万富翁，出门忘了关水龙头，你照样会觉得别扭。

就算你心里清楚，这点水也就值30块钱，对你来说毛毛雨，但你就是会不舒服。

但反过来想，小区门口的高级景观喷泉，每天往天上呲水浪费300块钱，你觉得有问题吗？

完全没问题。为什么？因为情绪价值有时候比钱更重要。

顺着这个逻辑，泡泡玛特干脆只卖情绪价值。比如拉布布，我们能不能把它做成个U盘？

如果做成U盘，你买的时候就会忍不住想：“我家已经有三个U盘了，还需要买吗？”

你看，只要产品“有用”，就会激活消费者的理性算计，一算账，冲动就没了。

所以，他干脆把产品的所有实用功能都抛弃了，不为实用买单，只为快乐买单。

刚跟朋友打电话，听她讲了她跟婆婆&老公之间的矛盾，帮她分析了一下思路，觉得是有用的，记录一下。

1）
朋友的情况是：她刚生完孩子没多久，自己父母帮忙带娃，和老公感情蛮好的。
她婆婆提出想要帮忙，每周三下午来一次。
但是因为年纪比较大了，所以实际上她啥都做不了，只是陪孩子玩，还得我朋友多做一个人的饭招待、社交，搞得她很心累，并且有了一些怨气。

她跟老公提过希望婆婆能少来一点，或者周末上午来，因为周末他们不做饭，相对轻松。
但是老公不同意。
他认为他妈周三来比较顺路，而且她是孩子的奶奶，来看孩子是理所当然的。

她也表示希望婆婆能做点事，或者不要空手来。
但是老公也不认同，觉得他妈年纪大了不要劳累，也不想让她花钱。

两个人因此发生了矛盾。
最后老公给出的解决方案是：以后周三他叫外卖，不要做饭。

但这当然并不能真的解决问题。

相反，这进一步强化了她和婆婆的矛盾，还增加了她和老公之间的割裂。
甚至到后来只要提到“你妈妈”老公就会有点应激。

2）
所以，问题到底出在哪？

我给出的分析是：两个人对于「婆婆来家里」这件事的定义产生了偏差。
这是根源。

对她来说，她的预期是“婆婆是来帮忙的”，是help。
那么理所当然的会期望她做点实事儿，是干活来的。
所以当婆婆什么都不干的时候，她会有怨气，会觉得“不如不来”。

但对她老公来说，他虽然嘴上说的是“我妈来帮忙”，但实际上他心里对这件事的定义是“我妈来看小孩”，是visit。
那么当然什么都不应该干，跟孩子玩、听听新进展、吃顿饭就行。

定义不同，预期不同。
所以态度不同。

3）
所以，怎么办？
很简单，对齐认知。

要么，让老公意识到他妈妈过来是「帮工」——那就得用帮工的标准来看待，得做帮忙的事儿。
那么她固定每周三来，没问题，甚至是热烈欢迎；
帮了忙，心存感激，热情款待，也是应该的。

要么，让老公承认他妈妈是「客人」——那就得有客人的边界。
她应该在主人方便的时候来；
来的时候不应该空手，带一束花也是好的；
停留的时间也应该以主人的情况为主。

其实她告诉我，不管婆婆是来帮忙还是来看孩子，她都是可以的。
但是就不要打着帮忙的说法但是什么都不干，这会让她很迷惑，很不满。

所以这样分析完之后，她也觉得很有道理。
把事情弄清楚，才能大家都清爽。

4）
道理懂了，怎么做呢？
这里的重点是，得让她老公自己“意识到”，而不是她“告诉”对方。
因为被告诉的话往往是有抵触的，况且他现在已经应激了，更听不进去。
只有自己意识到、自己说出来的话，才是真的发自内心认同的。

那怎么让他意识到呢？
用话术。

我给她的话术思路是：

第一，开头说“我有一个事情想不明白，你帮我理一理”。通过这样来让他减少防御。
不要用“我要跟你谈谈你妈妈的事”“我有个事要跟你谈”来开头，这很像老师谈话，很容易让人抵触。

第二，过程中多问他，让他给到回答。
而不是“告诉他”。

比如“我想不明白「帮工」和「客人」之间的区别，你觉得二者的区别是啥？”
“你觉得你妈妈现在更像是来帮忙的，还是来做客的？”
“我不确定我该用对待「帮手」的标准，还是该用对待「客人」的标准对待她，你怎么想？”

第三，不要用阴阳怪气、质问、反问的语气。
要用真的疑问、探讨、解惑的语气。

因为对话的目的是解决问题，不是攻击和自我彰显。
我们希望的是通过“让对方回答”的方式来让对方思考并意识到问题，从而解决问题。
那把自己放在「求问」的位置会更好。

第四，选择比较柔和、日常的场景，降低对话的「正式感」，降低压力。
比如吃完晚饭散步、一起看电视的时候、看书的时候。
都是很好的场景

5）
以上，基本就是对这次对话的复盘记录。

最后，我的一个感想是：
其实很多时候很多矛盾，都只是源于对事情的理解有所错位。

没有人是“坏人”，也很少有人真的每天存心想着PUA谁。
大多数都只是想好好过日子的普通人而已。
没有对错，只是“不同”。

那么找到行为背后的认知根源，达成共识，求同存异，大多数问题都能解决。

不要看表面，也不要带着恶意去思考问题。
放下情绪，好好想，把事情往「好」里使劲，日子就能过好。

ai 这几年，有出现“十倍好”体验提升的产品吗？

如果没有出现，为什么？

即刻给我的感觉很像是一个“小镇”。

镇上的人，不多，也不能多，一多就成“城市”了。

镇小，有点新鲜事，就容易被街头巷尾的闲聊传播开来。

好像有个“结界”笼罩在小镇四周一样，安静，有生活气息。

这个氛围，或者味道，非常难得。

「预测」是一种强大的「选择压」。

它会逼迫你放弃模糊的理解，只留下对「结构」的判断。

LLM 通过预测下一个 token，逐渐获得了对语言结构的把握。

人也一样。真正理解一个领域，不是能解释它的过去，而是能持续预测它的下一步：什么会变，什么不会变，变化从哪里来，又会被什么约束。

任何一个漂亮的模板，被大量传播使用之后，都会快速进入审美疲劳。

还是应该向内看，寻找自己对「美」的理解，哪怕是粗糙的、笨拙的、质朴的，都有一种「你之为你」的味道。

这种「异质性」的味道，本身就是美的。

AI 领域的变现：有卡卖卡，无卡卖 token，无 token 卖广告，无广卖社群，无社群卖课，无课卖定制工作流，无工作流卖虚拟资料。

突然就要上班了
虽然早有打算，但感觉还是有点不太真实
带着家人去内蒙玩了一圈
收拾下行李就要出发了，很多准备工作都没有来得及做
换工作这件事情本身，就是件大麻烦事，特别是我们这种行业
新的工作笃定会带来新的变化、新的机会和改善
但我也非常清醒，在这里得不到的，换个位置也不要奢求可以得到，真正的难题还在后面等着我
所幸我的整个决定过程得到了家人的支持，得到了国内外全部导师的支持，得到了许许多多同事的支持
未来的路会非常难走，需要重新开拓
但是我从来都不缺乏开始新生活的勇气
且放马过来吧