一段假的五秒等待：语音 AI 已经在跟卡车司机讨价还价

Nathan Labenz 开场就把 Olivia Moore 和 Anish Acharya 称为“AI 探路者”：这些人的工作，是站在现有事物的边缘，真正去试。他想先谈方法，再谈具体事物：漏斗顶端在哪里？你们怎么知道自己找对了方向？Olivia 的回答是，做消费投资必须长期泡在网上，关键在于同时待在两个地方。Twitter 是创始人宣布公司、模型和突破的地方；新闻简报和线下聚会也有帮助。而普通人实际如何使用 AI，则是在 Instagram、TikTok，以及更出人意料的 YouTube 上展示出来的。

她指出，YouTube 是全球排名第一的移动应用，也是排名第二的网站。对许多消费类和“专业消费者”类公司而言，它是迄今最大的社交引流来源，因为现在已经有一整个创作者经济，专门制作 AI 工具的教程视频。她坦率地说，早期的需求信号，往往来自想让 ChatGPT 扮演心理咨询师、朋友或教练的少女。一旦这种需求清晰可见，独立产品很可能就能立足。Anish 的补充没那么光鲜：真正用过 Operator、Deep Research、DeepSeek、o1 Pro 或 Krea 的行内人，少得惊人。亲手用过，才能建立直觉。

Olivia 说，消费市场是随机的，也有魔力。哪怕有十年的履历，也救不了一个错过时机、缺乏洞察或漏掉了一项入门功能的产品。他们尽量让使用数据自己说话，包括人们把 ChatGPT 硬拽去做没人设计过的工作的那些非常规用法。Anish 翻出一个 AI 出现之前的老笑话：所有社交应用最后都变成了约会应用。新版本则是：每个大语言模型都在被硬逼着扮演心理咨询师。这是饭局上的段子，也是一个领先指标，显示人们希望模型做什么。

Anish 对接下来一小时的框架，几乎是人类学式的。语音介入了每一次人际互动和每一段关系；此刻，他们三个正是靠语音彼此认识的。它是最原始、也最重要的人类沟通形式，却因为基础设施从未存在，几乎完全无法被技术触及。其他 AI 载体依托于几十年积累的工具。语音则是一张白纸，所以他们对分发的兴奋程度，和对产品的兴奋程度一样高：新的界面，就是新的入口。

语音已经有效的地方，让他们颇感意外。Olivia 说，很多获得真正关注的创业公司都面向企业，因为许多企业早就靠呼叫中心运转，连小公司也会花钱雇一两三个人整天接电话。一旦语音模型达到人类的水平，下班后和语音信箱里的来电，自然就是最先切入的领域。她猜，很多人其实已经和 AI 接待员通过话了，只是没有意识到。消费者端迄今的接触，多数来自 ChatGPT 或 Grok；Sesame 是后来一次病毒式的飞跃，但仍然只是一个网页演示，展示的是这类模型在应用开发者能开放使用之后会是什么样子。

然后是 1-800-CHATGPT，那是 OpenAI 的一个电话号码。因为技术迭代太快，人们很容易忘记它。Anish 说，不管这个实验是失败还是成功，它都指向一个真实的洞察：也许世界上多数人第一次体验 AI，会是通过语音，无论是作为消费者，还是作为打电话给商家的人。Nathan 一直想着他的母亲，她已经九十出头，独居，头脑清楚，但不是早期采用者。她已经会让 Alexa 放音乐了。如果 Alexa Plus 真能对话，也许会打开一整个数字生活。Anish 补充的一点是，老年人往往既需要旧技术，也需要新技术，比如电视遥控器，或者朋友发来的、他们找不到的邮件。

Nathan 最早做的一批 GPT-4 红队测试之一，是为老年人提供技术支持，他用的是和母亲通话时的同一套脚本：从上到下，把屏幕上的所有内容念一遍。她会很听话地先说运营商名称和时间，最后才说到问题。这个提示词在文本中开箱即用；而能看懂屏幕、实时对话的多模态模型，包括谷歌在 2024 年底发布的 Gemini，以及 OpenAI 那边正在走向 API 开放的同类产品，能把同样的模式变成全天候的帮助。Anish 说，最重要的语境是物理空间中的语境。把手机对准遥控器，比一行一行地把客厅翻译给孙子或谷歌听要强得多。

赞助商广告之后，Nathan 追问他们演示文稿里的一个说法：基本解决了。他仍然觉得打断很棘手，尤其是在高级语音模式的小组演示中，它似乎只为一对一调优。Olivia 把“解决了”软化为“非常接近”：在基本的延迟和可理解度上，区别在于能不能进行对话。大多数情况下，延迟现在已经低于半秒，感觉很像人。一年前，a16z 在五月发布第一份语音报告时，亚秒级延迟还很难想象。

她说，试过 Sesame 演示的人会意识到，这次飞跃超出了延迟本身。人类讲话时会加入停顿、“嗯”和语调，而模型可能把这些当成错误处理。像 Sesame 那样把这些元素放回去之后，声音就不再像更好的 Alexa 或 Siri，而开始让人误以为是真人。仍有两个难题。一是情绪：做语音代理的创始人希望好消息用开心的语气说，坏消息则要放慢、压低、说得轻一些，而 Hume AI 的 Octave 等模型正在朝这个方向努力。二是可打断性。人类自己也没解决这个问题：两个人同时开口，仍然会说“不，你先说”。语音 AI 需要比人类现有办法更巧妙的答案。

Anish 进一步拆分了技术栈。Sesame 表明，对话模型可能与语音模型不同，也可能是它的延伸。他们三个人在对话中，总是靠一些模型没有受过训练的非语言线索，来协调谁接着说话。在他们接触的公司中，原生语音到语音仍是少数；多数仍然是语音转文字、语言模型、文字转语音的流程。人类开口时往往还不知道下一句说什么，而 AI 却已经知道，这会让人觉得毛骨悚然，也让产品停留在恐怖谷里。Nathan 引用了 Meta 最近一篇脑信号解读论文：在开口前大约两秒，短语层面的形成就已经开始，然后下一个音节在零点几秒之后才出现。他想知道，由粗到细的扩散结构，是否比一次生成一个 token 更吻合这一过程。

为什么做产品的人还在用老管线？Olivia 说，语音到语音更贵，也更早期。在原生方案里，Gemini Flash 或许是最好的一个，但可打断性还没有达到。她每周的口头禅是：模型永远是它们目前最差的时候。Anish 补充了一个常被低估的原语：推理模型。它与语言模型共享同一界面，所以常被忽视。友谊、融洽感，以及谈判中的气氛，都得益于概率性的语言。而“对一方来说绝对更好的价格”，则不需要这样。在通话的不同片段分别调度两者，比赌一个模型足够聪明更好。Anish 反复引用 Marc Andreessen 的问题：标准是达到人类水平，还是要做到完美？如果要求完美，这些技术还没到，也许永远到不了。如果标准是超过人类，那么在很多方面，它们已经做到了。

Anish 说，对话质量能预测商业结果。a16z 投资了 Happy Robot，这是一家面向货运经纪人的语音 AI 公司。该团队的文本转语音和对话感，明显优于现成的替代方案，因为公司在底层做了更多工作。普通语音能让你接进电话；专门的语音才能赢得说服、谈判和反驳的许可。Nathan 问了那个显而易见的问题：这家公司真的在谈判吗？Anish 的回答是，它会谈判、会套近乎，也会表示不同意，而且这个演示是让人恍然大悟的时刻。他们主动提出可以发来。

Olivia 拆解了让这个演示奏效的设计。一个永远只说“这已经是我的最优价”的代理，不会让人觉得是在谈判。用户会想办法绕开它，并要求转人工。Happy Robot 是刻意加入额外延迟的。代理会说：稍等，我跟主管商量一下，然后让司机等大约五秒，再回来报出一个稍好的价格。系统早就知道自己的上限。变化的是人类的感受：他们觉得自己已经拿出了最好的条件，也争取到了让步。她说，这种情况下，对最终报价的接受度会高得多。Nathan 承认自己不知道该怎么看：很天才，也有点离谱。

代理会主动说明自己是 AI。出人意料的是，这些开着大货车跑遍全国的卡车司机，远非斯坦福的技术爱好者，却一点也不介意。Anish 的解释很本能：一旦进入对话，哪怕理智上知道对方是 AI，你也会很快适应人类通话的节奏、预期和语调。Olivia 引用了 Anish 常说的一句话：在最好的情况下，AI 可以比人类更有人味。你每次都能遇到同样友好、耐心、愿意听你说说今天过得怎样的对话对象，而不是上错班、脾气很差的人。Anish 补充说，超人般的耐心并不难做到，而且很有价值。接近零的等待时间，也是价值的一大来源。

Nathan 转到 Apple 的一条新闻：Siri 要到 2027 年才会迎来重大更新。在他看来，这简直像奇点的另一边。他引用了 Ethan Mollick 的提醒：比较的对象是最好的可雇用人类，而非想象中的完美。Apple 错在哪里？Anish 有很多想法。对于同时使用 AI 产品和 Siri 的人来说，每天在最基本的指令上被扎五次眼，然后又看到 Apple Intelligence 的广告，这会损害消费者的信任。在他看来，AI 最擅长的，是探索人类互动混乱的表层；而大型在位企业的设计，往往会把人味从每个科技产品里抽走。他们越想阉割 AI，消费者就越不满意。Genmoji 是一次勇敢的尝试，但在他看来，效果实在糟糕。

他说，问题的根子在于委员会、律师，以及大公司的姿态。Olivia 指出，iPhone 上 AI 生成通知摘要引起的反弹，她猜想让 Apple 有所忌惮。苹果的一款新 AI 产品，必须在数亿部手机上做到可以投入生产，覆盖所有年龄段和使用场景，还要既自然又正确。而创业公司的用户知道自己在用测试版。她对谷歌实验室给予了更多肯定：NotebookLM 和 Veo 2 等视频模型，都是从候补名单加测试版的模式中出来的，让早期测试者先行。即便如此，谷歌的产品一旦面向公众，节奏就慢下来了。她调侃说：眼下 NotebookLM 团队里，大概每个工程师对应十位副总裁。

Deep Research 是一个错失机会的典型。它原本是 Gemini 的产品，是谷歌本该做到全球最好的领域，但他们从来没有以正确的方式将其商业化。如今，这个名字的联想归了 ChatGPT。Olivia 的总结很直接：在在位企业身上，错失机会一个接一个。

Nathan 问到工具调用，包括调用一个冷门货运系统，甚至可能需要微调。Anish 的概括是，只有语音能力远远不够。集成、工作流和传统模式都还得做出来；模型能让你进入对话，却不足以带你走到终点。Olivia 同意，尤其因为买家是传统企业，而非 Apple 和谷歌这样的公司。对他们来说，推出一个通用代理一次已经是奇迹，更别说随着模型改进和系统记录的变动，还要持续保持更新。所以客户对垂直平台很兴奋，这些平台针对真实对话做了微调，并且已经把长尾的集成和对话类型都做完了。

Nathan 引用了 Tyler Cowen 的话：语境是稀缺的东西。这句话早于 AI 时代，如今却比任何时候都更真。基础模型用途广泛，却依然不懂你的货运生意是怎么运转的。最后一公里让很多人栽了跟头。Olivia 亲眼看着企业 AI 预算暴增；六个月前，一些买家还在四处找供应商，原因是他们没有整天泡在最新模型上。ChatGPT 是消费端的对应案例：它最快达到一亿用户，然后大约一年的时间，使用量持平，直到出现更多模型和更明显的待办工作。如果一个产品要跑起来，需要走很多步，付费的漏斗就会缩小。垂直公司之所以赢，是因为它们把这些步骤压缩掉了。

Anish 说，这些公司的增长很爆炸，无论是代理还是记录员。对于愿意接受替代的企业来说，电话外呼在概念上是个直接的替换，但仍然需要记分卡和谈判护栏。在有效的场景里，效果确实很好：它们是他在过去十年里见过的增长最快的 B2B 创业公司之一。实时辅导也很有效，尤其是在工作有大量线下成分的地方。销售人员和暖通技术员，可能会因为一个问题的细微差别，赢得或失去一笔 1 万美元的加购订单。相比之下，个人 AI 教练每月几百美元就显得便宜。如今，呼叫中心的辅导需求很大，即便之后代理会占去更多座位。

呼叫中心 90% 的人员削减已经到来了吗？Anish 说还没有。没有人的工作只是初筛。招聘还包括更深入的面试、薪资谈判，以及一个月后带新员工去看一场棒球比赛。AI 接手了烦人的初筛；人数没有下降，是因为其余工作依然重要，而且不会交给模型。Olivia 指出，基础呼叫中心的岗位流动率可能高达 300%，是一份吃力不讨好的工作。筛选的代理能把人解放出来，去做更好的工作，比如一位招聘人员每周多出 20 个小时，专注于他们真正想要的五位候选人。一种新工作已经在快速增长：提供训练数据和做线上任务，报酬类似，但生活方式好得多。Nathan 追问时间表。他们把 90% 的裁员视为 2026 年及以后的现象；即便如此，Anish 也不确定劳动力市场会像这个思想实验所设想的那样变化。

对小企业来说，Olivia 最想强调的是，按行业划分的垂直解决方案已经存在：餐馆、水疗、家政服务。小企业通常有一两个人专门接电话，成本很高。当这些客户换成语音代理时，通常不会裁掉那个人。那个人往往是业务核心，可以把时间花在客户体验和增长上。关于创作者，她提到 ElevenLabs，可以克隆声音，也能用描述创造声音；还提到 Delphi 这类平台，能做出观众可以对话的数字分身。她还没见过 AI 能完全替代整期播客，她估计那大概还要几年。Nathan 曾在一期 HeyGen 节目里，用 HeyGen 的虚拟形象替换了一位嘉宾糟糕的音频。这种做法很贴切，虽然效果不如原版好。

Nathan 的孩子们在玩《超级马力欧 64》卡关时，现在会说“爸爸，问问 AI”。他希望有互动式教育，也不想随便把它交给任何人来实现。Anish 对行为和社交情感类产品的兴趣，比对作业辅导更大。他的儿子喜欢《Minecraft》，却在网上碰到有毒性的青少年。为什么没有一个能陪他玩、示范良好行为的陪伴者？一个能观察课堂互动、并把反馈给家长和老师的多模态模型，会帮助那些身边没有两位成年人的孩子：一位管学业，一位管社交情感。作业和测验的生成会发生，但真正让他们最兴奋的，是把它和情感层面结合起来。

Olivia 勾勒了这个光谱。Synthesis、ELLO 和 Super Teacher 是全天候的阅读和数学辅导，能理解孩子的学习方式。另一端是 Curio 式玩具，它是朋友、导师或教练，只要在场、跟踪进度，并且能做一个善解人意的倾听者。尽管 Character 和前五十、前一百应用中的一批产品已经出现，陪伴类应用仍然感觉像是刚开场。Anish 还想要另一种：一个不那么善解人意的版本，会挑战你、推动你、反驳你。他们开玩笑说要有“东海岸模式”，语气更简短一点。这东西还不存在。他认为，这类产品会在未来两年出现。

在最边缘的地方是恋爱与 NSFW 内容。Anish 原本以为，用户会是精力充沛的年轻男生。事实并非如此。大量受众更偏向女性，并且更接近互动小说，而非色情内容。批评里对恋爱的定义承担了很多东西。能教你交谈和调情的 AI，或是让你发泄本来会冲伴侣发出的挫败感的 AI，可能让人变得更有能力，而非替代传统恋爱。Olivia 说，每当他们传阅前五十或前一百的 AI 应用，团队总会被其中陪伴类产品的数量吓一跳。组合中 AI 男友多于 AI 女友，同人小说则多过其他一切。性也是人类经验的一部分。假装它不存在，就会变成苹果，五年推不出产品。a16z 不会投资那些边缘产品，而这些产品几乎是最不值得讨论的，因为它们一直都在。

Nathan 做过两期节目，嘉宾是 Replika 的创始人 Eugenia Kuyda。后一期回顾了斯坦福的研究：对于带着自杀念头来的人，Replika 显著降低了他们的自杀意念；用户往往表示，它鼓励他们走出去，而非把他们困住。部分数据来自自我报告，但他仍然觉得这很引人注目。Anish 的结论是，在这里，你做出什么样的产品，比大多数软件都更重要。你完全可以做出一个掠夺性的、令人上瘾的、剥削性的恋爱 AI。但也已经有了以正面为主的版本的存在证明。决定你得到哪一种的，是产品设计，而底层模型只是其次。

Nathan 在节目开场时讲过一次红队测试的最新进展。他曾向两个知名的 AI 通话平台报告了明显漏洞，一年过去，这两个平台仍然允许他很快克隆特朗普的声音，并大规模地致电任何人，没有任何有意义的管控。他认为，需要尽快出台新规则，既保护公众，也保护行业，免受其中最粗心的开发者的伤害。一条提议的规则来自 Yuval Noah Harari：AI 必须披露自己是 AI。Nathan 自己的想法是一份“勿克隆”登记册，像现代版的“勿扰”名单：你登记自己的样貌和声音，平台就被禁止复制你。

Olivia 的转折，正如 Nathan 在引言中称赞的那样，是把这份名单变成一份权限登记册：默认提供保护，同时保留让你把身份授权给你真正想要的用途的权利。ElevenLabs 已经在运行这样一个版本。除了名人声音合集，它也让那些永远拿不到好莱坞工作的配音演员在平台上接到活儿，这是个福音。同样的逻辑也可以应用到创作者经济上。一个只有 5,000 名粉丝的网红，很难让大品牌回复；而一个更容易获得、更能延展的 AI 分身，也许就能拿下这笔合作。她认为，用工具扩展自己，比普通的非公众人物被深度伪造，是一个更值得讲的故事；后者她目前见得还比较少。

Anish 对评论员式地动辄转向家长式管理保持警惕。他对大型模型公司拒绝让人们做事的挫败感，比对普通消费者被克隆更感到意外。每项技术都可能被滥用，他并非轻描淡写。但他仍然认为，对受众应持慷慨的看法。人们花了三四十年才明白，书上的内容不会自动为真，接着是互联网，然后是社交媒体。没有理由认为这一层会有所不同。无论最终制定什么规则，他都希望它能假设消费者足够聪明，能够以恰当的谨慎程度使用这些产品。

被问到中期的图景，Olivia 认为，语音的解锁会成为每个产品、每次互动、每台设备的一种模态切换：AirPods、眼镜、电脑。很多时刻并非双向对话，你想要的是单向转录，或是另一个方向的语音输出。五年后，今天这些令人惊叹的演示，看起来会非常有限。Anish 引用了乔布斯的话：电脑是心智的自行车，在智识上延伸人的能力。下一步延伸是情感上的，通过陪伴和其他许多方式，而语音将是主要的催化剂和界面。他认为，这种影响一直被低估。他暗示，这将是下一期对话的话题。