一款 AI 产品出现在了国际顶级的艺术展览中，而且是充当解说员的身份。
上周，亚洲当代艺术博览会 Art Central 落幕。Chance AI 作为这届博览会官方引入的首个 AI 产品，负责帮观众解读艺术品。观众举起手机，对准一幅画，拍照即交互，听 AI 解释：这件作品为什么成立，它背后意味着什么。
创始人曾熙给这套系统起了个名字「Visual Agent」。核心逻辑是，让 AI 先看懂，再开口。
认知科学 PhD 背景的曾熙，曾在一加、OPPO 和字节跳动做过十多年的产品与设计。他相信，尤其是 Z 世代的年轻人，天然地习惯通过图像和直觉去理解世界。
「AI 与人类不应该是一个输入框的关系。更直觉的方式是：我一看，AI 就已经理解我需要什么。」
Chance AI 第一次把这套人类认识世界的方法，带进了 Agent 的 Harness Engineering 里。在视觉理解的核心 Benchmark MMMU 上，Chance AI 目前排名世界第一，准确率 86.07%，超过了人类评分（85.4%）和所有主流大模型。
以 Visual Agent 为切入点，Chance AI 发布后在推特上引起了 AI 行业不少硅谷大 V 的讨论，AK、Robert Scoble、Rohan Paul、Madza、Parul Gautam 等大佬都点赞转发。产品目前已有 20 万用户，高校 Z 世代人群居多。
再往下一步，Chance AI 想让 Visual Agent 成为下一代的 AI 终端入口。「视觉，才是人类最直觉的操作系统。」
以下是 Founder Park 与 Chance AI 创始人曾熙的对话，经编辑整理。
产品官网：https://www.chance.vision/
采访 | 万户
编辑 | 夏天
⬆️关注 Founder Park，最及时最干货的创业分享
超 22000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。
邀请从业者、开发人员和创业者，飞书扫码加群：
进群后，你有机会得到：
最新、最值得关注的 AI 新品资讯；
不定期赠送热门新品的邀请码、会员码；
最精准的 AI 产品曝光渠道
01产品最初的 MVP 验证，是一款导览小程序
Founder Park：简单介绍一下团队和你个人的过往经历。
曾熙：我过去在一加、OPPO 和字节跳动工作，做了十几年的产品和设计，主要都是在做消费电子方向。从手机硬件到手机操作系统，再到 AI 应用，加起来做过差不多近 6 亿级别用户规模的产品了。也是在字节的那一段时间，我开始更深入地参与 AI 产品的构建，尤其是多模态相关的探索。
我自己的学科背景其实有一点不一样，PhD 研究方向是认知科学。我一直在思考一个问题：人是如何最直觉地理解这个世界的？这也是我后来做 Chance AI 的起点，不是说 AI 能做什么，而是反过来推导：AI 如何帮助人们更好地在现实生活中去理解世界，然后进入下一步决策。
团队方面，大部分是我在这三段经历里认识的、合作特别好的同事。尤其是负责视觉推理和算法的、海外增长的同学，都是之前共事的同事。
Founder Park：什么契机决定离开大厂，全身心投入 Chance AI？当时看到了什么机会？
曾熙：主要是有三个时刻。第一个是我在字节做豆包的时候。2024 年的时候发现很多人喜欢在豆包里上传图片，然后和豆包聊。当时隐约觉得一种新的交互习惯要出现了。
第二个时刻是 VLM 的出现。GPT-4o 第一次有了很强的多模态能力。我们当时就在思考，基于 VLM 能不能做出应用层的东西？很多人基于 LLM 做东西，但还没有人基于 VLM 做东西。
第三个是真正让我们下定决心的时刻。2024 年底，我们几个朋友在深圳做了一次 Andy Warhol 的展览。我们做了一个 AI 导览小程序，所有人进来后扫描会场里的画，然后与作者进行对话。展览结束三个月后，我们发现竟然还有 1500 个用户持续地用这个小程序去看生活中的东西。我们去回访这些用户，发现他们用来给小朋友看花草、看名胜古迹、看收藏的球星卡和潮玩，或者看想买的东西。
当时我们认为这是真实存在的需求。从那之后，到了 2025 年初，我从字节离开，决定全职做这件事。
Founder Park：怎么介绍目前你们的这款产品？
曾熙：Chance AI 是一款视觉 Agent 产品。打开 App 之后，没有输入框，只有一个相机。拍照即交互——对准花草、名胜古迹、球星卡，或者任何你感兴趣的东西，AI 就开始工作。
我们不叫自己「AI 相机」或者「视觉搜索」，而是 Visual Agent。因为在我们理解里，它是一个更主动的、和你一起参与的系统——它不是等你输入再响应，而是参与你整个看世界的过程。核心逻辑是：让 AI 先看懂，再开口。
02Visual Agent 的核心，帮用户构建一套理解世界的系统
Founder Park：Chance AI 提出了「Visual Agent」这个概念，它和传统的视觉识别工具，比如 Google Lens 的区别是什么？
曾熙：简单来说，Google Lens 或者别的工具，比如关于识别花草的、鸟的、红酒的，统称为「识别工具」。它们的目标是把东西识别清楚以后，把你带到搜索或带到交易。Google Lens 一开始就是为了电商而生的产品，找同款，所以它的结果就是链接和价格。
我们观察到的问题是：用户很多时候并不是想知道这个东西是什么，而是想知道为什么它长这个样子？它为什么有意思？它跟什么样的文化、历史故事有关？所以我们把重点放在解释层上面，不是描述层面。
假设你的偶像是乔布斯，我跟你说「这是乔布斯最喜欢的某个厨房料理机，因为他小时候家里就是用的这个款式，后来影响了他做 iPod 的经历」，这个时候你的感受会区别于讲表面信息的时候。这个我们已经验证过了，尤其是潮玩，都是塑料，为什么某些潮玩卖得特别好而某些就一般？因为某个潮玩代表了某种情绪，但那个情绪是需要被诱导出来的。
这是下一个时代新用户的行为模式，所以我们是为这群新用户做的新产品形态。它不仅仅是识别，它需要把感知、上下文、社会共识全部连接起来。
Google Lens 是一个工具，我们是在帮用户构建一个理解系统。因为我们相信一切行动都是建立在理解之上的。一个你不理解的东西，你不可能想要买它、拥有它或者想去那个地方。这是很大的区别。
Founder Park：那 Chance AI 和普通 ChatBot 的区别是什么？
曾熙：这些通用模型的视觉能力，本质上对它们来讲是一个附加能力。它们没有针对多模态能力做任何优化，核心仍然是对话，输入框，用户先提问，再调用部分视觉作为输入的一部分。我们认为这是不合理的，因为真实世界不是这样的。真实世界是你看到一个东西，你甚至都不知道该怎么问，你只是觉得「我想关注这个东西了」，有一瞬间的好奇心。
我们的做法是贴近真实世界，从你看到的世界开始，而不是从问题开始、从输入框开始。这带来一个很本质的区别：对 Chatbot 来讲，一进去必然是一个输入框；对我们来讲，一进去就是相机，要么你就拍，要么你就上传图片。本质上它不是能力的差别，而是产品方向的选择。
Founder Park：相当于 ChatBot 里的视觉识别只是文字交互中的附加功能。但对你们来说，视觉本身就是用户理解世界的最主要方式。
曾熙：对。如果做类比的话，有点像 ElevenLabs。今天 Gemini、GPT、豆包全部都可以生成音乐了，为什么 ElevenLabs、Suno 还是能获得非常好的表现？因为它们起步早，有非常垂直的定位，然后随着月活越来越多形成正向飞轮。对我们来说也是一样，今天比如用户要看穿搭、看审美、看艺术品或看潮玩，已经没有任何通用模型能比我们更强。
Founder Park：也就是说你们已经基于用户迭代出来了很多场景，比如 OOTD 穿搭、看肤色这些，涌现出了很多用户自己建的场景。
曾熙：没错，而且这些用户的需求是大厂不会干的事。所以我们一定得绕开大厂的辐射范围，离用户很近、对用户的反应更快，这也是我们的「护城河」之一。
03Z世代天然更习惯用视觉去表达和理解世界
Founder Park：Chance AI 面向的核心目标人群是Gen Z，你们当时是怎么确定他们是第一批用户的？
曾熙：还是一个被选择的过程。我们有很多假设，最后是因为这批人的表现最好，所以圈定他们作为早期种子用户。我们发现他们有一个共同点，给他们一个标签叫「艺术的生活家」。他们不是那种艺术家，但一定是那种对生活很有追求、很有品质的人，很在意自己的 Image。
我们发现这群人都有这个特性，我们叫做视觉驱动型用户。大部分是艺术学院或文理学院的学生。他们很喜欢用表情包、meme 图片、视频沟通，而不是通过邮件或长文本。很多时候他们不是在表达一个问题，更多是在表达那个 vibe，特别抽象，但又特别能引起共鸣。
这是我们最后沉淀下来发现表现最好的用户群。比较有优势的是，这群用户恰好又是在社交媒体上比较活跃发声的用户，自然就给我们的增长带来了助力。所以我们并不是把 Gen Z 广泛地定义为目标用户，而是因为这群人更习惯用视觉去理解世界。
我们在产品上也往这群人靠拢，很注重审美、文化风格这一类的东西，而不是告诉你一个客观参数。当他们使用我们产品的时候就觉得很自然，不需要去想，因为一想就变理性了，一旦触动思考、要想怎么组织一句话，就变得很理性，跟他们追求感性、追求 Vibe 的特质是违背的。所以这群人使用我们产品的学习成本几乎为零，这也是为什么他们很自然地成为了我们的种子用户。
Founder Park：你们现在的用户规模大概是多少？增长主要靠什么？
曾熙：我们现在大约 20 万用户，其中差不多 15 万是 25 岁以下的年轻用户。
最主要的增长来源是校园计划，靠学生的口碑传播。我们会鼓励不同校园里的活动。比如 sponsor 一些资金支持，二三十个学生一起去逛某个地方，逛的过程中使用我们的产品，最终坐在一起在咖啡店里分享发现了什么有趣的东西。
Founder Park：你们的预期是一直服务大学生群体，还是陪伴他们进入社会后继续服务？
曾熙：我们服务的是 Visual Native 的人群，没有那么明显的年龄界限，只是现阶段他们正好处在 18 到 25 岁这个年龄段。我相信即使他们步入社会以后，也还是保留这个用户习惯的。接下来可能 15、16 岁的人也会更加 Digital Native。
Chance AI 的各类线下校园活动
Founder Park：不同地区的人群在使用场景上会有区别吗？
曾熙：会有，但差异体现在看什么，而不是怎么看。美国用户大部分看穿搭购物、化妆品、潮玩。欧洲用户很喜欢看艺术品、建筑、展览、书籍封面，一个法国学生可能会拍意大利语的书籍封面，然后去读内容。拉美用户更偏神秘学，看手相、看面相，每天出门前拍一拍来决定今天要注意什么。而且他们会把穿搭和神秘学联系在一起，根据今天的运势决定要戴什么颜色的首饰。
Founder Park：如果想从现在的20万到 100 万、500 万，大概是怎样的增长路径？核心靠什么实现用户增长？
曾熙：短期以产品驱动为主。口碑传播在达到 100 万用户以前可能都不会改变。因为这个产品的核心不是获取流量，而是需要帮助用户形成一种新的使用习惯。如果习惯没有建立，去做投流、买量是没办法放大的。
增长路径现在比较清晰，把核心场景打透。除了日常的视觉理解以外，比如穿搭场景、神秘学场景、旅行场景、购物场景，我们要围绕这些场景把它做深。现在只能说有一个苗头，看到了努力的方向，但还没有拼尽全力去做深。
然后再通过内容和社交去做扩散。比如我们现在穿搭场景里有直接一键帮你生成 Instagram Story 的模式，除了给你打分、给你颜色搭配建议、饰品建议以外，更重要的是有一键变成 Ins Story 图片的功能。
04不是效率工具，是 lifestyle 的视觉伴侣
Founder Park：一开始预想产品要做成什么样？早期优先解决什么问题？
曾熙：很坦白地说，当时是没有的，我们只是知道「看世界」是一个比较具体的需求，但具体看什么我们完全不知道。我们认为要做好的事情就是把架构做好，用户会告诉我们他们选择看什么东西，看得多了以后再针对性地优化。
比如穿搭这件事，我们一开始并没有帮用户看穿搭的 Visual Agent，而是穿搭照片的占比多了以后，我们才专门针对穿搭去做优化，是这种反哺回来的形式。这来源于我在一加时候的社区共创基因。我觉得这教会了我非常多，如果你还没想清楚，没关系，最重要的是赶紧先把你的能力丢出去，用户会告诉你他们需要什么。
Founder Park：你们最初上线的版本，先解决的是让用户能拍照跟世界进行交互，这个交互形式是从一开始就确定了吗？
曾熙：对，这个架构从一开始就确定了。我们有一段时间在首页加了输入框，结果那段时间产品的表现特别差。
Founder Park：加输入框反倒效果差了？
曾熙：对。我们加输入框加得很次要，作为搜索框的形式存在，结果让用户失焦了。很多人直接把它当成 Chatbot 来用。所以我们把输入框去掉之后，这群用户离开了，但反而长期留存变得更好了。
Founder Park：你之前提到「提示词是为懒惰的 AI 准备的」，那在图片生成后的追问环节，这种「基于单图的对话」与传统 Chatbot 的区别是什么？
曾熙：所有后续追问都是基于同一个主题的。就像我所有追问都是基于「我今天穿什么衣服」这个主题，所以它会针对这个有很强的上下文，它知道我前面试了多少套、每一套之间细微的区别是什么，从而判断你是不是正在犹豫去的场合不知道穿什么。我们认为这是很天然的、直觉的。别的 Chatbot 里开一个对话框是一个主题，对我们来讲每张图片就是一个主题。
Founder Park：那不同的图片，比如看手相、OOTD 这些，是直接上传一张看手相的图就可以，还是需要选一个场景才会进入对应的功能？
曾熙：两种都有。有些强风格化的东西会给你推荐，比如你把某个产品丢进去，有可能是想买它、想吐槽它、想给它写一首诗，这时候我们会做推荐。但有些很特定的场景，比如拍一朵花或拍手纹，我们就很确定地知道该导入到哪个功能。你问的这个问题其实很本质，本质上我们不应该再有推荐，但限于 VLM 的能力，目前不得不有一个过渡状态。
Founder Park：如果用户输入的信息只有一张图，你们怎么去理解用户的意图？
曾熙：这又回到我 PhD 研究的课题上了。视觉一定先于语言，当你看到一个东西的时候，你可能都没想好怎么组织语言，但你已经有一个念头了。所以我们认为，你跟看到的东西的交互发生在后面，输入框是发生在追问里，而不是你产生意图的那个瞬间。
当你看到一个东西的时候，至少百分之八九十的意图已经能命中，你看到一套衣服，大概率想买它或想知道适不适合自己，可能有百分之一二十的概率是你想把它买给你的女朋友。这就需要长时间的交互，我才知道你是男生还是女生，为什么一个男生要拍女装？随着第二次、第三次交互，我就能知道原来你是在帮别人挑礼物。
所以意图在你看到图片的瞬间，以及长期交互的过程里，会变得越来越准、越来越懂你，是一个收缩的状态。
Founder Park：所以，拍的时候用户自己可能也没有很明确的意图，更多是直觉。拍完之后的下一步交互，是用户在明确自己的意图，Chance AI 也在更明确地理解用户。后面的交互是大家逐渐把意图收敛的过程。
曾熙：没错。分享一个核心用户群数据：我们有一个指标叫单次核心任务流的交互时长，是 6.4 分钟。也就是说，当用户上传一张图片触发一个任务流后，他跟这张图片的交互时长是 6.4 分钟，基本上每个人会进行 3 到 5 轮对话。
Founder Park：所以，Chance AI 瞄准的用户不是那种「我很明确地要做什么」的用户？
曾熙：对，所以它并不是一个效率工具，更偏 lifestyle，是一个视觉伴侣。我们的用户都是北美的年轻人。他们可能上课的时候用 GPT 写课件、写论文，但出去玩、跟小姐妹喝下午茶、跟兄弟逛球鞋店，基本上都是 Chance AI 的场景。
Chance AI 是一个 lifestyle 的 companion，会陪你一起看世界，「看」是它最重要的能力。
Founder Park：你们会怎么定义这个产品最终给用户的价值？
曾熙：它是一个非效率场景的、帮你赋能生活方式的 AI 产品。分享一个例子，产品在去年年底迎来了一波增长，原因是快到圣诞节的时候，非常多人要挑礼物，就用 Chance AI 给自己的男女朋友或家人挑礼物。
05把人类看世界的方法带到 Harness Engineering 里
Founder Park：在技术架构方面，你们是怎么做的？
曾熙：我们 post-training 了一些开源的 VLM，用在不同的场景里。但对我们来说更宝贵的还是我们做了一套 visual 的 harness engineering。
我们这套技术架构，本质上是从人类如何真实地看世界出发，然后把这个过程映射到我们的 Visual Agent 里。在人类的认知过程中，其实有一条非常清晰的处理链路：
首先是视觉信号的采集——通过眼球和视网膜接收外界的光信号；随后，这些信号通过视神经被转化为神经信号并传递到大脑；接着进入视觉皮层（visual cortex），从初级视觉区（V1）到更高层区域逐级处理，完成对形状、结构、语义、空间关系等信息的整合与理解；最后才进入决策，这个东西我要不要拿起来？我是一只手拿还是两只手拿？它烫不烫？
你会看到分了四层：信号采集、信号传递、视觉皮层处理、大脑决策。现在其他 AI 产品的问题是，他们想让眼睛做思考，把这些步骤混在一起，想用一个模型实现从看见到思考的全链路。
我们的 visual agent 在技术上没有什么秘密，就是把这四个链路拆开做。难的是我们第一次把人类认识世界的方法带到了 agent 的 Harness Engineering 里面。
Founder Park：每一步都会有一个大模型来处理？
曾熙：对，它会根据看到的物体在每一步决定是调用云端模型还是我们自己的 post-train 的模型，调用哪个 skill。比如发现用户看的是衣服，衣服对趋势比较敏感，就会去调用一个能找到 Instagram trending hashtag 的 skill。每一层都发生自己的判断。它是一个工程能力，不是把所有东西做到一个模型上面。
这才是我们理解的 AI，因为人就是这么看世界的，我们只是把人看世界的方法复制到了技术实现上。我们一开始花了很多时间，来摸清楚这件事。
Founder Park：中间走了什么弯路？
曾熙：走了特别大的弯路。我们一开始也想用一个模型做所有事情，然后发现怎么设计都有问题，理解能力强了，就调用不了 skill；skill 强了，视觉理解的本质又没了。特别难，中间发生了非常多这种事情。
最后主要还是我 PhD 在认知科学方面的知识启发了我，为什么我们要期待把眼睛和大脑做成一个东西？这可能一开始就是错的。
Founder Park：感觉比起你们现在的模型架构，底层的 VLM 反倒不是核心优势？
曾熙：没错。这就是为什么我们在 MMMU Benchmark 上能做到全世界第一。对我们来说，VLM 用谁家的都不重要，哪个便宜就用哪家，无论用哪家都能达到那么好的效果。我觉得这才是我们在技术层面有价值的地方。
Founder Park：你们大概什么时候摸索清楚这个架构确实能跑通了？
曾熙：从 2025 年初到 2025 年中，我们一直都在研究这个问题，都没做产品。而且 2025 年初 VLM 能力更差，凭什么我们视觉理解能力能比别人好？真的就是后面做的这套 Harness。
Founder Park：感觉这个 Harness Engineering 有点类似于把人类本能的看东西、理解东西的逻辑复用到了 AI agent 的流程里面。复用的是人类本能的流程，而不是我们自己的实践 SOP。
曾熙：是的。为什么烫杯子不能碰？你什么时候决定要不要联想回以前的记忆？这个判断逻辑很重要。如果判断要联想，可能要花很多时间和 Token，怎么判断联想还是不联想？要不要在过往的 Visual Memory 里做匹配？这又得回到用户，靠用户反馈，我们才能有一个阈值去调整什么情况下要联想、什么情况下不联想。
我们做的事情在 LLM 领域不是什么新鲜的事情，但的确是第一个把这些方法带到视觉领域的公司。
Founder Park：所以在这套 Visual Agent 里，有 VLM 也有 LLM，互相搭配最终产出结果？
曾熙：是的，每个节点里最终看到的结果，最多的时候能调用 6 到 8 个模型。
甚至结果会因为每个用户的品味不同而异。我们有一个功能，是根据你看到的图片来给你推荐音乐。这是很多人用的一个场景：我要发一个 Instagram Story，要配一个背景音乐，怎么知道我看到的东西跟音乐之间是正相关的？比如我看到一个洛杉矶的落日，它就给我配了一首落日飞车那种很舒缓的 City Pop 音乐。看上去很直觉，但我们在里面做了大量的工程，怎么把一个图像找到很适合这个图像 Vibe 的音乐，然后推荐出 Spotify 链接。虽然它只是结果页里的一个小框框，但真的很不容易。
最后产出的结果也很偶然，相当于我们做好了一套 Skill Set，让模型自己决定要调用什么。
Founder Park：最近流行的 OpenClaw 是用 MD 文件来储存 context。你们是怎么存储、管理用户的 memory 和 context 的？
曾熙：我们没办法用单一的文件来做用户的记忆存储。在视觉记忆方面，我们并不是把每一张图都变成你的记忆。我们会把图片分成三个级别的不同像素。比如一张图片，在后台会被压缩成 100x100 的小方框，人眼看上去是没有意义的东西，但模型之间能理解。我们要确保 agent 内部之间用最小单元进行沟通，传输的只是 100x100 的像素就能完成信息传递。
某些场景下我们会用中等尺寸的图片，比如 500x500，进行思考部分，到展示给用户时才回到原尺寸。
Founder Park：所以你们是用视觉图片的形式在不同 agent 之间做信息传达，不是在一开始就转译成语义文本来传播？
曾熙：我们去年做 memory 的时候，就是把图片拿掉变成纯文本，结果发现效果特别差。纯文本是累积型数据，越用越多，可能就有几百个 MD 文件了。效果差，沟通效率也低。
后来我们发现，把文字大量压缩成低像素图片之后，模型间的沟通效率反而提高了，效果又变好了。
我们发现一个很哲学的问题是，视觉才是最高效的沟通媒介。DeepSeek 发过一个 OCR 的模型，相同的 100 比特信息，变成文字传输快还是变成一张图传输快？他们的结论是变成图传输快，跟我们的结论完全一样。但他们主要聚焦 OCR，把文献语言图片化，我们面对的可能更复杂一点，除了 OCR 类图片，更多的是那种说不清道不明的 Vibe。
06你必须离用户很近，才知道产品下一步是什么
Founder Park：Visual Agent，跟 Manus 或 Claude Code 这类生产力、工具型 Agent 有什么区别？
曾熙：我们把它定义成 Visual Agent，最重要的点在于它是一个能和你一起看世界的 Agent。我们不叫自己 AI 相机或视觉搜索，而是叫 Visual Agent，因为在我们理解里它是一个更主动的、和你一起参与的系统，它不是一个响应式的输入，而是参与你整个看世界的过程。
具体来说有两个很大的变化。第一是连续性：不是一次性的识别，而是一个持续的理解过程。它知道你上周的穿搭、三天前的穿搭、你买过什么东西。它会建议「你可以试一下刚买的那双蓝色鞋子，更配你这套蓝色西装」。
第二是它具有行动能力。比如我看到一个活动海报，它可以帮我加到日历里；看到一个菜单，它可以帮我点菜；看到一个商品，它可以全网比价找到最合适的购买链接。具有行动能力对我们来说非常重要。真正的闭环是要完成一个行动。
Founder Park：对 Agent 来说，看懂可能只是第一步。那看懂之后，接下来要提供什么价值，你们有判断或者预期吗？
曾熙：举个具体的例子。有用户开始用我们看球星卡来了解卡的稀有度和历史。但他看懂之后想炫耀给自己的圈子，所以我们给球星卡做了一张海报式的电子证书。然后他说「我要发到 Instagram story 和 WhatsApp 群组里」，我们又加了一键分享功能。最后他甚至想看看别的网站上它值多少钱，可能有一天想卖掉。
它是一个你必须离用户很近，才知道下一步是什么的过程。
Founder Park：怎么定义离用户很近？
曾熙：我们现在和美国 6 所大学里的不同协会，都有很紧密的合作关系，所以能很及时的通过调研了解他们的场景，从醒来到睡觉前什么时候打开摄像头、每次打开摄像头干什么、预期完成什么任务、哪些是我们能做的、哪些现在做不了但以后有可能做。这种敏感度也是我认为我们现在最大的护城河。
07和 AI 一起看，天然就是下一个时代的 AI 终端入口
Founder Park：Chance AI 目前有十几个功能模块，从艺术分析、穿搭、菜谱，再到看面相。哪些场景做，哪些场景不做，你们是怎么取舍的？
曾熙：首要考虑的因素还是用户。用户会告诉我们，我们最主要做的是把能力架构做好，确保你扫的时候不会崩，10 秒钟就能出结果而不是等一分钟。里面涉及不同的数据、不同的搜索能力、不同的 RAG、不同的 MOE，都已经在那了，但怎么用靠用户的想象力。
用户需求和我们能实现的能力之间有「重合点」，这个重合的地方就是我们会去做的功能。
Founder Park：那你们观察到用户在 Chance AI 主要在做什么？
曾熙：现在的用户行为前三，第一是和你的图片互动，大概占到差不多一半的时间，拍一张图以后不断追问上下文、跟它说话，从而形成判断、形成行动；第二是看首页内容，会跟内容互动、留评论、回复，更多的是学习，看别人怎么用。原来这个东西也能拍飞机，能拍护肤品，能看艺术品，它起到了一个低成本教育用户的展示区作用；第三是看自己拍过的内容。
现在的用户行为跟我们现在产品形态的设计是完全符合的：第一拍照交互，第二看首页探索别人拍的和不同玩法，第三看自己过去看过的东西。
Founder Park：用户看自己过去拍的东西是高频行为？
曾熙：是的，有点出乎我们意料。我们发现有的同学已经把它当成一个专属剪贴本来用了。比如有一个日本用户，很神奇，他喜欢收藏昆虫标本，有一天拍了 180 次，第二天拍了 160 次，把自己收藏的所有标本都输进去了。
有点像 AI native 的 Pinterest，Pinterest 是根据像素决定分类，我们是根据图义来分类的。它能自动把每个类别的上下文拉过来，比如「这是什么亚热带的什么虫，它跟你收藏里的某个虫是同一个产地的」。Memory 部分的使用时长越来越多，使用时长多的用户留存极高。
Founder Park：现在有一批人群在高频使用这个产品，你们会把它定义成 AI 时代的一款社交产品吗？
曾熙：社交可能是它的某一个过渡态，因为它确实能帮助相同兴趣的人连接到一起。这是我们很开心看到的，现在很多人在社交平台上大部分内容是被动接收的，算法决定了你看到什么。但我们更鼓励的是，先主动去发现真实世界里的东西，然后我帮你找到也喜欢这个东西的人，你们之间产生交流。
在这个阶段，社交不是我们最重要的东西，可能用户达到 100 万之后，社交会形成一个很重要的形态。
Founder Park：你们会怎么看待这批用户对 Chance AI 的定位？
曾熙：渐渐地它会变成一个习惯。我们想培养的是用户习惯，当他未来想到要看什么的时候，先想到和 Chance AI 一起看。我们希望在这个阶段尽量多地让他们给我们反馈，无论是产品上的、数据上的还是模型能力上的，有了这种反馈我们的飞轮才能转起来。
对我们来讲最宝贵的是「和 AI 一起看世界」这个行为，在手机上它是不太自然的，但到了下一个时代的 AI 终端，它就会变得非常自然。想象一下你戴着 Ray-Ban Meta Glasses，很自然地问你「你怎么看那个？」AI 因为很懂你，「我觉得你穿那个不好看，你家里已经有个类似的了，再买很多余。但刚刚那个我觉得挺好看的，你怎么不考虑一下？」就开始跟你聊。这个场景就很自然了。
08Visual Agent 最终会成为一个新的操作系统
Founder Park：在下一阶段，AI 硬件天然就有视觉入口，甚至 Visual Agent 本身也能成为一个新的 AI 入口。你觉得这件事真正发生，还需要哪些条件？
曾熙：这个问题我们也经常在思考。首先能确定的是，未来 AI 硬件的终端形态一定是和用户一起看世界，根据你看到的东西来进行交互，这是确定的，不确定的是时机。
我们认为目前的卡点在三个地方。第一是基础技术，VLM 今天已经有了，但还没办法做到超级实时，或者在很低成本的情况下瞬间完成电影里那种感觉，这部分我们一直在关注，也一直在等待；第二是硬件供应链的成熟，目前我们判断还没到爆发的周期。即使 Meta Glasses 已经卖了 200 万台，但离真正成为每个人日常使用的、像手机一样级别的产品，还有一定距离；第三是用户习惯，用户有没有养成和 AI 一起看世界的新习惯。年轻用户其实已经有了，但要扩展成大众市场，主要还是看那群习惯了文本交互的用户，他们切入视觉交互会不会有阻碍。
这三个考虑点是我们正在观察的。我们很开心地看到这件事其实已经正在发生了，只是近还是远，现在还在观察中。
Founder Park：你觉得 Visual Agent 最终会是一个什么形态？硬件、操作系统、还是 APP？
曾熙：我们理解它一定是一个操作系统，就是电影《Her》里的那个 Samantha。
Founder Park：如果最终形态是操作系统，会不会更依赖于LLM的智力提升？
曾熙：LLM到今天已经很成熟了，基本没有什么卡点。反而要回到生活场景上，是有困难的，Claude Code 很难帮你一起去买一个雪糕，或者跟你一起看落日。生活场景，才是大众市场的最主要场景。
我们的判断是：今天文本场景很成熟，很多大厂在里面解决基础问题。反而是文本之上的视觉层面，目前还没什么人看到，也没什么人在上面努力。
Founder Park：Visual Agent 和 ElevenLabs 这样的 voice agent，是什么关系？
曾熙：互补。我相信最终是没有模态之间的区分的。对用户来说，不会分什么是文字、什么是语音、什么是图片，最终都会混合成为一个正常的输入输出系统。有点像看电影，你不会在意是声音让你笑还是台词让你笑。
Founder Park： 那未来你们会做硬件吗？
曾熙：迟早会做。做硬件对我们团队来说反而是舒适区，供硬件产品定义、软硬结合用户体验、全球市场产品 GTM、生命周期管理等，团队有丰富经验。难的是现在这个阶段，先把这一套视觉思考的大脑搭建好。比如 Meta Glasses 你现在戴着看黑色水壶问「这是什么？」，它跟你说「这是一个黑色的圆柱形物体」，这是无用信息。它们离真正的价值差得太远了。
09FOMO 的是效率不够快，而不是终点方向
Founder Park：现阶段，Chance AI 的竞品是什么？
曾熙：如果一定要选的话可能有三类：第一类是上一个时代的各种垂类识别软件，植物、花鸟那种，技术上的竞品；第二类是入口型产品，像 Google Lens 这种；第三类可能是 AI 硬件，像 Looki 这种 Always-on 的设备。
我们最关注的还是入口型产品。我们希望用户拿起摄像头的时候，最先想到的是用我们。如果他拿起摄像头用了别的 App，那个 App 就会被我们视为潜在竞品。
Founder Park：你们自己核心的壁垒是什么？或者说别人做不到、你们跑得更快的是什么？
曾熙：前边也提到了。我们离用户很近，这种「敏感度」是我们现在最大的护城河。我们有能接住用户的工程能力，有把在美国真实生活的年轻人每天的需求转化为功能的流程，有跟他们直接沟通的渠道和分发能力。有了这些以后，我们就有自己的飞轮，Harness Engineering 的飞轮。
Founder Park：作为创业者，你今年会 FOMO 吗？
曾熙：只要在这个行业里就会 FOMO，因为变化太快了。三个月前你讲 OpenClaw，可能没人知道是什么，现在全民 OpenClaw，这也是让人兴奋的地方。
我们可能会 FOMO 一些技术实现的效率、对工具的选择，这个很常见，我们很害怕自己正在使用的工具不是世界上最先进的。
但在产品方向上我们是很有自信的。我们认定视觉这件事很直觉，人类跟世界就是这么交互的，这不是这几年的事情，是好几百万年的事情，这是不变的。变的是怎么让速度加快、怎么让它发生。我们担心的是，如果实现效率不够快，可能站在船头的人就不是我们了。
Founder Park：所以还是会有各种技术、效率上的焦虑？
曾熙：在 How 上面是有焦虑的，但在 Why 上面是没有的。我们现在很确定一定会在牌桌上，只是不确定是牌桌的上位还是下位。
转载原创文章请添加微信：founderparker
热门跟贴