AI news

对话 Relay Q 创始人许奇:从语音输入到意图理解与任务分发

By Z Lives1 viewsSource: Z Lives
对话 Relay Q 创始人许奇:从语音输入到意图理解与任务分发

许奇分享 Relay Q 的产品取舍:轻声输入、区分表达内容和操作意图,并结合上下文、记忆与工具进行分发。团队强调智能程度、延迟和成本的平衡,产品计划在2027年CES发布发货,目前的功能描述与时间均保留受访者口径。

The full text has not been translated yet. The Chinese original is shown below.

文章配图

随着大模型能力的不断提升,人机交互的模式,是否也到了重新设计的时候?语音开始站到了这一轮人机交互的前沿。Wispr Flow估值已经冲到了20亿美元。硬件也开始以各种产品形态进行尝试。

本期我们邀请到随心所语的创始人许奇。许奇的经历横跨腾讯、一加、飞书和Nothing。作为Nothing的早期员工,他曾负责Nothing OS产品体验、软硬件结合等相关工作,后期他又在内部组建AI团队,探索AI能力落地和新形态硬件。今年4月,他离开 Nothing,开始探索 Relay Q,并拿下了 Nebulon Ventures 及另外一家美元基金的投资。Relay Q 预计将在2027年 CES 上发布并发货。

这一次,我们谈到了他为什么不做全天候采集,语音输入如何区分表达内容与操作意图、智能程度、延迟和成本之间如何取舍等问题。这些讨论最终指向一个问题:当AI越来越能理解意图、执行任务,人该以什么样的方式,把想法交给它?以下 Enjoy!

Z HighLight

  • 「上下文采集依然要计算ROI,很多可穿戴设备的成本从第一天发生,但是价值却很晚出现。」

  • 「语音输入,最难平衡的,是智能程度、延迟和成本之间的关系。」

  • 「我们最看重的指标,是说完之后不用修改、一次发出去的比例。」

  • 「输入的交互必须足够中立,这可能恰恰是留给创业公司的空间。」

持续采集上下文,先算清价值与成本

ZL:请先简单介绍一下你的职业经历吧。

许奇:我的经历比较跨界,横跨互联网、手机和消费电子。

刚毕业时,我在腾讯做QQ空间的用户研究。我从小对消费电子、硬件产品就很感兴趣,尤其喜欢手机,算是一个手机发烧友,所以后来进入了手机行业,加入了一加。

我在一加做了五年。加入时它的OS还在从0到1的阶段,我先负责基础模块的产品规划,后来负责软硬结合,到最后阶段负责OS的整体规划,也带产品团队。虽然我的角色偏软件,但一直对硬件很感兴趣。

2020年,我去了飞书待了一年,在文档团队。

后来一加的几个核心成员出来,想做一个新的消费电子品牌,也就是Nothing。我负责整体软件产品体验、软硬结合,也包括早期团队搭建。最后在Nothing的两年多,我的重心在AI上,在内部搭了一个新的AI团队,负责AI能力落地和新形态产品的探索。今年4月正式离开Nothing,5月启动了现在这个项目。

ZL:在Nothing的经历,对你现在的创业有什么影响吗?

许奇:当时做Nothing,我们有一个假设:消费电子变得比较同质化,能不能把消费属性做得更重一些,通过品牌、设计和用户体验产生差异化,让年轻人和科技爱好者有真正喜欢的品牌。这个判断,在Nothing的第一款产品,也就是耳机上,得到了一定的市场验证。

但目前的AI浪潮还不一样,核心突破靠技术主导,技术更为成熟一些之后,关键是怎么把它产品化,变成用户真正需要的东西,以及产生真正的商业价值。我觉得要更加第一性的去思考加上尊重消费的常识,才能获得成功。

ZL:你怎么看现在抢占上下文的AI硬件的机会?

许奇:从根源上看,我觉得有两种逻辑:一种是通过更方便的交互方式以及传感器,更好地获取上下文和人的意图;另一种是提供更强的算力。

但具体到产品,起点又不一样。录音卡更像是从功能和场景出发,从录音笔到录音卡交互变得更方便,再加上AI总结能力,是一个很直觉的产品,但不完全是从持续获取上下文的逻辑出发。

另一类产品,则是从always on持续获取上下文出发。从2024年年底开始,出现了项链等不同形态。但到现在这个节点,在我看来,还没有谁真正把这类产品的产品化和商业化做通。

ZL:你也做过持续采集上下文的产品尝试,真正用起来以后,什么地方和最初想的不一样?

许奇:确实能给我一些惊喜,但很多时候也就是流水账。

这些信息可能需要比较长的周期,才能挖掘出更大的价值,可能得戴一个月,甚至更久。但如果戴完当天不能立刻得到价值,很多人可能根本坚持不到那个时候。

而穿戴设备本身有成本。你要一直戴着它,还要持续充电,这些都有摩擦。它带来的价值,至少要明显高于用户付出的成本,用户才有持续佩戴的动力。

所以,更核心的问题是,持续捕捉的信息和上下文,是不是有足够的价值。

ZL:所以,不该只问上下文有没有意义,还要问上下文可以产生的ROI?

许奇:是的。可以思考一个问题:为什么现在很多上下文产品还是以声音为主?视觉信息处理,在我看来,目前在技术上来说还是一个比较低效的处理方式。我们看一个画面,里面绝大多数信息,大脑可能并不会真正处理。看到书,要对焦到某个字上,才会处理那个字。但持续处理视频流,对算力和成本的要求很高。

因此,如果单位Token成本没有带来足够的价值,这个成本由谁买单?是硬件公司,还是消费者?

声音比较作为上下文入口,比较合理的一个原因是单位信息密度足够高。但换成全天候持续采集,单位信息密度又会下降。

剥离语音与意图

ZL:回到产品本身,Relay Q是什么?曾经有人定义你们就是一个语音输入设备。

许奇:最基础的一层,可以理解为一个比较原生的输入设备。和输入法有相似的逻辑,但我们会再做一层,更好地理解你的意图。

我们不只看怎么把内容变得更可读、更结构化,也在看怎么剥离你的意图和你要输出的内容之间的关系。

它不只用于即时通信,任何能用键盘打字的地方都可以。我们想做的是,更好地覆盖键盘现在承担的很多输入场景。

ZL:能不能举几个实际的例子,说明理解意图和语音转文字有什么不同?

许奇:第一类是知道你在跟谁说。我的一位海外同事只能看懂英文,我可以说中文,比如“你下周来深圳的时候,咱们找个机会碰一下”,出来的就是英文。这背后有两层:先识别出你在跟谁对话,这更多是工程问题;再是你可以给不同的人设不同的偏好,你持续给一个人输入时,系统也会根据你的习惯给出建议。

第二类是一句话里有多个意图。比如:“咱们5点半左右见,在公司楼下的星巴克,顺便帮我建一个Google日程。”这里有两件事,一是回消息,二是建日程。消息写好了,日程也生成好了,我确认一下,双击Relay Q就发出去。

第三类是话里缺信息。比如:“周末要不要一起看电影?诺兰最新那部,名字我忘了,你帮我查一下,把豆瓣链接发给对方。”它会实时搜索,找到片名和可用的链接,而不是靠模型已有的知识。

第四类是交给Agent。我说“Codex,帮我把这份文档第四页改得简洁一点”,它就打开Codex,把要求放好,由我决定发不发。对大部分人来说,面对人还是面对Agent并没有那么大区别,都是一种输入和输出的关系,只是每个场景的诉求不同。

所以这里面又出现了几种完全不同的情况:

1.给AI输入时,帮用户做过度的结构化和处理,不一定是好事。Agent本身能理解你的意图,过度总结,反而可能丢失一些潜在意图。

2.给人,尤其是同事、上司等发消息就不一样,适当的结构化是有意义的。

3.但给朋友、亲人发消息,又不能处理得太过结构化。

ZL:Typeless在这些功能上应该也可以实现,Relay Q 的差异在哪里?

许奇:Typeless 在把语音变成好文字这件事上做得很好,也能理解“改成英文”、“活泼一点”这类要求。但Relay的意图理解和优化范围更宽,可以分三层看。

第一层,更懂你当下的上下文。除了识别你在哪个App,Relay还能识别你在和谁说话。正如前面提到,发给外国同事可以自动变成英文。Relay也能参考当前窗口和选中内容更好的输出内容。

第二层,更了解你这个人,有独属于你的自动记忆。Relay 会长期记住你的偏好、人际关系和常用术语,你也可以为不同场景设定更细的要求。这些内容你都能查看和修改。

第三层,能调用工具,而不只是写字。说“把我的收货地址发给对方”,它会填入你保存过的地址。在Terminal里,它输出能运行的命令;在表格里,它输出公式。Mac版的Relay Skills还能把内容送到指定的App、人和agent,你也可以自己搭建Skill。

ZL:随着大模型能力提升,意图识别也会越来越强。对你们来说,真正难做的是什么?

许奇:我觉得最难平衡的,是智能程度、延迟和成本之间的关系。

我们可以调用最强的模型,帮你做所有的意图理解,但这会带来很高的延迟。现在一些很强的模型,有很强的思考链,你不可能发一条消息,还要等十几秒,大部分人不能接受。

但如果智能程度不够,又没有办法很好地理解你真正的意图。所以这中间,我们做了很多平衡和设计。

我们的模型设计是分层的。

像“好的”“收到”这样的简单回应,在本地就能完成。其他内容会先经过Jev这类专门做判断的决策模型,快速判断你要的是一段文字、需要查资料,还是要执行一个动作,再交给合适的模型或能力。

如果环境嘈杂、内容不可靠,只靠 ASR 是不够的,我们会让更强大的多模态模型直接听音频,判断你到底说了什么。

这样,简单的事几乎不用等,真正需要更强大的智能的时候再按需调用。

ZL:你们的北极星指标是什么?

许奇:内容一次性的发送率。也就是有些内容,你可能一次说完就直接发出去,都不会再看。所以我们在延迟优化上,确实花了很大的精力。

ZL:Relay Q为什么长成了这个形态呢?

许奇:语音能力越来越强,但场景成了最大的摩擦。

我们想解决的第一个直接问题,是怎么解锁更多语音输入的场景。

比如开放办公室里坐着很多人,一方面,大家觉得打扰别人不太好;另一方面,有些内容比较隐私,不方便说出来。这些摩擦,让很多人很难把语音当成主要的输入方式。

所以我们希望,不管在相对安静的办公室,还是嘈杂的咖啡馆,都能用语音,而不是受到场景限制。我们现在能做到非常轻声的输入。

除了让输入更轻松,我们觉得交互本身也很重要。我们的交互灵感其实来自圆珠笔。笔按下去的瞬间,你要写字;我们也是希望,按下去的瞬间,你要说话。

文章配图

图片来源:Relay Q

先做好任务分发的“秘书“

ZL:给Personal Agent找个硬件载体,最近是一个热门话题,你怎么看?

许奇:现在有很多产品想把自己定位成一个更全能的助理。但我们更倾向于把Relay Q定义成秘书,而不是助理,这两者有一个能力上的区分。

秘书更像是能帮你做很多文书类工作、建行程,也可以帮你派活。比如公司里有其他人,秘书可以把活派给对应的人去干。但你让他自己写一份战略分析报告,他可能写不了。我们的边界在这里。

ZL:听起来似乎你们并不是在讲一个Personal Agent的故事,长期看,应该怎么理解Relay Q的未来?

许奇:我们想做的是一种新的人机交互方式。交互层一直跟随技术发展进化。从键盘命令行,到图形界面和鼠标,再到触屏、多点触控和手势,都是在降低使用设备的成本。

ZL:长期想做新的人机交互,但目前看短期还是先聚焦电脑上的生产力场景?

许奇:短到中期,我们会更聚焦生产力场景,或者说,我们想做一种新的工作方式。

现在办公室里的工作方式,还是以键盘、鼠标为核心。我们觉得至少在这个场景,有更大的突破空间。

我自己做了十年以上手机,对手机的判断是,它已经是一个高度成熟的平台,用户习惯根深蒂固。强行改变很多习惯,不一定有什么真正的收益。反而PC、Mac上的很多体验和价值,没有被充分释放。对绝大多数办公室人群,电脑仍然是最核心的生产力设备。围绕这个场景,把体验做到下一个世代,是我们短期的核心问题。

ZL:你怎么看新的人机交互,语音就够用了吗?

许奇:语音有很多优势,但也有劣势。很多人的语言表达能力有限,很难结构化地表达意图。假设有一个非常强的语音交互,没有鼠标,你说:“把这里面第三句话翻译成英文,再发给微信里的某个人。”能不能做到?能。但这个描述本身很费劲。

一旦让人进入这种结构化描述的思考方式,很多人就会抗拒,因为变成了慢思考,是一个不直觉的事情。

鼠标的指向性,几乎是潜意识里的动作。点到哪里,就代表一个很明确的意图。所以精确指向在未来不会缺位。我们要探索的是,用什么方式让它和语音结合,成为更原生的体验。

交互和设备的迭代,都不是直接替代。比如现在还有很多外设,设计师需要用手绘板,鼠标也取代不了它。

ZL:交互方式作为底层的范式改变,会不会是大厂才能主导、引领的?

许奇:交互是一个很中性的东西,需要足够中立。如果由生态里某个具体应用玩家定义,别人要不要跟随?和它有直接商业竞争关系的人,会怎么想?这反而可能给创业公司留下空间,以更中立、第三方的身份。

尤其未来涉及意图分发,同一件事既可以分发给A,也可以分发给B,用户为什么相信你?这是很重要的事情。

ZL:接下来会怎样扩展产品形态?

许奇:一个方向是基于模块化设计做横向扩展。

作为输入设备,每个人的偏好、习惯和场景都可能不一样。我们的主体、下面的杆件,包括手机上的配件,都是模块化的思路。

手机上的配件首先是一个支架,上面有按键,用来触发麦克风。我们希望基于这个设计,扩展更多不同人群的需求。

从交互历史看,鼠标最早很简单,只有一个按键,能移动、能点。随着图形界面发展,才逐渐有左右键、滚轮,甚至更多快捷键。我们也会有这样的过程。

ZL:最后问一下你们的融资历史和为什么叫Relay Q吧

许奇:目前拿到了两家美元机构的钱,其中一家是Nebulon Ventures。

Relay Q这个名字有两层意思:一是产品外形看起来像字母Q;二是英文里的 cue,通过语音cue一下。

最后我想说,不管技术多新,我们做的还是消费品,要尊重消费者的认知。我们希望用户愿意高频的使用,用非常自然直觉的方式,且很容易理解和获取价值。

请注意,此次访谈内容已经过精心编辑,并得到许奇的认可。欲了解更多关于Relay Q的信息,敬请关注其相关官方账号。我们也欢迎读者通过留言互动,分享您对本访谈或AI硬件的看法。

文章来自于"Z Lives",作者 "Z Lives"。

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)