字節(jié)搭建起來了的越來越明確的AI體系，豆包則在這個(gè)體系中扮演了承上啟下的核心角色。

作者 | 李威（北京）

在超能創(chuàng)意1.0推出兩個(gè)月后，豆包開始灰度測試超能創(chuàng)意2.0。

后者優(yōu)化了對模糊意圖的處理能力，能夠解析圖片細(xì)節(jié)，一句話實(shí)現(xiàn)對給出圖片的復(fù)刻，并且可以將不同參考圖的靈感元素融合到一起，創(chuàng)作出一張全新的圖。甚至，你可以給到豆包超能創(chuàng)意2.0一組人物圖片，讓其利用這些人物生成一個(gè)繪本故事。

超能創(chuàng)意2.0復(fù)刻圖片

處理圖片之外，豆包還將具備視頻解析能力，支持用戶上傳視頻或視頻鏈接來提取逐字稿，或者直接拆解上傳內(nèi)容的分鏡、腳本和剪輯手法。從看到的展示效果來看，豆包可以輕松完成逐字稿的提取，但對剪輯手法的拆解，還比較模糊，不能讓用戶據(jù)此進(jìn)行復(fù)刻。

客觀來講，相比超能創(chuàng)意1.0，超能創(chuàng)意2.0在能力上有了大幅提升。這需要?dú)w功于豆包大模型1.6版本提供的支持，這個(gè)版本的豆包大模型支持深度思考、多模態(tài)理解和復(fù)雜Agent的構(gòu)建。此外，豆包超能創(chuàng)意2.0還接入了圖片生成模型 seedream 3.0、圖片編輯模型 seededit 3.0和視頻生成模型seedance 1.0 Pro。

過去幾個(gè)月，豆包陸續(xù)推出了一系列能力更新。超能創(chuàng)意之外，還有AI播客、應(yīng)用創(chuàng)造1.0、視頻通話等能力。除了視頻通話是與圖片生成、音樂生成一樣的基礎(chǔ)能力拓展，其它幾項(xiàng)能力都屬于在基礎(chǔ)能力上拓展出來的場景化Agent，相比基礎(chǔ)性能力有了更多產(chǎn)品化的優(yōu)化。

AI編程支持可視化編輯

這類Agent能力的增加，也在讓豆包變得更好用。豆包正在從最初主打社交的聊天機(jī)器人，演變成一個(gè)「AI助理+AI辦公桌面」的組合。AI助理能夠?qū)崿F(xiàn)更隨身、更人性化地交流溝通，其載體是移動設(shè)備；而AI辦公桌面更強(qiáng)調(diào)復(fù)雜需求的實(shí)現(xiàn)，往往需要PC這樣的設(shè)備來作為載體。

沿著這個(gè)邏輯，就可以解釋為什么豆包App和豆包電腦版會給人兩種不同的使用感受。豆包App是很多用戶心中的AI伙伴，可以聊知心話，可以一起整蠱朋友，也可以通過視頻通話請她幫忙回答問題。豆包電腦版則會扮演效率工具的角色，提供了一個(gè)用戶與豆包一起工作的操作臺。

同一個(gè)豆包具備了生活和工作兩種形態(tài)，并可以在兩種形態(tài)中毫不違和地進(jìn)行切換。背后作為支撐的，是字節(jié)搭建起來的越來越明確的AI體系。這個(gè)體系最基礎(chǔ)的是火山引擎提供的云設(shè)施；在此之上一層是不斷進(jìn)化的豆包大模型；再上一層是作為「AI助理+AI辦公桌面」的豆包應(yīng)用；再上一層是抖音、耳機(jī)、眼鏡等豆包的載體。

這個(gè)體系下，豆包應(yīng)用發(fā)揮了承上啟下的作用。承上指的是，豆包應(yīng)用與豆包大模型的融合更緊密，能夠快速將豆包大模型的能力應(yīng)用化、場景化，成為更具實(shí)用性、門檻更低的工具。啟下指的是，豆包應(yīng)用是字節(jié)對外輸出to C的AI能力的核心樞紐，串聯(lián)起了字節(jié)旗下不同的軟硬件應(yīng)用。

這也是為什么我們會認(rèn)為，字節(jié)是國內(nèi)諸多AI廠商中展現(xiàn)出更強(qiáng)野心和更完整思考的一家。

其中一個(gè)理由是，我們覺得豆包現(xiàn)在的布局中有考慮到硬件的變化。目前的豆包應(yīng)用分成兩個(gè)形態(tài)，是為了適應(yīng)移動端與電腦端的差異化定位，但如果有一天移動端與電腦端基于眼鏡或其它硬件實(shí)現(xiàn)了融合，那作為AI辦公桌面的豆包也能很快融入到AI助理的豆包中。

1.從社交到效率的變化

從誕生之初到現(xiàn)在，豆包的基礎(chǔ)定位沒有變化，就是一個(gè)能長期陪伴用戶的助理。陪伴和擬人化給到了豆包一個(gè)確定的物種定義。在此基礎(chǔ)上，隨著豆包大模型的能力提升，這個(gè)新物種也會隨之成長出更豐富的能力，并且開始扮演更多樣的角色。這其實(shí)很接近于人從嬰兒到融入社會的成長路徑。

這個(gè)發(fā)展路徑，也決定了豆包會首先考慮到向聊天能力要增長。在豆包App上線初期，團(tuán)隊(duì)對她的定位是一個(gè)通過「打電話」的交互方式，為用戶提供陪伴的產(chǎn)品。在去年與另外一個(gè)AI產(chǎn)品團(tuán)隊(duì)交流時(shí)，對方也會認(rèn)為豆包的目標(biāo)是做AI社交，成為一個(gè)類似Characte.AI的產(chǎn)品。

在陪伴聊天基礎(chǔ)上，當(dāng)時(shí)的豆包還拓展出了一個(gè)聊天機(jī)器人生態(tài)。用戶可以自己定制不同角色的聊天機(jī)器人，然后發(fā)布到豆包的智能體頁面，讓其他用戶選擇和使用。即便是出現(xiàn)了英語外教、考研面試官、PPT專家、風(fēng)水師等更具職業(yè)屬性的聊天機(jī)器人，豆包App也還是一個(gè)更傾向于角色扮演聊天，而不是任務(wù)處理的產(chǎn)品。

變化是隨著大模型能力的提升而出現(xiàn)的。豆包開始融合進(jìn)文生圖、文生視頻、音樂生成等基于大模型能力發(fā)展出來的基礎(chǔ)功能。并且，豆包上線了電腦版，這是一個(gè)以瀏覽器形態(tài)出現(xiàn)的效率優(yōu)先的產(chǎn)品。人們很少在豆包電腦版上與豆包進(jìn)行閑聊，大部分時(shí)間都是在讓豆包幫助完成更復(fù)雜的任務(wù)。

DeepSeek在年初的引爆，讓AI以更快地速度從有趣向有用過度，也帶動了豆包的能力提升。視頻通話就是模型能力提升給豆包帶來的一個(gè)顯性變化。用戶可以在日常生活中依靠視頻通話能力，實(shí)時(shí)向豆包提問，了解門店展示的商品的具體信息或者讓其根據(jù)場景給出拍照的操作指導(dǎo)。

在深度理解、思維鏈等技術(shù)的支撐下，豆包也開始基于基礎(chǔ)能力完成創(chuàng)意生圖、代碼編寫等更場景化的工具的開發(fā)。利用超能創(chuàng)意能力，豆包可以批量生成效果還可以的海報(bào)，同時(shí)，應(yīng)用創(chuàng)造也開始支持對豆包生成的網(wǎng)頁進(jìn)行可視化的調(diào)整。這樣的豆包實(shí)現(xiàn)了從社交產(chǎn)品到效率工具的拓展。

2.既是助手，也是操作臺

從社交工具到效率工具的拓展，也進(jìn)一步分化了豆包在App和電腦版上的呈現(xiàn)形態(tài)。簡單來說，豆包App是一個(gè)更強(qiáng)調(diào)陪伴、擬人化交互，能完成輕量化任務(wù)的隨身AI助手，豆包電腦版則是一個(gè)強(qiáng)調(diào)效率、工具屬性，能完成復(fù)雜任務(wù)的AI辦公桌面。兩者都是豆包，但會有不同的側(cè)重。

豆包App在用戶第一次下載打開時(shí)，會使用語音進(jìn)行自我介紹，給用戶的感覺更像是在與人溝通。同時(shí)，豆包App的界面底欄會有通話、發(fā)現(xiàn)、AI創(chuàng)作三個(gè)按鈕。通話列表中，不僅有豆包，還會顯示用戶溝通過的其他聊天機(jī)器人。發(fā)現(xiàn)則是聊天機(jī)器人的集合。AI創(chuàng)作會有創(chuàng)建聊天機(jī)器人，生成圖片、音樂、AI寫真的功能。

進(jìn)入到與豆包的聊天界面，會顯示豆包的頭像，并且優(yōu)先顯示豆包P圖、拍照答疑、照片動起來等生活化、輕量化的能力。這樣的豆包App給到用戶的感覺就是一個(gè)能聊天溝通且能隨手幫忙的伙伴。這種強(qiáng)陪伴的屬性，就能解釋為什么即將去世的老人會對豆包說出：「我要去世了，豆包」。

如果說豆包App更側(cè)重于呈現(xiàn)AI擬人化的一面，那豆包電腦版則是一個(gè)「無情的」操作臺。其主界面并不像豆包App一樣側(cè)重聊天，而是一上來就強(qiáng)調(diào)任務(wù)執(zhí)行能力。無論是脫胎于搜索框的聊天框，還是側(cè)邊欄中對AI搜索、幫我寫作、AI編程、圖像生成的推薦，都有著很強(qiáng)的效率工具的感覺。

相較去年，豆包電腦版的一個(gè)變化是在側(cè)邊欄中隱藏了聊天機(jī)器人的入口。將之前位于歷史對話下面的我的智能體入口隱藏起來，變成了AI云盤，并放到了歷史對話的上面。同時(shí)，豆包電腦版的第三方聊天機(jī)器人相比豆包App中，要更為精簡，基本沒有純聊天的角色，都是一項(xiàng)項(xiàng)具體任務(wù)的執(zhí)行者。

這種「AI助手+AI辦公桌面」的組合讓豆包更適合目前的載體形態(tài)。

作為AI助手的豆包不但能以App的形式存在，還能切入到抖音、瀏覽器、智能耳機(jī)、智能眼鏡中，隨時(shí)被喚醒和互動。在軟件層面，豆包已經(jīng)被放入了抖音的聊天列表中，甚至也在灰度測試將豆包與抖音視頻頁面的點(diǎn)贊、評論轉(zhuǎn)發(fā)放在一起。在硬件層面，Ola Friend依靠豆包App承載設(shè)備管理和更新，并能隨時(shí)召喚豆包。

作為AI辦公桌面的豆包，目前會在電腦版和網(wǎng)頁版中出現(xiàn)，更符合大家在電腦桌面上使用AI完成復(fù)雜工作的能力。無論是對網(wǎng)頁生成，還是對要求更高的圖像創(chuàng)意來說，移動端都還不能很好地進(jìn)行承載。一個(gè)操作臺形式的豆包，既符合用戶的工作習(xí)慣，也提供了Agent所需要的自由畫布。

3.豆包是字節(jié)AI to C的核心

在to B領(lǐng)域中，字節(jié)打出的牌是火山引擎+飛書的組合，其中作為AI操作臺的多維表格和作為AI助手的飛書知識問答承載了B端用戶的主要AI交互需求。在to C領(lǐng)域，豆包是字節(jié)AI體系的核心，既是AI助手，也是AI操作臺，并且有能力承擔(dān)串聯(lián)字節(jié)體系內(nèi)不同C端入口的任務(wù)。

一方面，豆包強(qiáng)調(diào)擬人化。打造一個(gè)像鋼鐵俠的賈維斯一樣的AI助手，是一個(gè)激動人心的故事。從賈維斯身上，我們可以看到的是一個(gè)活生生的人。這種活人感是AI產(chǎn)品具備記憶力和成長力的體現(xiàn)。豆包對擬人化的強(qiáng)調(diào)，事實(shí)上也是在讓AI與用戶一同成長，使其成為最了解用戶的「家人」。這也是在構(gòu)建一個(gè)長期的情感壁壘。

另一方面，豆包的核心是AI，不是某一類端口形態(tài)。App、網(wǎng)頁、硬件、Copilot等端口形態(tài)，是豆包發(fā)揮作用、輸出AI能力的載體。在豆包身上，我們看到了像Gemini一樣的雄心。字節(jié)也像Google一樣，在圍繞豆包搭建一個(gè)面向AI的完整體系。包括與自身流量入口的打通，以及硬件的研發(fā)。

與Ola Friend的合作，是豆包在融合AI硬件層面作出的第一個(gè)嘗試。從市場反應(yīng)來看，這種嘗試并沒有激起大的浪花，但對于字節(jié)而言，這可能是一個(gè)積累經(jīng)驗(yàn)的過程。眼鏡可能是更適合豆包的硬件載體，也是字節(jié)能夠有更大底層掌控權(quán)的硬件設(shè)備。

在The Information的報(bào)道中，字節(jié)已經(jīng)在研發(fā)沒有顯示模組的AI眼鏡和具備顯示模組的MR眼鏡。前者更匹配AI助手形態(tài)的豆包，后者是發(fā)一款護(hù)目鏡形態(tài)的輕量級混合現(xiàn)實(shí)設(shè)備，更有希望落地AI助手+AI辦公桌面的完整版。如果眼鏡能成為PC之外的另一個(gè)大屏，那豆包的助手角色和桌面角色就能夠在移動端實(shí)現(xiàn)統(tǒng)一，打造出一個(gè)軟硬結(jié)合、可輕可重的完整體豆包。

只不過，相較Google，字節(jié)在模型能力、硬件系統(tǒng)、入口能力上都更為欠缺。

我們可以看到字節(jié)在不斷提升模型能力，并且依靠垂直研發(fā)的優(yōu)勢，將模型能力與場景化需求更快結(jié)合起來，快速更新豆包的能力組合，實(shí)現(xiàn)像超能創(chuàng)意一樣的產(chǎn)品化。在火山引擎CEO譚待的介紹中，火山引擎有專門的團(tuán)隊(duì)，可以參與到模型研發(fā)和產(chǎn)品開發(fā)中。豆包這半年的能力更新，在一定程度上驗(yàn)證了這種優(yōu)勢。

字節(jié)跳動CEO梁汝波表示，在AI大模型帶來的技術(shù)變革時(shí)代，字節(jié)跳動也要對自己提出更高的要求，做一個(gè)優(yōu)秀的科技公司還不夠，得做優(yōu)秀的創(chuàng)新科技公司，前者是能夠利用先進(jìn)技術(shù)的公司，而后者能夠探索和發(fā)明新技術(shù)，這是挑戰(zhàn)非常大、有非常高天花板和想象力的事情。

豆包無疑會是字節(jié)這種技術(shù)創(chuàng)新能力的核心出口，字節(jié)對豆包的投入并沒有縮減。App Growing的數(shù)據(jù)顯示，2024年Q2至2025年Q1，豆包季度平均投流費(fèi)用為1.5225億元，相較而言，即夢AI投流費(fèi)用在2025年Q1只有270萬元。并且，豆包在5月的活躍用戶數(shù)達(dá)到1.31億，還在保持增長勢頭。

這也意味著豆包需要繼續(xù)通過聚合入口和能力建立護(hù)城河，讓自己成為字節(jié)想要的系統(tǒng)級能力。但從目前的體感來看，豆包還欠缺一種串聯(lián)一切的感覺。