作者丨歐雪

編輯丨袁斯來

過去兩年，主流AI交互依賴于輸入框——用戶先組織語言提問，AI再給出答案。

這種“對話式”交互效率極高，卻與人類最自然的認知路徑相悖。我們認識世界，從來不是從“提問”開始，而是從“看見”開始。

一家成立于2025年的年輕公司Chance AI，正在嘗試解決這個問題。它提出了另一種AI產品形態(tài)——Visual Agent（視覺智能體），試圖讓AI從“回答問題”的工具，進化為“看懂世界”的系統(tǒng)。

Chance AI的創(chuàng)始人曾熙，路徑橫跨學術與產業(yè)。他在巴塞羅那大學獲得博士學位，研究方向是認知科學與當代藝術，關注人類如何通過視覺理解世界。畢業(yè)后進入消費電子行業(yè)，在OnePlus、OPPO負責產品與設計，隨后加入字節(jié)跳動，在Flow部門參與豆包等AI產品從0到1的探索。

之前的從業(yè)經(jīng)歷讓他意識到一個結構性問題：大語言模型擅長“生成語言”和“回答問題”，但對于人類如何在現(xiàn)實世界中基于視覺形成判斷，AI提供的支持仍非常不足。

2025年1月他從字節(jié)離開，3月注冊公司，7月正式運營，9月上線首款產品Chance AI。

Chance AI以攝像頭為核心交互入口，用戶打開即可拍攝眼前事物，AI實時進行視覺推理。

在實際使用中，它被廣泛用于逛展時解讀藝術品、購物時分析穿搭、識別卡牌與潮玩版本、檢測皮膚狀態(tài)，以及拍菜單、識植物、看寵物等日常探索。曾熙向硬氪透露，目前大部分使用場景由用戶自發(fā)挖掘，而非團隊預設。

Chance AI被用于逛展時解讀藝術品（圖源/企業(yè)）

從技術來看，其Visual Agent在衡量多模態(tài)模型視覺推理能力的權威基準MMMU-Pro評測中取得86.07分，位居世界第一。

今年3月，Chance AI成為Art Central官方AI合作伙伴，這是AI首次進入國際大型藝術展會的“觀看過程”。在現(xiàn)場，觀眾用攝像頭對準藝術品，AI會實時參與觀看，一邊看一邊交流。

AI首次進入全球大型藝術展會的“觀看過程”（圖源/企業(yè)）

支撐這一體驗的是其剛推出的“Live模式”——實時視覺交互系統(tǒng)。與行業(yè)中已有的實時識別不同，其Live模式可以在實時視覺場景中，將知識檢索、內容對比、上下文理解、多能力調度等多種視覺智能能力整合為一個完整的、具備實時響應能力的智能體。

Chance AI上線的Live模式使用場景（圖源/企業(yè)）

截至目前，Chance AI全球總下載量超過20萬，月活躍用戶在4-6萬之間。

曾熙透露，公司目前幾乎沒有進行市場投放，所有增長均來自自然傳播，其核心用戶是25歲以下的年輕人。

談及未來規(guī)劃，曾熙表示，2026年最重要的目標是在北美學生群體中進行更大規(guī)模的擴張。但這不是傳統(tǒng)意義上的市場推廣，而是深入用戶社群，挖掘年輕人真實的使用場景。

與純AI應用層創(chuàng)業(yè)者不同，這位擁有硬件大廠背景的連續(xù)創(chuàng)業(yè)者，從一開始就把“軟硬一體”寫進了產品路線圖。曾熙認為，未來適合他們產品的硬件形態(tài)，應該是一顆包攬人們所有視覺信息的攝像頭。

我們對曾熙做了訪談，聊了聊他對行業(yè)發(fā)展以及技術路線的看法。

以下是訪談節(jié)選：

硬氪：目前很多AI產品都有視覺能力，Chance AI的差異化優(yōu)勢在哪里？

曾熙：我認為接下來很難有一家獨大的AI公司了，大家會分得很開。我們選擇深耕視覺，是因為今天大家還沒關注到，但未來會是主流。

我們的護城河不是模型多強，而是能多快跟真實用戶交互。今天我們自己設計的功能不到20-30%，剩下都是用戶告訴我們的——拍皮膚、看菜單、識別卡牌、吐槽……你要做到這些，必須跟用戶離得足夠近。我們曾經(jīng)在6個小時內滿足了一個紐約大學的潮流文化社團的需求，讓他們能識別特定卡牌。這是Google或OpenAI做不到的。

硬氪：目前APP沒有任何收費內容，未來的商業(yè)模式怎么走？

曾熙：我們目前有三個方向。第一，高級功能訂閱，這是今年的計劃。我們工程能力比較好，成本做得低，所以沒有迫切的收費壓力。第二，硬件授權，我們正在和一些硬件廠商聊，他們投入在硬件很難有時間打磨模型層之上的產品，這是我們擅長的。第三，廣告推薦，但會非常謹慎。對我們來說，優(yōu)先級最高的是先養(yǎng)成用戶習慣——讓用戶看到什么都習慣性地先拍一拍。如果你成為一個入口級的產品，商業(yè)機會自然會出現(xiàn)。

硬氪：你們會自己做硬件嗎？大概什么時候？

曾熙：看行業(yè)情況。當我們判斷供應鏈成熟以后，一定會奮不顧身地殺進去。但更重要的是，我們不會為了做硬件而做硬件。

我們的本質是視覺推理能力，Live模式只是這種能力的一個展現(xiàn)。我們認為未來的隨身AI硬件一定是一個攝像頭，可以包攬你所有眼睛正在看的東西，然后提供下一步有價值的行動。這是我們跟所有現(xiàn)有產品的本質區(qū)別——我們的起點沒有輸入框，起點就是“看”。