OpenAI押注音频优先AI剑指下一代无屏设备

来源：市场资讯

（来源：三言科技）

当大多数AI公司还在优化屏幕里的体验时，OpenAI却反其道而行之，正致力于打造无屏设备。据外媒披露，OpenAI新一代音频模型预计于2026年第一季度发布。此前，OpenAI内部重组多个团队，集中资源投向音频AI，并以65亿美元收购由前苹果首席设计官Jony Ive联合创立的io公司，围绕一款始终在线、以语音为核心、完全无屏的消费级设备展开长期规划。这种转向基于一种新的假设：如果AI真正理解用户所处环境和正在做的事，是否还需要屏幕来证明自己的存在。

从动作层面看，OpenAI对音频方向的投入已是一次自上而下的战略重排。相关工作由前Character.ai研究员Kundan Kumar牵头，产品研究主管Ben Newhouse与ChatGPT产品经理Jackie Shannon深度参与，几条研究、产品与工程线被统一拉到同一目标之下，为未来的无屏设备打造真正可用的音频“操作系统”。据知情人士透露，该团队已研发出全新的音频模型架构，在语音自然度、情感表达和回答准确性上都有明显提升，并首次支持实时打断和双向对话，模型甚至可在用户还没说完时作出回应。OpenAI计划在2026年第一季度发布这一代音频模型，用以弥补当前语音模型在速度和可靠性上仍落后于文本模型的短板。

这一技术布局，正好对应着OpenAI更宏大的硬件野心。此前《华尔街·日报》披露的一次内部员工通话显示，Jony Ive与Sam Altman已为首款产品定下清晰方向：它既不是手机，也不是眼镜，而是一款完全无屏的“第三核心设备”，可以放入口袋，或与MacBook和iPhone一起摆在桌面上使用。据了解，该硬件设备很可能是一支“AI笔”。这款设备强调对环境和用户情境的持续感知，而不是依赖任何视觉界面。Altman在内部测试Ive的原型后，甚至将其称为“世界上最酷的科技产品”，并认为这笔交易可能为公司增加1万亿美元的价值。该产品的目标是在2026年底前发货，并计划以“比任何公司推出新产品达到一亿台的速度更快”的速度，达到1亿台销量。总而言之，无论最终以智能笔、智能音箱、桌面设备还是其他形态出现，OpenAI想要的并不是一件新玩具，而是一个在日常生活中地位足以与智能手机比肩的“超级AI助手”。

如果只看OpenAI的硬件计划，很容易把它理解为一次激进的产品实验。但把视角拉远，会发现这是一个更广泛的行业共识。这背后主要有三点原因：第一，屏幕的创新空间正在变窄。过去十年，几乎所有主流交互创新——多点触控、全面屏、手势操作——都已经被消化殆尽。继续围绕屏幕做文章，边际提升越来越小，却越来越昂贵。第二，注意力成为最稀缺的资源。用户的“看屏幕时间”已经高度饱和。再增加一个需要持续注视的设备，只会加剧竞争，而不是创造新的使用场景。第三，AI的角色正在发生变化。当系统从“被调用的工具”变成“持续协助的智能体”，屏幕反而成了阻碍。真正的环境智能，理想状态下应该在后台工作，只在必要时出现。正是在这样的背景下，音频被重新推到舞台中央。它不要求视觉占用，不需要学习复杂界面，更容易融入走路、开车、做饭、聊天这些真实生活场景。这也是为什么，OpenAI、谷歌、Meta、特斯拉正在不约而同地，把“对话”当作下一代计算入口。

无屏，并不意味着更简单，恰恰相反，它把所有复杂性集中在了后台。首先是“何时说话，何时保持沉默”的问题。所谓的轮次控制，需要同时解决语音活动检测、说话人识别、优雅打断以及上下文理解。在嘈杂、多说话人的真实环境中，一次误判就足以消耗用户信任。其次是始终在线带来的电力与算力压力。设备必须依赖超低功耗传感器判断“是否需要唤醒”，而真正的多模态推理则在本地与云端之间动态切换。这要求极端的模型压缩、内存优化，以及对延迟的精细管理。再往后，是隐私与感知范围的博弈。摄像头能提供关键上下文，但也放大了侵入感。物理静音、遮挡机制、清晰可感知的权限控制，几乎决定了这类设备能否被长期接受。音频优先设备失败的原因，往往不是“做不到”，而是在真实世界中不够稳健、不够克制。

OpenAI并非第一个尝试无屏AI的公司。此前，一批背景各异的初创公司也抱有同样的信念，只是成效不一。例如，Humane AI Pin的开发团队也曾在无屏可穿戴设备上烧掉了数亿美元，最终却成了行业反面教材。其失败的教训仍历历在目：响应慢、续航差、价值模糊。市场已经证明，“概念正确”并不等于“体验成立”。不同之处在于，OpenAI同时握有两张关键筹码：一是持续演进的大模型能力，二是Jony Ive对硬件形态与人机关系的长期思考。这无疑给了OpenAI尝试转向无屏的底气：大模型提供了智能与适应性，设计则提供了交互体验和行为规范。然而，真正的考验并不在发布当天，而在第一周、第一月的日常使用中：无屏AI是否真的比手机更快？是否在大多数时候选择不打扰？是否让人愿意把“说话”当成一种默认操作方式？如果答案是肯定的，那么无屏并非退化，而是一种更深的嵌入。如果不是，它只会再次证明：屏幕之所以存在，并非偶然。