亚洲当代艺术博览会上，一款 AI 产品成了特殊的 “解说员”：观众举起手机对准画作，无需输入任何文字，AI 就会自动解读作品的创作逻辑与背后故事。这不是普通的视觉识别工具，而是 Chance AI 推出的全球首款视觉 Agent 产品 —— 它打破了 “输入框交互” 的传统模式，让 “拍照即沟通” 成为现实，更在视觉理解核心基准测试 MMMU 上以 86.07% 的准确率超越人类评分（85.4%），登顶世界第一。
这款由前字节、一加、OPPO 产品老兵曾熙创办的产品，凭借认知科学 PhD 的独特视角，精准击中 Z 世代的视觉交互习惯，上线后吸引 20 万用户（15 万为 25 岁以下年轻人），更获得 AK、Robert Scoble 等硅谷 AI 大 V 的点赞转发。它不只是一款 App，更是曾熙口中 “人类最直觉的操作系统”，正在重新定义 AI 与现实世界的交互方式。
从输入框到相机：视觉 Agent 的颠覆性交互
打开 Chance AI，看不到常见的输入框，整个界面只有一个醒目的相机入口 —— 这是产品最核心的设计逻辑：“让 AI 先看懂，再开口”。创始人曾熙认为，人类认识世界的本质是 “视觉优先”，很多时候我们看到一个事物，还没想好怎么用语言描述，好奇心就已产生。Chance AI 要做的，就是捕捉这种直觉式需求，让 AI 成为参与用户 “看世界” 过程的主动伙伴，而非等待指令的被动工具。
这种交互模式彻底区别于两类传统产品：
-
与 Google Lens 等视觉识别工具相比：后者聚焦 “是什么” 的描述层面，核心目标是导流搜索或交易（比如找同款、查价格）；而 Chance AI 专注 “为什么” 的解释层，会挖掘事物背后的文化、历史与情绪价值。比如看到一款厨房料理机，它会告诉你 “这是乔布斯童年常用款，影响了 iPod 的设计理念”；面对潮玩，它能解读其承载的情感符号，而非仅描述材质。
-
与普通 ChatBot 相比：通用大模型的视觉能力只是附加功能，核心仍围绕输入框展开；而 Chance AI 以视觉为起点，每张图片就是一个对话主题，后续追问都围绕该场景的上下文展开。比如拍一套穿搭，AI 会记住你之前试穿的款式差异，判断你是否在纠结场合穿搭，给出针对性建议。
曾熙团队曾尝试在首页加入输入框，结果导致用户失焦，长期留存反而下降。这一经历更坚定了他们的方向：“视觉才是最直觉的交互方式，输入框会打断这种自然感”。
为 Z 世代而生：视觉驱动的生活方式伴侣
Chance AI 的核心用户被定义为 “艺术的生活家”—— 他们多是艺术学院或文理学院的学生，习惯用表情包、图片、视频沟通，追求感性体验与独特氛围（Vibe），而非理性参数。这群 Z 世代用户的使用场景充满多样性，且呈现明显的地域特征：
-
美国用户：聚焦穿搭购物、化妆品、潮玩，热衷通过 AI 获取风格建议；
-
欧洲用户：偏爱艺术品、建筑、书籍封面，甚至会拍摄外语书籍封面让 AI 解读内容；
-
拉美用户：沉迷神秘学，拍手相、面相判断当日运势，并结合穿搭选择首饰颜色。
产品之所以能精准契合 Z 世代，关键在于它不是效率工具，而是 “lifestyle 视觉伴侣”。数据显示，用户单次核心任务流的交互时长达 6.4 分钟，平均每轮会进行 3-5 次对话 —— 他们用它给球星卡生成电子证书分享到社交平台，用它在圣诞节给伴侣挑礼物，用它给落日照片匹配 City Pop 风格的背景音乐，甚至用它整理昆虫标本收藏，让 AI 自动分类并关联产地信息。
这种非效率场景的价值，恰恰避开了大厂的辐射范围。曾熙坦言：“这些小众需求大厂不会做，但我们离用户足够近，能快速把他们的需求转化为功能”。而校园计划的口碑传播，也成为产品增长的核心动力 —— 通过赞助学生活动，让年轻人在逛展、探店的过程中共同使用产品，分享发现的乐趣，形成自然的传播闭环。
技术内核：复刻人类看世界的视觉工程架构
Chance AI 能在 MMMU 测试中超越人类，核心并非依赖单一强大的 VLM 模型，而是独创的 “视觉工程架构（Visual Harness Engineering）”—— 它复刻了人类认知世界的四步链路：信号采集→信号传递→视觉皮层处理→大脑决策，将不同环节拆开用专属模型处理，而非让一个模型包揽所有工作。
这一架构的优势在实践中尤为明显：
-
多模型协同：每个节点最多可调用 6-8 个模型，根据场景灵活选择云端或自研微调模型。比如识别衣服时，会调用能抓取 Instagram 趋势标签的 Skill，确保风格建议贴合潮流；
-
视觉记忆存储：摒弃纯文本记忆的低效模式，将图片压缩为 100x100（模型沟通）、500x500（思考过程）、原尺寸（用户展示）三个层级。这种以低像素图片为载体的记忆方式，不仅沟通效率更高，还能精准捕捉文字无法描述的 “氛围感”；
-
意图收敛机制：用户拍照时可能没有明确意图，但 AI 会通过 80%-90% 的概率预判核心需求（比如拍衣服大概率是想知道是否适合自己），再通过多轮交互逐步收敛意图。比如男生拍女装，AI 会通过后续对话判断是给伴侣挑礼物，而非自己使用。
曾熙透露，团队曾走过 “用一个模型解决所有问题” 的弯路，最终在认知科学的启发下明白：“人类不会让眼睛同时承担思考功能，AI 也不该如此”。这种工程化的拆解思路，让 Chance AI 即便使用开源 VLM，也能实现超越专属大模型的效果。
未来图景：从 App 到下一代 AI 操作系统
在曾熙的规划中，Chance AI 的终极形态不是一款 App，而是像电影《Her》中 Samantha 那样的操作系统 —— 它能与 AI 硬件无缝融合，成为人类与世界交互的自然入口。而要实现这一目标，还需突破三大卡点：
-
基础技术：VLM 需实现更低成本、更实时的交互，达到电影中 “即时响应” 的体验；
-
硬件成熟：Meta Glasses 等设备虽已售出 200 万台，但距离手机级别的普及仍有距离；
-
用户习惯：让习惯文本交互的大众用户，接受 “与 AI 一起看世界” 的新方式。
尽管前路仍有挑战，但团队已明确方向：先搭建好视觉思考的 “大脑”，再逐步切入硬件领域。曾熙表示，做硬件对团队而言是舒适区 —— 核心成员拥有丰富的消费电子经验，但当前阶段的重点是打磨核心能力：“现在的 AI 硬件只能告诉你‘这是黑色圆柱形物体’，我们要做的是让它理解用户看到物体时的真实需求，这才是有价值的交互”。
而短期目标，是将用户从 20 万提升至 100 万、500 万。增长路径并非靠投流买量，而是先打透穿搭、旅行、购物等核心场景，再通过内容与社交扩散 —— 比如穿搭场景的一键生成 Instagram Story 功能，就是为了降低用户的分享门槛，让产品自然融入 Z 世代的社交生活。
结语：视觉交互的下一个时代
当大多数 AI 产品还在围绕文本交互内卷时，Chance AI 已经开辟了视觉 Agent 的新赛道。它证明了 AI 与人类的交互，不止于 “你问我答” 的输入框模式，更可以是 “你看我懂” 的直觉式陪伴。
曾熙说：“人类用几百万年形成了视觉优先的认知习惯，这是不变的；我们要做的，只是让 AI 跟上这种习惯”。而这款为 Z 世代而生的产品，或许正在悄悄改变 AI 的形态 —— 从解决效率问题的工具，变成丰富生活体验的伴侣；从依赖文本的交互，走向融合视觉、语音、情感的全维度沟通。
随着硬件的成熟与用户习惯的养成，视觉 Agent 或许真的会成为下一代操作系统的核心。而 Chance AI 的探索，已经为这场变革写下了关键的开篇：AI 的未来，始于 “看见”。