最近在垂直领域做智能体项目，客户的要求越来越高，光靠RAG思路满足基本需求已经不够看了——得拿出些让人眼前一亮的东西，才能证明一家公司在AI领域的真本事。于是开始琢磨一些非常规的打法，脑子里突然闪过视频理解模型，又联想到OpenAI去年发布的高级语音模式（Advanced Voice Model），试了一下之后，越想越觉得这是个值得深挖的方向。

简单说说这个高级语音模式：本质上就是和ChatGPT聊天，但可以开启摄像头，也能共享屏幕，就跟平时语音或视频通话一样。听起来挺普通的，对吧？但关键点在于——要是把这套东西用在复杂工作上呢？

举个例子：正在写代码开发一个系统，突然卡在一个问题上不知道怎么处理。目前大多数人的做法是用cursor或者更高级的devin这类Agent工具来辅助修复。但有没有想过另一种可能——开启屏幕共享，让AI实时看懂每一步操作，直接指着卡住的地方提问，让它帮忙改。这就像你搞不定时视频求助大拿，大拿远程一顿操作直接把代码搞定。当然，眼下模型的视频理解能力还没到这个份上，只能处理一些简单任务，但毫无疑问，这种模式一定是未来。

再想象另一个场景：很多工作虽然不完全流程化，但有规律可循、有经验可依。这类工作以后是不是也能用这种模式？比如写一份标书，传统做法需要参考各种格式的资料，还要借鉴历史写法，非得有经验的人才能搞定。目前主流AI做法是基于RAG模式构建一个智能体去生成——无论训练模型还是搭建知识库，实际成本都很高。但如果利用高级语音模式呢？只需要开启屏幕共享，把过去写标书参考的文档和已完成标书给AI看（有点让它“学习”的意思），再把这次所需的参考资料也展示给它，让AI直接生成新标书。只要视频理解模型的能力足够强，这条路完全走得通。

——

未来，随着视频理解模型能力不断增强，会干掉多少现有的智能体和AI产品？恐怕会是一个惊人的数字。以后很可能就是用户开启屏幕共享，和一个虚拟AI人物一起办公。这个虚拟AI人物，会是视频理解能力强的模型、通用领域强的模型、某个垂直领域强的模型三者融合的产物。所以，视频理解模型的前景值得看好，尤其是它引申出的无限使用场景。想到现在一些AI初创企业，真是让人捏一把汗——有些观点会不断被验证：一个更强的新模型，或者模型某个新特性，能轻易碾碎无数创业团队日夜拼搏的成果。