Jay depuis 凹非寺 Quantum Bit | compte public QbitAI
Siri dans le cœur de Jobs, cette fois-ci peut-être vraiment est entrée en réalité.
C’est comme ça —
Pour l’instant, laissez de côté les autres choses, et enfin un produit AI de esthétique sur Line vient d’arriver. Cette interface est vraiment agréable à regarder…
Mais les plus grands viennent après.
Cette assistante vocale est vraiment magique.
C’est comme si on avait un secrétaire personnel ; en buvant du café et en mangeant du pain, on écoute ses rapports sur les nouvelles importantes de la journée.
C’est vraiment très humain. Même si vous interrompez en cours de route et lui confiez une tâche, comme « Aidez-moi à répondre à un e-mail », il ne se retrouvera pas dans un silence embarrassant.
C’est vraiment comme dans le film « Her »Samantha, ah.
C’est absurde. Si c’était il y a cinq ans, on ne pouvait voir ce genre de scène que dans les cinémas.
Après avoir travaillé dans le domaine de l’IA pendant si longtemps, chaque semaine les principales entreprises se mettent en retrait sans arrêt, et de nouveaux concepts innovants apparaissent fréquemment : contrôle via Blender, robots de降维, résolution des problèmes du millénaire…
Mais, honnêtement, je n’ai jamais trouvé ces choses particulièrement excitantes.
Trop éloigné des gens ordinaires. La vie réelle de la plupart des gens ne subirara aucune modification, même minime, dans un court laps de temps, en raison de ces avancées de pointe.
Mais après avoir utilisé ce produit de manière intermittente pendant près d’une semaine, toutes mes rêveries romantiques concernant l’ère de l’IA se sont soudainement matérialisées.
J’ai même l’impression que——
C’est peut-être, jusqu’à présent, l’assistant AI le plus proche d’un film de science-fiction, qui correspond à toutes mes fantasmes romantiques.
Son nom est Orilo.
Agent personnel embarrassant
Le concept de Personal Agent a récemment été largement promu.
La croissance de Muse a un instant dépassé celle de GPT ; Agent est passé complètement d’un outil de productivité appartenant aux geeks à un produit destiné au marché grand public.
Mais pour être honnête, la plupart des expériences ne sont pas meilleures que celles du « crabe de mer » au début de l’année...
Je ne sais pas comment vous allez, mais moi, pendant les premiers jours où j’ai reçu le code d’invitation, j’ai eu un sentiment de nouveauté, et pour la première fois, j’ai donné à l’application les droits de notification.
Ensuite, il n'y a plus rien après ça.
Tirer au clavier est vraiment exigeant. Plus contre nature, c’est encore le mécanisme de push actif : un petit tremblement dans la poche, je pensais qu’il s’agissait d’une notification urgente WeChat, mais en sortant mon téléphone dans le métro, j’ai vu que Muse me rappelait une liste de tâches qui aurait dû être expirée il y a huit cents ans…
À ce moment-là, je suis resté… sans voix.
Donc, je pense toujours que le marché du Personal Agent, les solutions existantes jusqu’à présent, sont encore très incomplètes.
La plupart des agents personnels se retrouvent dans une impasse fatale. Je l'appelle « un bas, deux hauts » :
- La fréquence d'utilisation est extrêmement faible.
Que ce soit pour réserver un billet d’avion ou annuler un abonnement à la streaming, cela semble vraiment cool. Mais, pour une telle tâche complexe, combien de fois par mois pouvez-vous en rencontrer ?
Pour une affaire aussi rare, je dois encore m’y adapter pendant un bon moment. Pourquoi n’ai-je pas fait le choix simple en un clic ?
- La friction interactive est extrêmement élevée.
Lorsque vous conduisez, faites la vaisselle, cuisez des plats ou courez, vos mains et votre regard sont entièrement occupés.
À ce moment-là, un petit choc dans la poche te fait arrêter, sortir ton téléphone pour taper et discuter de logique avec l’IA… C’est possible ?
- Les coûts d’exploitation sont extrêmement élevés.
Chaque fois que le modèle de grande taille est appelé en arrière-plan, tous ces scénarios nécessitent des appels à outils très complexes. Chaque cycle consomme de l’argent réel.
Cette structure de coûts, appliquée aux produits de consommation, voudrait être généralisée à grande échelle, c’est essentiellement un rêve inatteignable.
Le techno-primitivisme a dominé cette industrie pendant trop longtemps. Mais pour un produit comme un partenaire personnel, il ne suffit pas de avoir de grands paramètres de modèle et de bon scores de benchmark pour gagner.
L’agent de la prochaine génération qui survivra,doit pouvoir pousser discrètement et à haute fréquence dans la vie quotidienne.
La voix est le véritable point d’entrée
C’est aussi ce qui m’a le plus touché dans le produit Orilo.
Il a trouvé une nouvelle solution qui correspond parfaitement à l’intuition.
Voice-first, priorité au voix.
Pourquoi dis-je que la reconnaissance vocale est très importante pour les produits destinés aux clients côté C ?
C’est la manière d’interaction la plus naturelle pour les êtres humains.
Le texte a été inventé bien après l’apparition du langage, et son principal usage est également la transmission de connaissances. Pour les interactions quotidiennes, il n’est en réalité pas indispensable.
Pensez-y, dans la vie, il y a souvent des moments où il n’est pas facile de lire des informations écrites. Conduire, cuisiner, s’occuper des enfants…
Plus important encore, lorsqu’on parle, on révèle inconsciemment plus de contexte personnel (Conversational Context).
Vous ne direz pas simplement « Aidez-moi à réserver un billet ». Vous pourriez dire : « Réservez-moi un billet pour Shanghai, mercredi prochain, près de l’hôtel de la dernière fois, et cette fois, le budget est plus limité. »
Ces informations « spontanées » ne se trouvent dans aucun connecteur, mais elles sont essentielles pour comprendre une personne.
Mais cela ne suffit pas.
Il y a beaucoup de marchés où la voix peut être utilisée. Pour un nouveau produit AI, il est nécessaire de trouver une application killer.
C’est aussi ce que je trouve très intelligent chez Orilo : ils ont trouvé une approche délicate –
Matin.
C’est l’endroit où la fréquence de traitement des informations est la plus intense au cours de la journée d’une personne.
Vient de se réveiller, le cerveau est confus, et j’ai désespérément besoin de savoir ce qui se passe dans le monde extérieur, ainsi que comment organiser les événements actuels.
Mais par hasard, à ce moment-là, vous tenez une brosse à dents ou une tasse de café.
Orilo s’adresse principalement à ce problème.
Libérer complètement les mains, jeter l'appareil de côté, la personne ne doit recevoir les informations que par voix.
Pendant cette période, si vous avez des demandes, exprimez-vous directement par voie vocale à l’IA.
Les larmes ont coulé, les gens, enfin il y a une équipe qui ne reste pas assise sur un fauteuil ergonomique avec les jambes croisées, et qui ne se plonge pas dans l’imagination des problèmes des utilisateurs.
Et en ce qui concerne l’interface utilisateur, je pense que c’est vraiment excellent.
Enfin, il ne reste plus de boîtes de dialogue uniformes ni de barres d’outils sur toute la fenêtre...
La forme est comme une goutte d’eau. De plus, elle est connectée au gyroscope physique du téléphone : lorsque vous penchez le téléphone, elle glisse lentement sur l’écran, comme une véritable goutte d’eau.
(ps : C’est ainsi que devrait ressembler un produit pour les clients C, faites attention, professeurs !)
En ce qui concerne les scénarios pratiques, je dirai trois points qui m’intéressent le plus –
- Le journal du matin qui vous appartient uniquement
En termes simples, c’est une transmission rapide d’actualités, et Muse possède également cette fonctionnalité.
Mais pour être honnête, ma fréquence d’utilisation personnelle n’est pas élevée. Après tout, il s’agit essentiellement d’une promotion forcée basée sur des tags d’intérêt, et en réalité, c’est toujours un flux d’informations rempli de contenu inutile.
Orilo a complètement changé sa logique.
Il ne se contente pas de observer ce qui se passe, mais il réfléchit aussi à ce que cela signifie pour vous.
Par exemple, vous vous intéressez beaucoup à Anthropic, mais d’après les conversations historiques et la mémoire à long terme, vous êtes en réalité plus préoccupé par la réorganisation de la chaîne de valeur de l’écosystème des grands modèles.
Donc, tôt le matin, lorsqu’il te diffuse les dernières informations sur les financements, il inclut par hasard un ensemble de commentaires personnalisés basés sur ta perspective professionnelle.
C’est complètement un analyste de l’industrie de premier plan qui se tient à côté de ton lit, buvant du café et discutant en privé avec toi.
- Je veillerai attentivement aux informations longues de queue
Nous avons trop de choses à suivre chaque jour : une petite entreprise inconnue, un match de Ligue des champions, ou un podcast qui n’est plus diffusé depuis longtemps.
Mais l’attention humaine est extrêmement limitée ; qui a le temps de vérifier manuellement la barre de recherche tous les jours ?
Maintenant, il suffit de parler pour donner un ordre.
Il se tiendra en arrière-plan 7×24 heures pour vous informer depuis les sources d’information, et dès qu’il y a un indice, il vous rapportera activement au moment opportun.
- Une chaîne d'opérations en boucle avec une phrase
Bien sûr, plus de possibilités réside encore dans la capacité d’obtenir le contexte au-delà des sous-domaines des applications.
Comme les autres Personal Agents, Orilo dispose également d’une entrée pour connecteurs, avec quelques plugins standard intégrés.
Par exemple, en utilisant l'e-mail.
Je écoute le journal d’information matinal, et soudain je me souviens que je n’ai pas encore lu les e-mails de travail de ce jour.
Veuillez me montrer mon e-mail.
Orilo se connectera naturellement à Tool Call, et en deux ou trois secondes, les informations importantes seront extraites :
Collega A a dit que le PPT pour la présentation du mardi prochain nécessite une mise à jour de ta part.
Bien sûr, la capacité de suivi actif existe également.
Par exemple, le matin, l’enfant reçoit soudainement un e-mail de l’école indiquant que l’heure de fin des cours est avancée à trois heures de l’après-midi. Après avoir reçu cet e-mail, Orilo dira une phrase en passant pendant la pause de conversation vocale avec vous :
L’école des enfants est finie plus tôt aujourd’hui. Voulez-vous que je vous ajoute un calendrier ?
Pendant que tu mets du dentifrice, tu réponds d’une manière confuse :
Ajoutez-le, et prévenez-moi une demi-heure à l’avance.
Terminé.
De « Capture d'informations importantes » à « Exécution de tâches interappli », les deux phrases s’enchaînent sans interruption.
Comparer les concurrents actuels pourrait être plus clair.
Faisons passer le message par Muse ; l’interface fait souvent un like, mais il n’y a personne pour répondre, et il met plus de vingt secondes avant de revenir.
Quelle a été ma réaction à l’époque ????
La pression sanguine est instantanément maximale.
Bien sûr, étant donné qu’il s’agit d’un produit initial, j’ai aussi un point à critiquer.
Pourquoi seulement l'anglais est-il supporté ? 😭！！！
Pour la première fois, j’ai ressenti l’importance d’apprendre l’anglais. Mes amis, c’est seulement lorsque j’ai vraiment besoin de dialoguer en anglais complet que je réalise cela :
En fait, je ne suis qu’un simple personne qui a appris quelques milliers de mots en anglais pour les examens universitaires o(╥﹏╥)o.
Si l’on ne peut pas choisir sa langue maternelle, cela affecte vraiment l’efficacité de l’échange d’informations.
Bien sûr, il est aussi possible que ce soit parce que le modèle de voix chinois n’est pas encore très mature.
Comment faire en sorte que l’IA parle et fait des choses ?
Après avoir discuté de l’expérience, parlons un peu du niveau fondamental.
Pourquoi les conversations en temps réel d’Orilo ne bloquent-elles pas du tout ?
En réalité, les équipes qui travaillent actuellement sur des agents vocaux sont presque rendues folles par un même point faible physique : la raisonnement profond et le délai ultra-bas, qui s’annulent naturellement.
Dans le secteur, il y a deux tendances principales :
- Solution audio native entièrement native : l’audio entre et sort directement. La vitesse est extrêmement rapide, et l’émotion est très riche et naturelle. Mais le défaut majeur est que la logique de raisonnement est trop faible ; les tâches un peu complexes entraînent directement une panne.
- Architecture en cascade (ASR-LLM-TTS) : d’abord transcription, puis réflexion par le grand modèle, et enfin synthèse vocale. L’intelligence est suffisante, mais les retards commencent à 1,5 à 2 secondes. Ce n’est pas du dialogue, c’est comme parler via un intercom.
Dans l’interaction homme-machine, il existe une ligne rouge psychologique extrêmement cruelle : dès que le retard de la voix dépasse 1,5 seconde et que l’autre personne ne répond pas, cette sensation réelle de « communiquer avec une entité intelligente » disparaît instantanément dans votre tête.
La solution de rupture d’Orilo consiste à décomposer complètement, sur le plan architectural, la « couche d’interaction » et la « couche d’exécution », créant ainsi un réseau à double niveau.
- Étage front-end : Un modèle de parole léger à très faible latence est installé, chargé spécifiquement de la réception rapide des paroles et de la capture des émotions, garantissant que toute interruption ou réponse se produise en un instant.
- Étage back-end : Un agent à haute capacité de raisonnement lent qui lit les e-mails, ajuste les interfaces et vérifie le calendrier en silence derrière les arbres.
Cette approche double niveau est en réalité utilisée dans le secteur, et OpenAI a mis en place GPT-Live dans une direction similaire. Mais tout le monde est tombé dans le même piège :
Pendant ces quelques dix-sept secondes où le back-end se dépense à courir des tâches, le front-end et l’utilisateur se regardent fixement. Que faire ?
J’ai utilisé GPT pour répondre à un e-mail, il a joyeusement répondu « d’accord », puis tout mon téléphone est resté en silence pendant deux minutes entières.
J’ai juste été perplexe : Ce n’est pas normal, tu travailles ou tu es en panne ?
Cet océan noir interminable où « la conversation est terminée et les actions ne donnent aucun résultat » est vraiment insupportable.
Et Orilo a résolu cette question de manière intelligente grâce à un stratagème au niveau du produit.
Il confère au modèle de parole en front-end la capacité de gérer l’ambiance en travaillant tout en discutant.
Lorsque tu le laisses créer les emplois du temps en arrière-plan, il déplace les tâches du serveur back-end tout en ne perdant pas une seconde, et continue à parler de l’actualité dont nous avons discuté précédemment comme si de rien n’était.
L’interaction complète ne connaît pas une seule seconde de silence absolu. C’est comme un administrateur expérimenté dans la réalité : d’un côté, il tape sur le clavier au bureau pour réserver un billet, et de l’autre, il parle avec vous des potins du secteur, sans jamais perdre de temps.
Lors de mes tests, j’ai également découvert un détail très intéressant : lorsqu’il a besoin de réfléchir légèrement, il utilise de manière extrêmement naturelle des mots comme « hmm…… » ou « uh…… » pour combler les espaces.
Bien que l’on entende souvent que la sensation entre humain et machine soit évidente, c’est au moins mieux que subir la « violence froide » de l’IA.
Les paroles ne suffisent pas, les données le confirment également.
Dans le cadre de l’évaluation industrielle appelé Full-Duplex-Bench, le comportement d’Orilo est très remarquable.
Son point le plus fort est la vitesse à laquelle il se remet en mouvement après avoir été interrompu par l’utilisateur.
Durant seulement 1,08 secondes, c’est le plus rapide dans les tests. En comparaison, GPT Realtime met 1,50 secondes, et Gemini Live est encore plus lourd, prenant 2,62 secondes.
Bien sûr, après mes tests pratiques, j’ai constaté que l’amélioration de l’expérience d’interaction n’est pas sans coût.
Cette construction double couche visant à maximiser la vitesse de réponse entraîne une perte de robustesse.
Plusieurs fois, les interfaces du back-end ne fonctionnaient pas du tout. Pour éviter le vide, la partie front-end a vraiment prétendu sérieusement me dire : « Tout est en ordre ».
Le résultat est que lorsque j’ai ouvert le calendrier – il est complètement vide 😑.
Mais revenons à l’idée générale : cette voie technique devrait être correcte, c’est juste une question de temps.
Baichuan Lianchuang Création et Entrepreneurship
Enfin, comme d’habitude, parlons du groupe de créateurs derrière cela, qui est également très intéressant.
Fondateur Jiao Ke, co-fondateur de Baichuan Intelligence.
Je ne sais pas si des amis ont entendu parler, non. L’an dernier, ils ont sorti un produit appelé « Radio Lai Fu ».
L’essentiel est de créer une station radio AI Daily Brief personnalisée, qui suit la même lignée que Orilo.
À cette époque, les performances étaient assez bonnes : avec une taille d’utilisateurs de plusieurs centaines de milliers, on a atteint un taux de fidélité de 50 % au lendemain et 10 % à 30 jours.
C’est vraiment exagéré.
Donc en réalité, on peut voir qu’ils ont toujours travaillé sur la scène Voice. Tout était déjà clairement indiqué dès le début.
Retourner à Orilo lui-même — comment cette idée est apparue ?
L’expérience de « Laifu » leur a permis de valider un PMF, à savoir la scène « Matinée ».
Mais ils ont rapidement commencé à réfléchir au prochain pas : en plus de fournir une valeur d’information, que peut faire AI+Voice d’autre ?
La réponse est Orilo.
Comme Jiao Ke l’a dit dans une interview, ils voulaient depuis longtemps créer des « personnes » capables de mémoriser et de répondre aux e-mails. Comme le décrit « Her ».
Ainsi, l’apparition d’Orilo peut être considérée comme un saut de paradigme préparé depuis longtemps.
Nous savons également que l'équipe a lancé le projet Orilo dès le début de cette année.
Plus de six mois se sont écoulés, le puzzle est finalement entièrement rassemblé.
Une chose de plus
Enfin, disons encore une chose.
Pour être honnête, du point de vue de l’expérience de vie, les produits internet de la génération précédente étaient vraiment très mauvais.
Dans un sprint effréné, on trompe les utilisateurs sur leur plateforme personnelle, et une fois liés, leur véritable nature se révèle immédiatement, avec une alimentation chaotique d’annonces inutiles.
Mais aujourd’hui, le critère de valeur des nouvelles générations de produits AI semble être en train de changer.
Que ce soit Claude Code, Codex ou Muse, ces nouvelles formes d’agents qui apparaissent un à un agissent en contraire de la tendance générale.
Aider les utilisateurs à récupérer le temps qui a été privé par les produits internet.
Laissez votre attention revenir aux personnes qui vous entourent.
C’est précisément l’objectif de choix d’Orilo pour la stratégie Voice-first.
Il ne cherche jamais à devenir une entrée de super-outil omnipotent ; ce n’est pas la mission des produits d’IA. Par conséquent, il ne souhaite jamais que l’œil de l’utilisateur reste constamment fixé sur l’écran.
Si il y a un problème, on en parle, et une fois résolu, on entre directement dans le sommeil.
Mais cette maîtrise de soi est peut-être la partie la plus précieuse d’Orilo.
Lorsque l’IA ne tente plus d’envahir notre vie, elle deviendra plutôt ce compagnon avec qui vous pouvez discuter quelques minutes chaque matin, au bord du lit, dans la voiture ou dans la cuisine.
De « utiliser » une application, à « cohabiter » un agent.
Une nouvelle relation homme-machine est en train de se développer.
En 2010, Steve Jobs a acquis la société startup Siri, développée par le Stanford Research Institute.
Selon le directeur général de Siri, Dag Kittlaus, c’est Steve Jobs lui-même qui a appelé pour fixer un rendez-vous pour le lendemain, puis il a parlé avec les trois fondateurs pendant trois heures chez lui à Palo Alto.
Apple a dit qu’il voulait intégrer directement Siri dans l’iPhone.
Je veux complètement changer l’appareil mobile… Vous n’aurez plus besoin de cliquer sans cesse ou de taper.
Mais comme on le sait tous, la technologie LLM est arrivée dix ans plus tard que prévu.
C’est encore plus dommage, ton infatigable Siri, qui n’a pas encore pu s’embarquer sur la vague de l’ère de l’IA.
Nous ne pourrons jamais savoir à quoi ressemblerait Siri aujourd’hui, si Jobs était encore en vie.
Mais aujourd’hui, Orilo a publié——
Le chef de la société Q a plongé dans plus de dix ans les diverses idées imaginées pour Siri…
Enfin, il y a un point de départ qui peut être touché.