他的 AI 实验给你哪些创业灵感？｜和鸭哥聊：给AI加上耳朵、眼睛，用AI买菜、寄快递
摘要
鸭哥的核心判断是，AI 的许多“人工智障”并非模型不聪明，而是人类像糟糕的 PM 一样不给 context、事后却不断补需求。 把 AI 当下属后，关键变成管理：交代背景、确认理解、解除阻塞、验收质量；信息不足却要求它必须 helpful，反而容易逼出幻觉。“很多时候这不是它的错，是我们的错。”
在鸭哥的实践中，语音成了释放 AI 能力的高价值入口，因为它把几百、上千字 prompt 从负担变成常态。 鸭哥用 GPT-4o Realtime 做语音输入法，摩擦降低后，AI 不仅能理解项目历史，还能代入 VP、老板和同事的利益给出组织层建议；他的体感也从“你是我的小弟”变成“AI 是我大哥”。
鸭哥探索的个人 Agent 不只是更大的模型，还要有耳朵、眼睛和长期记忆。 他用 Apple Watch 连续录音两个多月，再把转写存入自建数据库；又用 Insta360 GO 每两分钟拍 15 秒，两周积累约 2 万张图，并通过本地通义千问 2.5-VL、传统机器学习和 Gemini 完成隐私过滤、聚类与分析。“我们不要平时不烧香，临时抱佛脚，而是把 AI 邀请进我们的生活。”
当上下文持续存在，AI 的交互入口可能从“用户主动召唤”转向主动介入与回溯式调用。 鸭哥设想 AI 在他说错“法国首都是伦敦”时立刻纠正，或在按键后回溯读取此前一分钟；主持人补充 Proactor AI 的全天监听产品，但商业难点同样明确：海量数据如何处理，以及如何分辨“用户需要”与“用户被打扰”。
ChatGPT Operator 从 GPT-4o 升级到 o3 后，让鸭哥感到 AI 从“嘴炮”长出了手脚。 它读取历史订单、搜索并添加商品，把一次买菜从二三十分钟压到约五分钟；寄包裹时也能根据地址、尺寸、“选 USPS、不要保险”等自然语言完成繁琐表单，只把付款动作留给用户确认。
鸭哥把节省时间称为“赛博长生”，其核心是把低价值 GUI 操作换成高价值的人类判断。 网上买菜若多花 20 元却省下 55 分钟，在他看来就是“花二十块钱买了五十五分钟的命”；但主持人的反例也成立——喜欢逛菜市场的人并未浪费生命，Agent 的价值应是提供“时间置换”，而非规定什么体验值得保留。
鸭哥看好 Agentic AI，认为下一轮机会既在补齐记忆、工具和主动性，也在解决依赖、隐私与身份边界。 他认为 ChatGPT 产品能力领先 Gemini、Claude“两三个身位”，同时又讨厌巨型 App，于是自建带 transparency、可干预推理和工具复利的 workbench。更深的风险是：当 AI 比亲友更懂你、替你做出更理性的决定，“这是我在活，还是 AI 借着我这个躯壳在活？”
精读
1. 鸭哥追求的起点，是能力边界的扩张
鸭哥本职是在 Samsara 做 Computer Vision 的 Applied Scientist，本科就读中国科大，之后在 Columbia University 读博士；业余对 Agentic AI 的连续实验，则来自一种更早、更稳定的性格底色：“追求一种体验。”
他考过飞机、挖掘机和机动船舶驾照，也做天文、显微和多波段摄影。共同逻辑不是炫技，而是“我不会飞，所以想知道自己掌控往哪飞是什么体验”；工具让人看见极小、极远，以及肉眼看不到的紫外线和红外线。
AI 因而只是这条路径的延伸：飞机扩展移动能力，相机扩展视觉，Agent 扩展记忆、判断与执行。鸭哥相信生命最终带不走什么，所以更愿意问：“为什么不尽力地去体验这个世界呢？”
2. “人工智障”经常暴露的是管理失败，而非智力不足
鸭哥把失败分成两类：一种是模型确实不够聪明，例如算术做不好；另一种是答案本身合理，但用户像“不好的 PM”一样不断说“刚才忘了告诉你这个”，最后把需求变化归咎于 AI。
他用新员工类比：一个清华北大毕业的新人可以很聪明，却不知道公司的历史和隐性规则；如果只收到一句任务描述，交出“教科书级别但落不了地”的方案并不奇怪。缺少背景时，失败首先是 manager 没尽责。
这也解释了部分幻觉：模型被训练成“I am a helpful AI assistant”，但用户既不给足信息，又要求立即 helpful，它只好补齐空白。鸭哥的归因很直接：“很多时候这不是它的错，是我们的错。”
3. 语音把上千字 prompt 变成常态，也把 AI 从小弟变成大哥
鸭哥开始在任务中补齐项目背景、做过的实验及不满意原因，结果明显改善；真正的瓶颈却是输入——动态项目可能需要几百、上千字，而手打尤其在手机上“太痛苦了”。
他的解法是一个“Built for AI, by AI”的语音输入法，底层使用 GPT-4o Realtime。说一两分钟即可形成几百字，五分钟能到上千字；摩擦降低形成正循环，他因此更愿意把复杂任务交给 AI。
Whisper 虽是顶级语音识别模型，鸭哥仍认为效果不如 GPT-4o Realtime。他解释，GPT-4o 是 LLM，而 Whisper 背后的 language model 较小；GPT-4o Realtime 又是原生处理语音的模型。ChatGPT 也在灰度语音输入功能，并探索会议录音后的总结与问答入口。
最有价值的变化发生在公司项目里：当 AI 知道老板偏好、同事反感点和既往尝试，它会分析“VP 会怎么想”“老板如何拿方案向上汇报”。这些建议事后确实奏效，于是关系从“你是我的小弟”倒转为“AI 是我大哥”。
4. 长期记忆的起点，是让 AI 浸润生活而非临时补课
每次 LLM inference 本身都上下文独立；即便 ChatGPT 有个性化记忆，鸭哥也觉得当时做得不够好。于是聊同一项目要反复讲历史，规划周末也要重新介绍家庭人数、偏好和忌口，脑力被消耗在重复 context 上。
他最初维护静态提示词，家庭偏好尚可复制粘贴，持续变化的公司项目却等于逼自己不断写文档。这个方法违反他的懒惰本能，也暴露出更根本的问题：每次写 prompt，其实都在向一台“被清空记忆”的机器重新表达自我。
思路由此翻转：“不要平时不烧香，临时抱佛脚。”与其在调用时拼命描述自己，不如把 AI 邀请进生活，让日常信息自然沉淀成可调用的长期记忆。
5. Apple Watch 让低摩擦记录成为 AI 的“耳朵”
鸭哥用 Apple Watch 的 Voice Memos 持续录音，文件自动同步至 iCloud，每天调用一次语音识别 API，再把转写写入数据库。旧版固件续航约 8—10 小时，升级 watchOS 26 后只剩 5—6 小时，被他直称“垃圾系统”。
隐私边界建立在具体条件上：他在家工作、戴耳机，录音主要收进自己的声音；整个分析系统又由自己搭建，拥有绝对控制权。若换成第三方商业系统，他承认“有些话可能真的要想一想再说”。
一次开车走神险些撞车后，他不必当场拿手机打开 App，只需直接对手表复盘，并说晚上提醒自己总结。当天 prompt 自动提取待办，事故情境、教训和复盘动作都被 formalize，最终对驾驶技术形成了真实反馈。
更意外的组合效应是：他本来就大量用语音和 AI 对话，全天录音因此没有退化成键盘噪声，而像“一个漏斗”汇集了高密度思考。耳朵记录的不是环境流水账，而是已经被语言外化的意图。
6. 自建 workbench 用 Agentic Retrieval 连接个人数据库
录音转成一堆 txt 文件仍没有价值，鸭哥于是搭了“山寨版 ChatGPT”，同时接入 Gemini、GPT、DeepSeek、通义千问等模型，并给它网页搜索和个人数据库检索等工具。
当他要求“找一下过去几天提到的某个项目”，Agent 会自己判断是否搜索、选什么关键词、搜几次；第一次结果不好，还能换词继续。这与固定流程的 RAG 不同，决策权位于 Agent 本身。
鸭哥把它称为 agnostic workbench：长期数据不必每次人工搬运进 prompt，而成为模型可按需调用的外部记忆。此前录音、转写与存储的投入，到这一层才真正闭环。
7. 两万张第一视角图片，把 AI 的“眼睛”从概念变成数据管线
鸭哥把 Insta360 GO 通过磁吸项链挂在胸前，以 Vlog 模式每两分钟录 15 秒，单次续航约四小时；实验进行两周左右，已积累约 2 万张图片。设备不显突兀，但每四小时充电仍让他不满意。
为延长续航，他把单片机、microSD 卡和 CMOS 相机模组攒在一起，利用深度睡眠，希望一颗小锂电池工作一至三天。项目尚未完全完成，却再次印证开发方式的变化：嵌入式小坑过去要搜半天，现在把报错贴给 AI，“点这个点这个，立马就好了”。
主持人提到正在内测的 Lookie：同样磁吸胸前，隔三至五分钟拍照或录短视频，未来还想自动剪 Vlog。鸭哥并不夸大自己的硬件壁垒，称其为“华强北思路”——现成零件攒起来，主要代码也由 AI 完成。
8. 视觉模型不仅识物，也开始反推健康、职业与兴趣
本地通义千问 2.5-VL 先删除如厕所场景等敏感图，再为每段经历生成未来可能使用的搜索关键词，并判断图片是否 presentable：构图是否可用、是否模糊、是否有人脸，值不值得出现在回忆搜索结果里。鸭哥还计划加入类似 Rewind 的图像搜索引擎，希望五年、十年后回看这些记录时，能获得完全不同的感受。
他没有让生成式 AI 直接决定“代表性”，而是用传统机器学习聚类：大量相似的电脑前编程画面先被合并，再依据图片差异挑出约 200 张代表图，最后交给 Gemini 综合分析。
Gemini 意外指出他的压力、坐姿和手撑脸姿势，也准确推断职业与兴趣。胸前视角可能从弓背后的画面角度读出姿态；这让鸭哥看到“健康观察”这种原本未预期的用途。
模型还从生活物品中认出一台电影摄影机模型的品牌和型号，再由此推断他喜欢摄影。结论本身在意料内，识别精度却超出预期；鸭哥的感叹是：“一图胜千言。”
9. 信息鸿沟抹平后，AI 才可能获得十倍百倍的发挥空间
人类讨论新 initiative，第一反应常是找工程师喝咖啡，而非先写 doc；向老板汇报时看到对方皱眉，也会立即意识到方案可能有坑。AI 没有眼睛和耳朵，就拿不到这些决定协作质量的隐性信号。
鸭哥认为现有社会天然围绕人类设计，因为过去根本没有 AI。若工作与生活被改造成 AI native、至少 AI friendly，持续抹平信息差，AI 在科研和日常中“也许能发挥现在十倍、百倍的能力”；他将其明确保留为可能性，而非既成事实。
这既是产品机会，也是基础设施问题：模型能力未必是唯一瓶颈，谁能低摩擦取得可靠上下文、处理权限与隐私，谁才更可能把聪明模型变成有用系统。
10. 主动式 AI 可能绕过发送按钮，但“别打扰我”是核心产品约束
今天所有 AI 都要求用户先表达意图：ChatGPT 要按发送，“Hey Siri”要先唤醒。鸭哥设想 AI 能主动介入——若他脱口说出“法国首都是伦敦”，系统应立即提醒是巴黎，而不是等他事后主动核查。
更远的形态是一副 XR 眼镜：汇报时像“战斗力显示器”一样，在每个人头上显示偏好、说服策略和下一段提纲。现在的实验按天 reflection，未来的外脑可能“以秒为单位指导我们”。
Koji 补充了身边的 Proactor AI 团队：全天实时监听，主动识别用户何时出现需求，并争取先一步解决。真正的商业挑战是，一万、十万乃至百万用户的数据如何处理，以及系统如何判断此刻是在帮助还是打扰；连续误判几次，用户就可能关闭并停止续费。
鸭哥还提出回溯式调用：录音一直存在，按键不是“现在开始说”，而是截取此前一分钟交给 AI，询问能做什么。主持人进一步转述团队判断：“AI 需要的 context，有时不是过去和此刻，也可能是未来的 context。”
11. Operator 让 AI 从“嘴炮”长出手脚
鸭哥最初觉得基于 GPT-4o 的 ChatGPT Operator 很难用；升级到 o3 后，体验明显改善，开始能承担浏览器里的具体劳动。关键变化不是更会聊天，而是能把自然语言意图翻译成连续 UI 操作。
买菜时，他让 Operator 先读 Instacart 或 Weee 的历史订单，识别每种菜常买的品牌，再搜索并加入购物车，有时还会推测哪些菜可能用完。最终流程是按一下按钮，Agent 完成添加但不付款，他删除误选后确认结账；耗时从二三十分钟降到约五分钟。
寄包裹同样从繁琐表单变成一句话：粘贴地址、报尺寸，再说“选 USPS，不要保险”。Agent 在后台点击约五分钟，最后提示“点好了，你去买单吧”，把付款动作留给人。
鸭哥的概括很形象：以前 AI 更多是“嘴炮”，双方在网上讨论、仍由人执行；Operator 则让它开始“长出手脚”。这类任务不起眼，却最容易用节省的分钟数证明价值。
12. “赛博长生”不是永生，而是时间与能量的置换权
鸭哥所说的赛博长生，不是肉体永生或上传意识，而是同样寿命里做更多自己愿意做的事。若网上买菜花 120 元、去超市只要 100 元，但前者五分钟完成、后者耗费一小时，他把差价解释为“花二十块钱买了五十五分钟的命”。
主持人的反驳值得保留：有人本来就享受菜市场或 Costco，省掉这段体验并非延寿。鸭哥接受这个修正——喜欢逛超市的人可以保留它，再从不喜欢的环节买回时间；更准确的名称是“时间置换”。
他又把指标从生命密度扩展到生命质量：若 AI 接走调研、填表和“擦屁股”的活，人只处理挑战、决策和享用结果，能量自然更高。省下来的时间即使只是陪家人、打游戏或什么都不干，也仍属于本人。
13. GUI 正可能变成 Agent 可以绕过的摩擦层
GUI 当初让普通人不必学习命令行，会点鼠标就能调用电脑；但买菜和寄件时，大量搜索框、下拉菜单与文本框反而成为障碍。自然语言 Agent 代替人操作 GUI，是这段历史颇讽刺的反转。
鸭哥没有断言具体替代形态已确定，只看到交互空间正在打开：Apple Watch 的手部 tap、细微手势、甩手引起的 IMU 变化，以及未来 XR 眼镜，都可能成为比传统点击更轻的输入。
他也没发现一个“充满亮点的综合性产品”；真正让他兴奋的是 ChatGPT 这个 umbrella 下的 Codex、Operator 等单项能力。AI 编程带来的更大变化，是用户不必苦等厂商命中需求，而能把自己的想法“灌注”进现有产品，做出个人魔改版；他还联想到早年为满足用户需求而出现的魔改 QQ。
14. 下一轮价值在 Agentic AI，也在学会管理 AI 的人
Manus 仍是鸭哥在离开电脑时做计算和调研的常用 Agent。购买 Best of Panama sample box 前，他花约 30 秒描述需求，让 Manus 按去年各批次拍卖价折算每份 100 克的价值；约十分钟后得到带中间过程的网页，发现折算价值显著高于今年售价，于是决定购买。
AI 也重塑了他的工作产出：每天本职工作约两到四小时，很多代码由 AI 写，但提交行数仍在全公司前四；他说“当然前四就是第四了，呃，三啊”，并强调工作成果确实比较多。他把体力环节交出去，自己保留最有挑战、最需要拍板的部分，这也是其高能量状态的重要来源。
对行业变化，鸭哥有两个判断：AI 的进化速度没有减慢，六个月前也想不到 Claude Code 等工具会如此成熟，以及 Facebook 会开出 1 亿美元的招聘 bonus；Agentic AI 则正在成为潮流，他“非常坚信”这是正确方向，但没有点名唯一赢家。
产品上，他个人认为 ChatGPT 比 Gemini、Claude 领先“两三个身位”，又讨厌如此庞大的 App；他也喜欢 Manus、Cursor、Trae。自建 workbench 因而强调 transparency、允许人干预过程，并通过 YouTube 转录、个人数据库等工具形成“工具的复利效应”。
给工程师的最终建议不是多背 prompt 技巧，而是“不要把 AI 当成工具，要把它当成下属”：布置背景、确认理解、解除阻塞、验收交付。AI 不需要画饼、升职或 one-on-one，却格外需要 context 管理；这是一套“与管理人很像、又很不一样”的新技能。
对下一代，鸭哥同样把重点放在管理能力上。他的孩子三岁多，目前主要用 ChatGPT 听故事、用 Manus 生成夹带“要好好吃饭”等私货的睡前内容；长期看，他认为识别哪些任务可委托、哪些是 core competency、怎样评价 AI 产出，比早两年学会五位数乘法或“背八百首唐诗”更重要。
但效率并非没有代价。鸭哥写的微小说里，疲惫的丈夫需花不同 AI 预算点购买安慰妻子的方案，却因下周工作会议只能选最便宜的一档；技术越有效，“这是我在活，还是 AI 借着我这个躯壳在活”的边界就越模糊。他承认可能失去的是放空和闲暇，也愿意让死后仍保存的数字记忆继续与人对话——“Why not？”