目前 Attention is all we lack

GPT6 Astra大家用了几周，各种玩法应该也被开发得差不多了，现在应该都在期待下周的GPT6 Sol了。

最近我用astra操作blender做了几个建模，很丝滑、很便宜、很快。比如下面这个iPhone Duo的模型，我只给了一句话，5分钟就好了，还是在“轻度”档。

这个初稿还是有BUG。但再搞一会的话，应该就能拿去3D打印了。

所以到今年9月，很多技术类工作所需的核心能力，事实上已经被这代模型和agent的能力所覆盖。

而目前比较缺的，还是人类的注意力。

好消息是，最新这代顶尖模型，以及配套的agent和harness，已经展现出了一定程度的泛化可能。

所以最近，很多学者都在集中研究基于大模型的具身智能新范式，比如astra+π0.5，也就是LLM和VLA的结合。也许曙光就在不远处。

但目前更多的限制其实来自物理层面，比如从数据输入到动作输出，这中间的推理、传输等等环节，都需要时间，加在一起就是机器人行动和用户体验上的明显延迟。

所以快速的、小参数的、可在各种终端灵活部署的“小模型”，一定会是下阶段具身破局的突破口之一。再加上推理计算和通信速度的持续提升，“延迟”这个问题，一定会被解决。

刚才提到，AI的能力基本已经够了，目前缺的，是人类的注意力，也就是有经验的人类，对于AI输出结果的持续矫正和优化，还有上下文的持续补充。

而下一阶段，agent能力进化的方向，正是“补齐人类注意力”。

比如奥特曼在最近的一段访谈里，就描述过他想要的下一代AI：

“在用户选择开放的信息范围内，持续了解用户的屏幕、会议、通话，以及邮件、文档和即时通讯软件。当用户写方案、处理客户问题时，它已经知道事情的来龙去脉，可以主动提出建议、发现问题，或者接着帮人类做后面的事。”

被问到时间，他的判断是“未来六个月左右”。当然，这是他的预期，还不是确定的产品发布日期。

古希腊掌管重置的神Tibo的说法，也许更接近我们日常的agent使用的体验。也是在最近一个访谈里，他提到：

“现在用户还需要管理技能、文件、照顾记忆、安排子agent。而理想中的助手，应该早已理解用户的目标、日常和团队，主动提供帮助，让用户不必一直操心这些细节。”

把这些信号放在一起，我的理解是：

下一代agent，会开始接手今天由人类承担的那部分“持续关注”工作。

也就是agent会开始自己补充相关背景和上下文，记住之前的决定，洞察事情的变化，调整策略和动作，并持续检查结果，再判断什么时候需要找你。

这也让我觉得，未来的人机协作，或者说未来的世界，从高度抽象的角度来讲，也许可以用三个要素概括：

AI、人类，以及连接两者的“连接器／平衡器”。

AI的能力不断增加，但人的注意力依然有限。而中间“连接器/平衡器”这一层，就负责把两边接起来，然后让两边的能力合理分配和互补，产生1+1＞2的效果。

它可能是一副智能眼镜、一个桌面机器人、一部新型手机，或者是一系列的接口，也可能是倡导“一切皆插件”的Deepseek Harness或其他某个agent。

这个“连接器/平衡器”具体长什么样，并不重要。重要的，是它能不能把现实里正在发生的事情，持续转化成AI可以处理的上下文，同时把AI的处理结果，持续转化成人可以理解的信息，乃至现实世界中的动作和结果。

因为我们的一天，实在太零碎了。

一个策略在会议里改了，一个待办记在上个文档里，一个点子是在开车时想到的，一个需求变动藏在群聊里。等到终于有空打开AI，我们还得先把这些碎片重新拼一遍。

有时候，我们光是想到要把背景讲清楚，就不想开始了。而如果有一个“连接器/平衡器”点一下火，事情就会变得不一样。

这类“连接器”已经有了很具体的产品。

比如最近上市的SwitchBot AI MindClip，可以夹在衣服上录音。厂家介绍，它能从对话中整理承诺、截止时间和待办，还能通过接口，把转写内容交给各种agent作为上下文。

目前它仍需要上传、转写和整理，但它已经在尝试接手一个过去全靠人的动作：把现实中发生的事情，搬进AI的工作环境。

App层面，各种用AI梳理庞杂上下文，然后自动输出结果的应用已经很多了，比如最近飞书和豆包结合后，那种化合反应大家应该已经有所体会了，其他就不再赘述了。

但“连接”之后，还需要“平衡”。

如果它记录了我一整天，晚上给我生成50条待办，我可能会想把它关掉。

如果每个agent都不停地问“要不要继续”“这里有个新发现”“还有一个优化建议”“我觉得那样更好”，它们合起来，就是一个灾难。

AI越能干，越需要有一个中间层帮人类管理：哪些事情可以让AI直接处理，哪些需要人类介入检查，哪些值得现在打断我，哪些可以等一等。

甚至，什么时候应该闭嘴。

这已经是一个具体的研究问题。9月刚发布的Ambient @ EgoProactive技术报告，研究的就是让可穿戴助手看完一段第一视角视频后，判断应该介入，还是保持沉默。它目前还是研究任务，但这个问题本身，就很接近下一代产品需要补上的能力了。

所以我说的“平衡器”，还包括对AI输出的筛选，以及对人类注意力的调度。

比如，我需要周五报方案，周三开会又改了部分需求，我期待的体验是：这个“连接器/平衡器”能关联会议记录和旧的方案，找出需要修改的地方，准备好能完成的部分，检查BUG，最后只把真正需要我判断的那部分提出来。

人类不必重新讲一遍背景，也不必一直惦记着、消耗后台精力，而只需要投入极少的注意力、处理真正关键的部分。

这就是我觉得值得关注的产品机会。

它可以从很具体的场景开始，比如物业巡检、活动组织、售后服务等，也就是聚焦某个行业里反复出现的、相对标准化的一段工作。先把这段流程里的信息和节点理顺，把需要人介入的地方找准，就能开始滚雪球。

这个“连接器/平衡器”如果能替人少解释几次、少检查几次、少惦记几件事，就已经开始有了具体的价值。

这个连接人类与AI的“产品”，到底应该更“软”还是更“硬”？是不是就是现在我们视野范围内的各种可穿戴设备、外骨骼、手表、耳机、录音笔、智能眼镜？还是一台跑着某个agent的手机？还是几个月后的新版GPT本身?还是其他什么我们没见过的东西？现在不得而知。

当然，哪些信息可以采集，哪些行动可以代做，边界也得清楚，这是另一个命题。

可以推断，这类产品将来会有一个很直观的衡量标准：

完成一件有价值的事情，到底还需要占用人类多少注意力。

可以肯定的是，随着下一代软硬件和基础设施的快速进步，这个“薛定谔的产品”会很快进入我们视野。

不需要人盯着，或者只需要很少的人类注意力的介入，事情也能顺利推进。很多过去因为没时间、没精力、说不清楚而搁置的想法，将因此有机会真正开始。

那时，我们今天对“生产力”的理解，可能又要改写一次。

Attention is all we lack, for now.