2011年，苹果将Siri集成到iPhone中，消费者首次意识到，除了通话功能，手机里还能容纳一个能交流、应答、解疑的小程序。
十五载光阴流转，AI助手已不再局限于回答问题，它开始处理邮件、生成文档、编写代码、操控电脑，甚至在用户离开后仍能继续运作。
在这十五年间，有五款具有里程碑意义的AI助手产品相继问世，它们将AI助手的演进历程划分为五个阶段：
Siri使机器能够理解人的指令，Alexa让AI走进家庭环境，Copilot推动大模型参与知识型工作，Codex使AI融入生产流程……
而最新推出的Muse，则致力于成为一个能长期理解用户的AI助手。
回顾这些产品，我们发现，每一代都解决了前代遗留的关键难题，却也随之带来了新的挑战。
似乎没有人能打造出完美的AI助手，它们不过是每个时代对症下药的产物。
不过，一个明显的趋势是，AI助手正从问答型助手向陪伴型助手转型。
当AI助手从问答型转向陪伴型时，决定其产品价值的已不仅是模型能力，还包括它能获取哪些信息、调用哪些工具，以及人类是否愿意赋予它更多权限。
01 Siri问世，语音助手的灵光乍现
2011年10月4日，苹果举办了iPhone 4S发布会，主题为“Let's talk iPhone”。
这里的“talk”一语双关，因为苹果计划在这场发布会上推出一款名为Siri的语音助手。
发布会上，这个新功能回应了时任苹果高级副总裁Scott Forstall一系列看似简单的问题：
今天是否需要带伞，附近有哪些餐厅，明天早上几点叫醒我……
其中一个演示是：“我离开公司的时候，提醒我给妻子打电话。”
相比之下，传统手机软件需要用户手动设定时间，而Siri则尝试理解“离开公司”是一个与地点相关的状态，手机检测到用户离开特定区域后，再触发提醒。
这是AI助手首次通过电子围栏和上下文关联实现提醒功能，也是AI助手首次以完整的产品形态进入大众市场。
它让普通消费者看到，计算机不仅能执行点击操作，还能理解语言背后的意图。
值得一提的是，乔布斯当时因病情已于同年8月辞去CEO一职（由库克接任），并在发布会次日去世，不知乔布斯对Siri的首次亮相是否满意。
说起来，Siri并非苹果的突发奇想，它源于美国国防高级研究计划局（DARPA）资助的CALO项目，参与该项目的SRI团队后来成立了Siri公司，希望将实验室中的认知助手转化为消费产品。
2010年，苹果以2亿美元收购了Siri，一年后，它被深度整合到iPhone 4S中。
其中，苹果完成的关键一步是让语音助手获得了调用操作系统的权限。
在此之前，语音识别软件仅能将声音转写为文字，而Siri则能进一步调用电话、短信、日历、提醒、地图和搜索服务，一句话由此形成了一条完整链路：
语音被转写成文字，系统判断用户意图，提取时间、地点和联系人，再调用相应功能。
这种语音交互技术后来在国内也掀起了一波产品化热潮，当时国内围绕语音交互技术，大致出现了两条典型的产品化路线。
第一条是以科大讯飞为代表的技术服务路线。
2012年3月，科大讯飞发布了讯飞语点，对标的就是Siri，当时Siri尚未支持中文语音功能，讯飞语点抓住这一时机，推出了这款“中文版Siri”。发布会上，科大讯飞官方也演示了通过语音拨打电话、发送短信、启动应用、设置提醒、导航等功能。
科大讯飞面临的问题与苹果并不完全相同。
从技术角度来看，中文存在大量同音词，普通话之外还有复杂的口音和方言，用户又常在街道、汽车、车站等嘈杂环境中使用语音，苹果试图通过软硬件一体化建立产品体验，而科大讯飞则更注重底层语音识别、语音合成和中文处理能力。
从市场层面来看，科大讯飞当时没有苹果那样顶级的硬件产品体系，因此，2012年，科大讯飞联合华为、联想、长虹、创维、上汽、三大运营商等企业成立了语音产业联盟，希望通过这种合纵连横的方式，成为手机、汽车、电视、家电和运营商背后的语音技术平台。
值得一提的是，当时也认为语音技术可能成为移动互联网新入口的中国移动，在看完科大讯飞的讯飞语点演示后，以13.63亿元认购了科大讯飞15%的股份，正式成为科大讯飞的大股东。
中国移动随后在2012年年底，基于讯飞语点相关技术，推出了移动的灵犀语音助手。
百度则是从搜索的另一端切入这场竞争。
搜索引擎本身就在“用户提出问题、机器寻找答案”这一基本逻辑上运作，不过，同样不掌握操作系统和终端硬件的百度，却拥有搜索、地图、百科、知道、音乐、应用分发和本地生活数据。
因此，当时的百度希望将这些能力从搜索框搬进语音对话，让用户无需输入关键词就能获取结果。
这个故事与后来ChatGPT掀起的第二次搜索引擎大战有许多相似之处，只是竞争起点又往前推了十年。
2012年9月，在当年的百度世界大会的百度语音和图像技术专场上，百度集中展示了自家的语音识别、图像识别等技术，这两项技术也是人工智能最先得到广泛应用的领域。
2012年12月25日，安卓版“百度语音助手”正式上线，百度当时为这个产品提出了一个很互联网的口号——“说到，做到”。
与只能执行本地命令的助手相比，百度语音助手最大的差异来自搜索，它背后连接着百度积累多年的网页、百科、知道、地图和生活服务数据，能够直接回答数学、股票、天气和地理等问题。
正因如此，这款产品也带来了另一个问题。
当时在使用百度语音助手时，有网友发现，这款产品虽然能正确识别语音，却经常只是打开百度搜索结果，而不是直接理解问题并组织答案。
这种使用体验，让不少网友觉得它只是一个半成品。
不过，在这款产品上，百度押对了一项技术，百度为语音助手选择的技术卖点，是将深度神经网络用于中文语音识别。
按百度官方当时公布的数据显示，采用深度神经网络技术后，百度语音助手语音识别的错误率下降了25%。
关于深度神经网络，这里要多说一句的是，百度在2013年参与了Geoffrey Hinton和他学生创办的DNNresearch的秘密竞拍，在那场由微软、谷歌、DeepMind、百度四方参与的秘密竞拍中，百度虽然给出了4400万美元的天价，但最终Hinton由于各种顾虑，选择了谷歌。
百度则在这场竞拍后更加确信了人工智能技术的重要性，并于2014年组建了深度学习研究院，由李彦宏亲自兼任首任院长，确立了百度的AI战略。
至于智能语音助手，百度则在2014年前后找来了曾参与微软小冰研发的景鲲进入搜索产品团队，由搜索团队孵化一款新型智能语音助手，也就是后来的度秘（Duer）。
然而，在Siri将语音助手带入大众视野后，由于早期技术瓶颈的存在，智能语音技术最终没能在移动互联网时代最初十年里成为一个入口级技术，它更多是带来了一个技术畅想：
在机器能够听懂人的指令后，我们接下来还能做什么？
02 Alexa与“百箱大战”，智能家居的入口与风口
2014年11月，亚马逊对外发布了一款外形奇特的新设备——一个近似薯片筒大小的黑色圆柱体。
它没有屏幕，也没有复杂按钮，却可以被放在客厅或厨房，全天候等待主人呼唤它的名字，它的名字叫Alexa。
多年后，亚马逊创始人贝索斯在致股东信中回忆称，“没有消费者主动要求我们制造Echo，如果在2013年询问用户，是否愿意在厨房里放一个可以与之聊天的黑色圆筒，大多数人可能都会拒绝……”
Echo并非市场调研发现的用户需求，而是亚马逊对《星际迷航》中的计算机的一次复刻尝试，用户不必拿出设备，也不必学习操作界面，只要在房间里直接开口，计算机就能理解并回应。
亚马逊为Echo找到的最具代表性的场景是厨房，一位用户双手沾着面粉，她本想打开手机设置一个8分钟的计时器，但有了Echo，她便不用解锁手机，只需要喊一句“Alexa，帮我定一个8分钟的闹钟”。
此外，音乐、天气、新闻，也都可以通过Alexa调用。
这让Alexa与Siri形成了鲜明的区别：
当时的Siri更多是手机里的一项功能，而Alexa试图成为房间里的一部分，它不是一个等待用户打开的软件，而是始终存在于家庭环境中的计算入口。
作为智能家居的计算入口，智能音箱的概念，由此初具雏形。
为了让这一产品能够顺利进入普通用户家庭，亚马逊首先要解决远场语音识别问题。
Echo需要在数米之外，从音乐、电视和交谈声中识别唤醒词，再通过麦克风阵列、波束成形和降噪技术判断声音方向，把后续指令发送到云端，云端完成语音识别、意图判断和服务调用，最后由设备给出回答。
至于语音识别精度，彭博社在2019年4月曾曝出，亚马逊在全球雇佣了数千名员工和外包人员来听取用户和Alexa对话，人工转录、校对并完成数据标注。
这一消息当时在全球掀起了一场关于智能音箱的隐私安全风波，亚马逊后来被迫对隐私政策做出调整。
其次，亚马逊还需要解决智能音箱的可玩性问题。
2015年6月，亚马逊推出了Alexa Skills Kit，允许第三方开发者为Alexa增加“技能”，媒体可以播报新闻，健身应用可以查询运动记录，家电厂商可以控制灯泡、插座和恒温器，亚马逊则聚焦底层语音识别，开发者只需定义用户可能提出的要求以及相应服务。
Alexa由此建立起一种类似APP Store的生态，到2017年，亚马逊这一生态里的技能数量已经超过3万项，Echo扩展出了Echo Dot、Echo Show和Echo Spot，Alexa也进入到了汽车、耳机和第三方家电产品中。
从商业化结果上来看，智能音箱这一品类迅速席卷全球，来自市场调研公司Strategy Analytics的统计数据显示，2019年全球智能音箱出货量达到了1.469亿台，亚马逊这一年智能音箱出货量约3850万台。
亚马逊Echo的成功，很快传到了国内。
2017年前后，阿里天猫精灵、小米小爱音箱、京东叮咚音箱、百度DuerOS等相继进入市场，随后，腾讯、出门问问、Rokid、喜马拉雅以及大量家电、内容和硬件企业纷纷跑步入场，智能音箱在国内迅速掀起了“百箱大战”。
之所以会吸引来如此多创业者，乃至互联网巨头躬身入局，是因为大家看准了这一品类的家庭入口属性：
用户通过谁播放内容、购买商品、查询信息，又通过谁控制灯光、空调、电视和门锁，这是一个很有商业价值的节点。
其中，天猫精灵和百度小度代表了两条不同路线：
天猫精灵依托阿里的电商、支付、物流和IoT体系，强在购物、生活服务和智能家居能力；
小度依托百度在搜索、知识、语音识别和自然语言处理上的积累，更强的是问答、儿童内容和连续对话能力。
在互联网巨头入局后，价格战很快成了智能音箱市场最直接的竞争方式。
2017年7月，天猫精灵X1发布时即定价499元，当年“双11”期间，阿里更是向符合条件的用户发放400元专用优惠券，把这款智能音箱到手价直接压到了99元。
价格降低了用户试错门槛，也让天猫精灵在“双11”当天便拿到了100万台销量。
相较而言，百度的动作要稍慢一些。
2017年11月的百度世界大会上，百度首次发布自有硬件raven H，1699元定价让这款更具艺术气息的智能音箱定位高端，而负责这款硬件研发的渡鸦科技彼时已经被百度以9000万美元收购，并与当年智能语音助手的度秘事业部一并组建成为百度智能生活事业群组。
百度智能生活事业群组也在这一年的架构调整中，一举跃升为百度六大一级事业群组之一。
阿里和百度在智能音箱上的真正较量，是在2018年，在意识到智能音箱之战首先是一场规模化装机量战役后，百度在这一年将小度智能音箱市场策略从“高端标杆”转向“自有品牌+巨额补贴”。
2018年5月，阿里推出更低价的天猫精灵方糖，原价199元，上市促销价降至89元，一个月后，百度在6月11日发布自有品牌小度智能音箱，定价249元，同样给出了89元尝鲜价。
百度的意图非常明确，天猫精灵把门槛压到哪里，小度就紧跟到哪里，不给阿里独占低价市场的时间。
于是，在2018年“双11”前夕，10月20日，阿里推出方糖、智能插座和智能灯泡组成的89元套装，单独购买音箱的价格一度低至69元，两天后，百度启动小度拼购活动，同样把原价249元的小度智能音箱压到了69元。
低价策略迅速完成了市场教育，也淘汰了大量中小玩家，到2019年，国内智能音箱市场已经集中到阿里、百度和小米三家。
IDC数据显示，2019年天猫精灵出货量约1561万台，小度约1490万台，小爱音箱约1130万台，三家合计占据中国市场九成以上。
曾经的“百箱大战”，最终沦为巨头之间的入口战争。
但在巨头激战智能音箱这些年里，无论是国外的苹果、谷歌、亚马逊，还是国内的天猫精灵、小度、小爱同学，都遇到了相似的能力上限——用户最常使用的依然是音乐、天气、闹钟和简单的家居控制，大量技能很难被发现，更复杂的功能更是难以实现。
例如，Alexa能够打开灯，却无法理解“周末要在家里办一场聚会”意味着需要确认人数、设计菜单、购买食材、协调时间和发送邀请；
Alexa解决了如何在远处听到人、如何成为家庭环境入口的问题，却没有解决如何理解开放目标、组织多步骤任务的问题。
智能音箱最终形成的是第一代“环境式AI”，它让计算机从屏幕中进入到房间里，却还没能成为真正的家庭大脑。
03 大模型来了，AI坐上办公“副驾”
2023年3月16日，微软发布了一款至少在他们看来是划时代的产品，Microsoft 365 Copilot。
在演示中，一名员工错过了几场会议，过去，他需要翻看聊天记录、邮件和会议录像，才能弄清项目发生了什么，在有了Copilot后，Copilot会读取这些信息，并直接告诉他团队讨论了哪些问题、作出了什么决定、哪些分歧仍未解决。
随后，Copilot根据Word文档生成PowerPoint，在Excel中分析销售数据，又在Outlook里起草回复邮件。
这就与Siri查天气、Alexa设置闹钟有了本质区别：
Siri处理的是一条指令，Alexa处理的是一个家庭场景，Copilot面对的则是散落在企业中的大量上下文。
一个通用聊天机器人可以帮用户写销售总结，却不知道公司卖出了多少产品，Copilot如果获得授权，就可以读取邮件、日历、会议、文档和企业数据，形成一个完整的知识库，并让你可以随时调用。
微软将大模型接入到自家的Graph、Word、Excel、PowerPoint、Outlook、Teams办公全家桶后，让AI第一次真正坐进了办公室。
微软的独到之处在于赌对了大模型，早在OpenAI转向营利组织并向微软寻求资助时，微软就在2019年向OpenAI投资了10亿美元，帮助OpenAI度过了ChatGPT问世之前的难关，顺便拿到了OpenAI的技术商业化授权。
这才有了背后支撑Copilot的技术载体，GPT大模型。
相较而言，过去的语音助手需要开发者预先定义意图，用户的表达必须落在查天气、设提醒、播放音乐等简单任务中，大模型则可以理解更开放的要求，对长文档进行总结，在上下文中生成内容，并通过少量说明改变任务。
这使得AI助手的核心能力从识别命令转向了加工知识。
微软也为大模型找到了一条清晰的商业化路径——用户未必愿意为聊天助手持续支付高昂费用，但企业愿意为减少会议、邮件、文档和数据分析时间付费。
因此，Copilot不是一个独立的AI应用，而是被装进了已经覆盖全球企业的办公软件体系。
在这场横跨全球的大模型竞赛中，继智能家居后，AI办公成了那个关键赛点。
在国内，阿里、腾讯、字节纷纷响应这场战事。
2023年4月，阿里云发布通义千问不到一周后，钉钉便展示了接入大模型后的产品，用户在输入框中敲入一个斜杠，便可以召唤AI，并由此生成邮件、整理群聊重点、撰写营销方案、总结会议纪要。
这个斜杠被钉钉称为“魔法棒”，“魔法棒”也成为了钉钉AI化最直观的符号，它意味着大模型不只存在于独立聊天窗口，而是开始进入群聊、会议、文档、审批和应用开发。
2023年9月，腾讯发布混元大模型，并将其接入到了腾讯会议和腾讯文档。
腾讯会议AI助手最具代表性的功能，是在线上会议进行中或结束后直接生成AI摘要，并可以根据用户提问，自动在撰写内容中寻找答案。
与此同时，腾讯也将大模型接入到了包括腾讯文档在内的整套办公软件中。
企业微信掌握组织与客户关系，腾讯会议承载实时讨论，腾讯文档保存工作成果，腾讯希望让混元大模型在这些产品之间流动，把一次会议的结论继续转化为文档和任务。
两个月后，字节跳动旗下协同办公平台飞书也发布了自己的“智能伙伴”。
在发布会上的一段演示中，用户要求AI搭建库存管理系统，智能伙伴随即创建多张相互关联的表格，并填入示例数据，这已经不是简单地润色一段文字，而是根据业务目标选择工具、设计字段和组织信息。
飞书希望把AI定义为一名能够加入协作的同事，它可以读取企业知识、分析数据、生成内容，也可以通过自然语言更新业务系统。
对于零售团队，它可以搭建商品和库存表，对于市场部门，它可以整理调研、生成方案并跟踪计划。
Copilot引发的第一轮AI办公竞争，改变了企业软件的评价标准。
过去，钉钉、腾讯会议和飞书竞争的是消息效率、会议质量、文档协作、审批流程和组织管理；
大模型出现后，竞争变成谁能获得更完整的企业上下文，谁能连接更多工具，谁能处理复杂权限，谁又能保证企业数据不会因为AI调用而越界。
企业办公软件不再只是功能集合，而开始成为模型、知识、权限和流程的统一入口。
但这一阶段的AI仍主要停留在生成与总结。
它可以写方案，却不能总是自己找到数据、验证结论并完成发布，它可以总结会议，却很难持续追踪所有待办，它可以搭建一张表格，却很难独立承担一条跨越多个软件的工作流程。
Copilot已经坐上了副驾，能够看地图、读仪表、提醒驾驶员，但它还没有真正接过方向盘。
