开场：为什么 AI 看不懂一杯冒烟的水

主播抛出核心反差——AI 能写博士论文却看不懂冒烟的水是烫的，并介绍嘉宾曾熙的认知科学与产品背景，预告本期将讨论视觉为何是人类最本能的操作系统。

从 OPPO、字节到创业：一个产品人的路径

曾熙讲述对人类文明与科技驱动力两条好奇心主线，回顾在一加、OPPO 做硬件与系统、在字节 Flow 见证大模型落地的经历，以及为何在 2023 年选择离开创业。

一场沃霍尔展览，长出一个视觉产品

创业方向最初模糊，源于「帮人看到背后的东西」。2024 年深圳湾安迪·沃霍尔展览的 AI 导览小程序，展后有一千五百名用户继续在生活中使用，印证视觉是行为起点。

婴儿的本能与成年人的退化

曾熙谈婴儿出生即用视觉探索世界，成年人因熟悉而失去好奇；他解释 VLM 带来的兴奋在于意义层面的理解，而非自动驾驶式的描述性识别。

视觉匹配与视觉推理的区别

从像素匹配到视觉推理，是从量变到质变。曾熙用棉花、冒气的水杯说明隐性知识的传递，并解释产品为何只保留拍照与上传两个入口。

价值的三层：物体、上下文与社会共识

以布加迪威龙、带 logo 的白 T、芯片的氧硅铝为例，说明价值来自上下文与社会共识；今天多数视觉模型只停留在第一层识别，无法解释意义。

颜色没有高低，只有社会共识

英国皇室穿黑、中国皇室穿黄源于染料稀有度，粉色在十五世纪法国象征男性雄风、二十世纪才转为女性色，说明颜色意义随社会共识流动。

从「拍下来」到「继续做下去」

拍下演唱会海报后自动推送资讯、设置抢票日历，产品想延续用户看到某物之后的一系列行动，而不止于拍照存档。

三大场景：旅游、穿搭、兴趣爱好

泰国拍菜单按素食偏好推荐并生成点菜泰语；面试前拍穿搭获得分场景建议；矿物爱好者一天拍三百多张石头照片。

不替用户做决定，只压缩形成品味的效率

品味来自一系列带个人烙印的高质量决策。产品只筛选高质量选项、呈现更多可能性，最终判断留给用户。

卡点：想用一个模型解决所有视觉推理

团队在 MMMU 基准拿到 86.07 分超过人类 85 分。曾熙认为行业卡点在于想用一个模型包办采集、转化、传输、推理四步，而他们分步工程实现。

最难的是视觉信号的统一协议

中间两步难在要为视觉系统设计底层沟通协议，类似语言之间需要共通语；目前一杯冒烟的水仍需三秒以上推理，无法用于极端现实场景。

红绿灯、发情的猴子与写在底层代码里的本能

婴儿到高处会回头、见冒烟之物不碰，是几百万年进化写入的设定；红绿灯的高度与远古祖先躲避红色发情猴子的经验相关。

为什么现在做视觉入口刚刚好

VLM 应用层公司稀少，因语言模型机会仍多、VLM 确定性低。但 Google 加 AI 模式带来 70% 增量用户、Z 世代是视觉原生代、下一代终端需与感官同频，三条支撑视觉是最大入口。

不做硬件，做视觉 Agent OS

iPhone 卖得好是因为 iOS，硬件是结果不是原因。团队专注打磨视觉大脑，产品内已有看穿搭、看菜单、看植物的垂直 visual agent，未来形态是 Agent OS。

做你现实世界的解说员

曾熙以詹俊解说球赛作比，希望产品成为陪你看世界的 AI 解说，让每一天都像一趟旅行；面对出错，他强调这不是追求绝对正确的识别工具，而是陪你一起探索的产品。