微软 Copilot Vision 登陆手机：用摄像头实时看懂世界

举起手机拍张照搜同款，或者对着题目扫一下，大家早就习以为常了。但如果摄像头背后坐着一个能实时看着画面、随时插话跟你聊天的 AI，体验可能完全是另一回事。

去年底，微软在网页端上线了 Copilot Vision 功能。现在，这项能力正式搬到了手机上，直接接管了你的手机摄像头。

实时看视频，还能帮你挑软装

根据报道，手机端的 Copilot Vision 不仅能分析手机里存着的旧照片，还能直接调取摄像头分析实时视频流。

说白了，就是让 Copilot 拥有了眼睛，能实时看懂你眼前正在发生什么。

无论是在线逛街挑衣服、看书查资料，还是单纯在屋里闲逛，你都可以打开摄像头向它提问。

微软给出了几个很具体的日常场景，比如把镜头对准家里的绿植，让它看看植物健不健康；或者对着房间扫一圈，让它现场给你出几个室内软装搭配的点子。

至于大家最关心的隐私问题，微软表示，只有在用户主动授权的前提下，Copilot 才会调用手机摄像头，不给权限它就绝对碰不到画面。

藏在语音模式里，暂时还得加钱

不过，普通用户想立刻玩上它可能还要等等。

目前 Copilot Vision 并没有单独做成一个大按钮，而是整合在 Copilot 应用的语音模式（Voice mode）里。

更关键的是，这项功能现阶段只对美国地区的 Copilot Pro 订阅会员开放，后续才会逐步扩展到更多地区和普通用户。

微软的 Copilot Pro 订阅费是每月 20 美元。除了这次的视觉功能抢先体验，会员权益还包括在高峰时段优先调用最前沿的模型，以及拥有更高的日常使用额度。

回顾微软的路线，从 2023 年 2 月上线 Bing Chat，到 2024 年 9 月 Copilot Wave 2 换上 GPT-4o，微软一直在把大模型能力往日常设备里塞。这次把视觉搬上手机，显然是多模态落地的又一步。

为什么重要

我们认为，微软把视觉功能塞进手机端，是多模态 AI 走向真正可用的一大步。

以前我们用视觉搜索，基本是拍照、上传、等待检索、看结果的单向流程。现在变成实时视频加语音对话，交互门槛被彻底打平了。如果你平时喜欢侍弄花草或者经常需要现场辨识物品，这项功能的吸引力很大。但考虑到每月 20 美元的门槛和仅限美区的限制，国内大部分普通用户现在完全没必要为了尝鲜去硬开订阅。

对行业来说，手机摄像头成了 AI 助手最直接的战场。OpenAI 有自己的高级语音和视觉探索，Google 也在把 Gemini 往安卓底层深度绑定。微软没有自己的手机操作系统，只能靠独立应用去争夺用户的摄像头权限，这在系统级竞争中天然处于下风。

不过，微软聪明的地方在于把它和语音模式绑在一起。看起来，微软很清楚纯文字聊摄像头画面太别扭，边看边聊才是人类面对面交流的本能。隐患依然在于延迟和隐私焦虑，拿着摄像头实时拍周围环境，对网络带宽、电池发热以及用户对数据去向的信任，都是非常严苛的考验。