xAI 推出 Grok Vision：手机镜头对准现实物体就能问，iOS 先上

拿起手机对准看不懂的外语路牌，或者货架上陌生的商品，直接开口问一句「这是什么」——过去大半年里，这种操作我们已经在 ChatGPT 和 Google Gemini 上见过很多次了。

现在，马斯克旗下的 xAI 也终于跟上了这趟车。

xAI 宣布正式上线 Grok Vision。简单来说，就是给手机上的 Grok 装上了眼睛，让它能够透过摄像头实时看懂你眼前的东西。

手机镜头一开，Grok 终于能看世界了

这次更新之后，Grok 的语音模式多了一个开启摄像头的入口。

只要你在 iPhone 上打开 Grok 应用，把镜头对准身边的商品、路标或者一整页文档，直接开口问一句「我正在看什么」，它就能边看边跟你聊。

无论是识别真实世界的物体、阅读环境里的文字，还是理解周围的场景，Grok 现在都能实时接招。

不过目前这项视觉能力有一条很硬的限制：它只在 iOS 版本的 Grok 应用里上线，Android 版暂时还没份。

语音模式全面补课，但 Android 设了门槛

除了给 AI 装上眼睛，xAI 这次还顺手把语音模式的另外两块短板补上了。

一个是多语言音频支持，另一个是语音模式下的实时搜索能力。

这意味着你用不同语言跟它语音聊天时，它不仅能听懂不同语种，还能在对话过程中随时调取网上的最新实时信息来回答你。

但这里的规则稍微有点绕。Android 用户虽然暂时用不上摄像头视觉，却能用上多语言音频和语音实时搜索。

前提是你得掏钱。Android 用户必须订阅 xAI 每月 30 美元的 SuperGrok 会员，才能解锁这两项语音新功能。

其实最近一个月里，xAI 迭代的步子迈得相当密。本月早些时候，他们刚给 Grok 加上了类似 ChatGPT 的记忆功能，能记住用户过去的对话细节，还推出了一个类似 Canvas 的界面，用来协同写文档和做小应用。

为什么重要

对用户来说，Grok Vision 解决的是最直观的交互成本问题。能开口问、能拍照看，AI 就不再只是一个坐在打字框对面的客服，而是变成了一个能随身带着的外置感官。

如果你平时已经是 X 的重度用户，或者本身就买了会员，这套组合拳确实值得你顺手用起来。但要是为了视觉功能特意去下一个新 App，以它目前能做的事情来看，它和竞品并没有拉开质的差距。

对行业来说，多模态实时交互已经彻底从「高端炫技」变成了「基础标配」。OpenAI 和 Google 早就把多模态实时语音做成了门面，xAI 现在的每一步，看起来更像是在以极快的工程节奏疯狂补课，把头部玩家有的基础能力挨个填平。

我们认为，xAI 这次的做法很聪明，但也藏着别扭。聪明的地方在于，它把视觉、语音、记忆和画布在短短一个月内快速拼齐，迅速缩小了与顶级选手的账面差距；别扭的地方在于它的商业化切割，把语音基础功能放到每月 30 美元的 SuperGrok 高门槛后面，且 Android 端视觉体验落后，这种碎片化的推行节奏很容易劝退那些还在观望的普通人。