微軟 Copilot Vision 登陸手機：用攝像頭即時看懂世界

舉起手機拍張照搜同款，或者對著題目掃一下，大家早就習以為常了。但如果攝像頭背後坐著一個能即時看著畫面、隨時插話跟你聊天的 AI，體驗可能完全是另一回事。

去年底，微軟在網頁端上線了 Copilot Vision 功能。現在，這項能力正式搬到了手機上，直接接管了你的手機攝像頭。

即時看影片，還能幫你挑軟裝

根據報道，手機端的 Copilot Vision 不僅能分析手機裡存著的舊照片，還能直接調取攝像頭分析即時影片流。

說白了，就是讓 Copilot 擁有了眼睛，能即時看懂你眼前正在發生什麼。

無論是線上逛街挑衣服、看書查資料，還是單純在屋裡閒逛，你都可以開啟攝像頭向它提問。

微軟給出了幾個很具體的日常場景，比如把鏡頭對準家裡的綠植，讓它看看植物健不健康；或者對著房間掃一圈，讓它現場給你出幾個室內軟裝搭配的點子。

至於大家最關心的隱私問題，微軟表示，只有在使用者主動授權的前提下，Copilot 才會呼叫手機攝像頭，不給許可權它就絕對碰不到畫面。

藏在語音模式裡，暫時還得加錢

不過，普通使用者想立刻玩上它可能還要等等。

目前 Copilot Vision 並沒有單獨做成一個大按鈕，而是整合在 Copilot 應用的語音模式（Voice mode）裡。

更關鍵的是，這項功能現階段只對美國地區的 Copilot Pro 訂閱會員開放，後續才會逐步擴充套件到更多地區和普通使用者。

微軟的 Copilot Pro 訂閱費是每月 20 美元。除了這次的視覺功能搶先體驗，會員權益還包括在高峰時段優先呼叫最前沿的模型，以及擁有更高的日常使用額度。

回顧微軟的路線，從 2023 年 2 月上線 Bing Chat，到 2024 年 9 月 Copilot Wave 2 換上 GPT-4o，微軟一直在把大模型能力往日常裝置裡塞。這次把視覺搬上手機，顯然是多模態落地的又一步。

為什麼重要

我們認為，微軟把視覺功能塞進手機端，是多模態 AI 走向真正可用的一大步。

以前我們用視覺搜尋，基本是拍照、上傳、等待檢索、看結果的單向流程。現在變成即時影片加語音對話，互動門檻被徹底打平了。如果你平時喜歡侍弄花草或者經常需要現場辨識物品，這項功能的吸引力很大。但考慮到每月 20 美元的門檻和僅限美區的限制，國內大部分普通使用者現在完全沒必要為了嚐鮮去硬開訂閱。

對行業來說，手機攝像頭成了 AI 助手最直接的戰場。OpenAI 有自己的高階語音和視覺探索，Google 也在把 Gemini 往安卓底層深度繫結。微軟沒有自己的手機作業系統，只能靠獨立應用去爭奪使用者的攝像頭許可權，這在系統級競爭中天然處於下風。

不過，微軟聰明的地方在於把它和語音模式綁在一起。看起來，微軟很清楚純文字聊攝像頭畫面太彆扭，邊看邊聊才是人類面對面交流的本能。隱患依然在於延遲和隱私焦慮，拿著攝像頭即時拍周圍環境，對網路頻寬、電池發熱以及使用者對資料去向的信任，都是非常嚴苛的考驗。