xAI 推出 Grok Vision：手機鏡頭對準現實物體就能問，iOS 先上

拿起手機對準看不懂的外語路牌，或者貨架上陌生的商品，直接開口問一句「這是什麼」——過去大半年裡，這種操作我們已經在 ChatGPT 和 Google Gemini 上見過很多次了。

現在，馬斯克旗下的 xAI 也終於跟上了這趟車。

xAI 宣佈正式上線 Grok Vision。簡單來說，就是給手機上的 Grok 裝上了眼睛，讓它能夠透過攝像頭即時看懂你眼前的東西。

手機鏡頭一開，Grok 終於能看世界了

這次更新之後，Grok 的語音模式多了一個開啟攝像頭的入口。

只要你在 iPhone 上開啟 Grok 應用，把鏡頭對準身邊的商品、路標或者一整頁文件，直接開口問一句「我正在看什麼」，它就能邊看邊跟你聊。

無論是識別真實世界的物體、閱讀環境裡的文字，還是理解周圍的場景，Grok 現在都能即時接招。

不過目前這項視覺能力有一條很硬的限制：它只在 iOS 版本的 Grok 應用裡上線，Android 版暫時還沒份。

語音模式全面補課，但 Android 設了門檻

除了給 AI 裝上眼睛，xAI 這次還順手把語音模式的另外兩塊短板補上了。

一個是多語言音訊支援，另一個是語音模式下的即時搜尋能力。

這意味著你用不同語言跟它語音聊天時，它不僅能聽懂不同語種，還能在對話過程中隨時調取網上的最新即時資訊來回答你。

但這裡的規則稍微有點繞。Android 使用者雖然暫時用不上攝像頭視覺，卻能用上多語言音訊和語音即時搜尋。

前提是你得掏錢。Android 使用者必須訂閱 xAI 每月 30 美元的 SuperGrok 會員，才能解鎖這兩項語音新功能。

其實最近一個月裡，xAI 迭代的步子邁得相當密。本月早些時候，他們剛給 Grok 加上了類似 ChatGPT 的記憶功能，能記住使用者過去的對話細節，還推出了一個類似 Canvas 的介面，用來協同寫文件和做小應用。

為什麼重要

對使用者來說，Grok Vision 解決的是最直觀的互動成本問題。能開口問、能拍照看，AI 就不再只是一個坐在打字框對面的客服，而是變成了一個能隨身帶著的外接感官。

如果你平時已經是 X 的重度使用者，或者本身就買了會員，這套組合拳確實值得你順手用起來。但要是為了視覺功能特意去下一個新 App，以它目前能做的事情來看，它和競品並沒有拉開質的差距。

對行業來說，多模態即時互動已經徹底從「高階炫技」變成了「基礎標配」。OpenAI 和 Google 早就把多模態即時語音做成了門面，xAI 現在的每一步，看起來更像是在以極快的工程節奏瘋狂補課，把頭部玩家有的基礎能力挨個填平。

我們認為，xAI 這次的做法很聰明，但也藏著彆扭。聰明的地方在於，它把視覺、語音、記憶和畫布在短短一個月內快速拼齊，迅速縮小了與頂級選手的賬面差距；彆扭的地方在於它的商業化切割，把語音基礎功能放到每月 30 美元的 SuperGrok 高門檻後面，且 Android 端視覺體驗落後，這種碎片化的推行節奏很容易勸退那些還在觀望的普通人。