字节跳动副总裁朱骏：从大模型到用户体验，在做豆包产品时的一点感想

上周，组织火山引擎大会的同学找到我，让我提交一张偏商务风的照片，他们要把这张嘉宾照片放在网站上。我扫了一下自己的相册，商务风没有，邻家大叔风很多，很难登上大雅之堂。

那怎么办呢? 既然我自己就是做AI的，这个可难不倒我，我打开了我们的Al分身产品“星绘”。

首先，我试着给它一个Prompt，“穿着西装，在火山引擎大会上慷慨陈词”。这是它给我呈现的照片。

我们看到“慷慨陈词”的态度有了，但是“火山引擎”它理解岔了。目前这个视觉生成模型，就像是一个画画特别强，但是待在家里画画的艺术生，对于像“火山引擎”这样的物理世界的知识掌握还很有限。大概率是要等后面语言模型和视觉生成模型完全统一以后，才能把这种问题彻底解决。

接下来给了它一个难度更低的任务：“商务照、西装、手插在口袋里望着远方”。这回结果肯定可用了。它也就成了我交给主办方的照片。

这只是大模型能力应用在我们日常生活中的一个小小例子。前面谭待提到的火山引擎云上的各种大模型，它们不只是跑服务器上的一堆代码，而是需要找到最适合的应用形态，以足够自然的交互形式，才能让更多用户用起来，而且愿意用。

过去一年，字节也在大模型的产品形态上做了比较多的学习和摸索。和AI时代之前做产品设计比较，我的个人感受是既有共性又有很大的差异。共性是用户的核心需求还是那些，比如：用最高效、最方便的方式获取信息的需求，给工作提效的需求，自我表达和创作的需求，让自己变好看点的需求，社交娱乐和教育学习的需求等等，都没有变。差异点是，以前是在成熟的技术上想应用，只要用同理心去理解用户的需求和使用体验，就能做出一个还不错的产品。现在有了新的难度，因为产品底下的技术不再是一个稳定的地基了。大模型的能力目前很多维度上让人惊叹，但也在很多维度上有缺陷，同时又在快速演进，每隔三个月、半年都会发生很大的变化。而且它的能力改进往往不是线性的，隔一段时间可能就会出现一个跃迁。

所以做大模型应用一个很大的挑战是，在这个动态发展的过程中，不仅要判断大模型现在能解决好什么任务，同时可能更重要的是要尝试预测半年、一年后大概能把什么样的任务解决好。一个任务如果解决到20分、50分可能都是一个不太可用的状态，但是它一旦达到60分，可能使用率就突然能上来了。以搜索任务为例，去年上半年大模型回答问题时10道题可能错6道，那就是实际不可用的状态。但随着模型能力提升，幻觉大幅降低，再配合搜索引擎做知识增强，现在就达到了可用的状态。当然后面提升的空间还非常非常大，比如解决各种垂直搜索、更复杂问题的回答，甚至是用户今天在搜索引擎里都回答不了的问题。

所以做大模型产品的挑战和乐趣是，需要在这种持续动态的技术发展中，不断去判断下一个产品的PMF （产品市场匹配点）可能是什么。

去年我们一个重点投入的方向是豆包App，我想分享一下对豆包这个产品的一些思考，希望对于计划在字节大模型上做应用开发的开发者，也能起到一点点参考作用。

首先，为什么名字叫豆包？很多人都问我：豆包这个名字好像跟AI没有什么关系，难道不应该用一个更有科技含量、更凸显智能的名字吗？

豆包的名字背后也有一个小故事。我们去年6月在给产品起名时，首先确定下来产品起名的通用原则是，简单、好读、好记。

与此同时我们也为豆包这类产品定义了三个产品设计原则。第一条就是“拟人化”。

“拟人化”是大模型产品的新特性。AI 除了带来了新的能力，也带来了新的交互方式，用和人类对齐的交互体验，降低使用门槛，也让用户在使用产品时感觉到产品有类似人的温度。为了体现这种拟人的感受，我们希望产品的名字，就像用户对一个亲密朋友日常称呼的昵称。

在这个方向下，我们列了很多候选，其中有些很难注册商标，最后我们就很快选中了豆包。当时我们想，反正以后如果有更好的名字也还可以改嘛。

结果产品上线后，看到很多用户都在猜测和讨论：为啥字节的大模型产品叫豆包。我们看到了两个很有意思的来自用户的解释：一个是，豆包=抖音的官方bot，“抖bot”谐音就是豆包；一个是说豆包=“都包了”，工作生活学习的需求都包了，寓意是通用助手的产品愿景。

创意来自民间。所以后来有人再问我豆包名字的含义，我就用这两个来自用户的解释回答了，问的人也都很信服。

我们定下的第二条设计原则是，它需要离用户很近，随时伴随用户，嵌入用户的不同使用环境。应该是豆包到用户身边，而不是用户到豆包身边。

比如，我有很多对豆包的使用是在户外，有什么问题我就随时问豆包。为了让豆包在这种移动场景里交互更方便，像一个随身携带的百事通，我们很早投入了很大力度优化语音交互体验，包括基于大模型的ASR和超自然的TTS音色，尽量做到类似和一个真人对话的感受。

比如“五一”假期，我去四川自贡转了一圈，旅行途中我不断问它：给我介绍一下恐龙博物馆，给我说下自贡的井盐历史，等等。晚上和朋友吃饭时上了道皮皮虾，虽然很好吃，但我对皮皮虾怎么剥皮一直都不熟练，我就问一下豆包怎么剥皮皮虾。豆包不仅回答了我的问题，同时推过来一个抖音视频。通过视频，我非常直观地看到了剥皮皮虾的技巧。

但我也可能不在手机上，而是在电脑桌面端工作。在这个场景里，除了浏览器里的 Web 应用，我们也提供了豆包的桌面客户端，这是为了在 PC 上离用户更近。举个例子，如果你是一个自媒体的从业者，可以在豆包桌面版本上点击“文案创作”这个“AI技能按钮”，选择“抖音文案”，然后填入主题“介绍建筑师安藤忠雄”，一个分镜头的抖音视频脚本就生成好了。

但是还有很多时候，用户既不在浏览器里，也不在豆包的桌面客户端，而是在读PDF，或者在写代码。这时候，豆包桌面插件能够通过划词选中的方式，被用户在任何地方唤起，帮助用户就近解决任务，例如基于 PDF 的总结和问答，在编程时生成代码注释或者修改代码等。

这些都是希望豆包离用户近，尽量嵌入用户使用环境的例子。

第三个设计原则是“个性化”。虽然通用大模型能解决非常广泛的任务，但实际上，我们看到用户有自己个性化的需求，包括对智能体的功能定位，回答风格、声音、形象、记忆都有非常个性化的需求。

在智能体世界里，我们觉得未来用户大概率会有一个主要的智能体（比如豆包）做最高频的互动，解决很多任务；但是也会因为个性化、多样化的需要，和很多其他的智能体互动。

比如我们团队的一位女生，在豆包上捏了一个英语老师的智能体。除了用自然语言定义了“这个老师需要用英文对话，并且在对话中随时指正用户的语法错误”这个功能，也定义了她自己喜欢的声音和形象。平时在路上和“他”用语音消息的方式对话，回到家还会用实时通话模式来模拟英语口语对话。

但对于那些更复杂的，需要更高阶能力，甚至更异构的交互方式的智能体，我们也提供了一个智能体定义平台“扣子”。除了自然语言定义外，也支持通过工作流、代码、插件，赋予这个智能体更强、更稳定的能力。

比如，我们的一个教育产品团队通过扣子平台，在豆包上发布了学习小帮手应用，帮助家长辅导作业。这个智能体能提供拍照的交互方式，不仅能给出解题思路，而且通过回答进一步的追问，不断进行答疑，真的像一位个性化的辅导老师。

总结一下，一方面大模型技术本身在不断进步，一方面行业里对于应用形态和交互方式的摸索会逐渐成熟，这样大模型产品会逐渐融入更多用户的生活和工作里。

比如，我们看到豆包的用户规模在快速增长。今天豆包已经有超过2600万的月活用户，和800多万个被大家创建出来的智能体。

除了豆包这个产品外，各行各业还有无穷无尽的用户场景，在座的诸位对这些场景肯定比我们有更深的洞察。相信在不久的将来，能看到大模型能力在更多的场景里变成应用，变成更好的用户体验，为更多用户的工作和生活带来便利。

谢谢大家。