从输入框到视觉本能：ChanceAI如何撕开“大模型同质化”的技术裂缝

2019年的某个下午，曾熙站在卢浮宫的《蒙娜丽莎》前，满怀期待却败兴而归。那幅画比想象中要小，他看不懂这幅传世之作为何价值连城，转身便离开了。五年后，他创办的ChanceAI能够告诉用户：那块石头不是普通的混凝土巨石，而是洛杉矶LACMA的LevitatedMass，耗资1300万美元运输的公共艺术，背后是关于美国城市阶层结构的隐喻。

这个转变本身就是答案。

被忽视的第一性原理

大模型的军备竞赛已陷入同质化困局。每家公司都在升级算力、优化参数、抢占入口，但交互范式十年未变——“人提问，AI回答”。输入框成了所有产品的默认形态，用户必须把需求翻译成语言，再把语言交给模型处理。

曾熙在2023年提出了一个反直觉的问题：“为什么眼睛不长在屁股上？”

这个提问指向一个被忽视的事实：从进化角度看，人类大脑约70%的信息处理与视觉相关。在语言出现之前，人类依靠视觉识别环境、判断危险与机会。视觉是第一性原理，语言只是更晚出现的编码系统。

大多数AI产品选择了更简单的路径——在语言交互上堆叠功能。但ChanceAI选择了一条更难的路：把输入框从核心界面移除，让“看”成为默认动作，“问”变成可选动作。

技术架构的重构逻辑

实现这个交互范式需要重构底层技术架构。传统多模态模型擅长“这是一只猫”的识别，但无法回答“这只猫为什么出现在这个场景里”。

ChanceAI的技术团队构建了一套意义推理引擎。用户的拍照行为触发的不只是图像识别，而是主动调用知识图谱：物件的生产背景、文化语境、社会共识。一块石头调取的是公共艺术数据库，一栋建筑调取的是建筑师作品序列，一双球鞋调取的是它在重大历史事件中的出场记录。

这意味着模型的计算量呈指数级上升。但曾熙的计算逻辑不同：用户用摄像头主动获取信息的成本，远低于用户在输入框前犹豫不决的沉默成本。视觉交互的本质是降低认知摩擦，让AI适应人类本能，而非让人类适应AI的规则。

数据飞轮的冷启动策略

25万用户、每天2.8次的人均拍照频次——这组数据比任何融资估值都更能说明问题。

在完成从0到1的冷启动后，ChanceAI的数据飞轮开始自转。用户拍照产生数据，数据训练模型，模型提升体验，体验吸引更多用户。但这套飞轮的燃料不是钱，是精准的用户分层。

18-25岁的北美年轻人是第一批种子用户。他们不关心技术架构，只关心“拍一张穿搭，App能不能告诉我好不好看”。OOTD点评、看手相、肤质检测、毒舌点评——这些功能的设计逻辑高度一致：满足年轻用户在社交场景中的即时表达需求。

“所见即谈资”的社区逻辑随之成型。用户一键分享到ChanceAI社区，拍照行为从个人工具演变为社交货币。这种转化是自然的——用户拍的是自己想说的内容，App帮他们把内容讲得更专业、更有故事性。

视觉Agent的战略卡位

曾熙选择暂时不做AI硬件、不急于变现、不搞大规模宣传。这三件事构成了一个战略定力测试：在一个追求快速扩张的行业里，克制比激进更需要勇气。

他的判断是：视觉AI的入口战争还没开始。输入框代表目的性，视觉代表本能；输入框强调解决问题，视觉强调触发好奇。两者不是替代关系，而是代表两个不同的交互时代。

ChanceAI的赌注是：AI的下一次入口变化发生在视觉，而非语言。如果这个判断正确，它比任何先发优势都更有价值。