语境聚合：人工智能竞争的下一个核心战场

人工智能系统所掌握的上下文数据越丰富，其提供的服务体验就越卓越。假如某家AI企业拥有的用户情境信息量是竞争对手的百倍之多，它将建立起巨大的市场优势。围绕情境信息的争夺，远比一系列人工智能工具或浏览器的竞争更为关键。

一 什么是语境

设想你已结婚三十年，育有三个子女，定居在北京。回顾这三十年，你积累了海量关于家庭生活、个人喜好、人生目标与挑战的深度知识。当有人询问你过去三十年的生活细节时，谁更能给出精准回答？是谷歌、亚马逊、Meta、DeepSeek，还是你的配偶？答案显然是你的配偶，因为他们拥有与你共同经历数十载的宝贵记忆。

如果你向大型语言模型提问：

“我该如何改造家里的主浴室？”

模型在缺乏背景信息的情况下，无法了解你现有浴室的格局、风格以及与整体家居的协调性，因此给出的建议往往不够贴切，导致一些对AI持怀疑态度的人认为其能力有限。但若向你的配偶提出同样问题，基于长期共同生活的经验，回答将更为相关和实用。

AI模型需要结合具体情境、问题或对话的上下文，才能生成准确、迅速且有价值的回应。情境信息可涵盖：

• 历史聊天记录

• 用户真实意图与目标

• 所属领域或任务类型，如编程、写作、医疗、历史等

• 外部数据源：智能手机、云存储、纸质文档等信息

• 世界知识：涉及时间、地点、人物及相关实体的客观事实

这不仅关乎数据规模，更在于情境是一种丰富、互联、随时间演化、基于感知位置且持续更新的世界认知。以配偶为例，情境即共同经历的信息沉淀，是对个人偏好、习惯与历史的深刻理解。从这个角度看，情境可被视为一种“数字伴侣”——真正懂你的AI（虽然这听起来有些超越现实）。

在京东商城，你能亲身体验情境应用：系统根据你的购物与搜索记录，在你再次访问时提示“继续上次购物”，或推荐可能喜欢的商品，甚至建议复购过往产品。

例如，Instagram Reels每秒通过复杂算法，基于你的观看历史推送可能感兴趣的短视频。但它对你亚马逊的购物车、谷歌搜索记录、健康数据、电子邮件、旅行轨迹、社交关系乃至iPhone中的所有信息一无所知。如果它能整合这些呢？

初创企业MemO致力于情境信息保存，允许用户存储与不同学习记忆库的交互记录，并在多个LLM间共享记忆，以降低令牌消耗与重复学习。在该系统中，用户完全掌控自己的记忆情境。

二 并非所有人都在今天使用人工智能

尽管媒体与市场热度高涨，人工智能尚未被全民接纳。对AI公司而言，核心挑战不在于说服高级用户，而在于转化持观望态度的中间群体。这部分用户构成了市场的主体，也代表着巨大的机遇。

对怀疑者而言，AI面临任何新技术都会遇到的质疑：它能带来什么好处？比我现有方式强在哪里？周围人是否在用？为何要改变？

持怀疑态度的中间群体不会单纯因模型性能而接受AI；只有当AI提供个性化、实用且无缝的体验时，他们才会拥抱它。换言之，当AI拥有足够的情境信息，能为中间群体所需任务提供独特用户体验时，转化才会发生。

三 语境聚合

情境聚合指持续收集并串联用户生活的每个片段——购物记录、观看内容、阅读材料、书写文字与语音对话——形成统一认知。回报在于获得一种近乎心灵感应的个性化体验。每一个精彩回答都会训练用户提供更多信息，从而创造复利优势，这可能远超当今搜索或社交平台的护城河。

这种优势促使用户不断向情境聚合器输入信息，使其似乎比用户更了解自己。这构筑了一道巨大的竞争壁垒，其规模可能超越以往任何消费领域的护城河。

情境聚合正是成为以AI为核心的新型聚合器的路径，正如Ben Thompson在聚合理论中所阐释的。

通过整合用户情境，以AI为中心的企业能提供独一无二的卓越用户体验（超越同类最佳），帮助用户以前所未有的效率完成工作，甚至超乎其想象。

现有平台已出现部分情境聚合。问题在于，每个平台只覆盖你生活的局部。

你当前的信息分散于多家科技公司。谷歌和Meta都是信息聚合商，基于你与其服务的互动了解你，但它们仍缺失大量信息。

例如，你通过谷歌搜索旅行目的地。它可能看到航班和酒店预订邮件，但不知旅行全貌。而你手机中的照片却记录了一切。

想象一下，如果你在ChatGPT搜索旅行地，同时佩戴OpenAI的情境捕捉设备，记录所到之处、所食之物、所住之所。凭借这些信息，它们是否能更精准推荐未来行程？或许它们会在你感兴趣的地点推送机票酒店优惠。如果建议细节令你惊喜，你是否会更愿意提供更多信息？而且，如果这一切免费呢？

四 摩擦问题：为什么多模态人工智能至关重要

当前大型语言模型本质是文本预测工具。输入与阅读文本成为AI大众化的一大障碍。

多模态输入能加速AI普及。每种新输入方式——语音、照片、摄像头、传感器——都降低提供情境信息的成本。这正是多模态AI普及速度将远超网络或移动技术的原因。

对怀疑者而言，语音和照片更易接受。你现在就能上传照片征求装修建议，但并非人人知晓。然而，单张照片无法展现房屋全貌或居住者设计偏好。照片虽有助益，仍属冰山一角；它不能体现整体布局、过往选择或伴侣喜好。

重申一下，如果佩戴的设备能在你走动时拍摄家居照片，并允许语音解说，就能以更低阻力捕捉更多相关情境。

降低摩擦不仅加速情境构建，还增强网络效应。每位新用户都为系统贡献更有意义的情境。

五 优势飞轮

如谷歌、Netflix、亚马逊、Meta和Airbnb等现有聚合平台服务广泛横向市场。正如本·汤普森在《聚合理论》指出，用户越多，服务质量越高。

此处存在差异：信任与隐私在用户是否愿意提供更多情境信息方面作用更大。无疑，AI提供的结果至少在某些领域需表现优异，才能启动良性循环。

若采用情境聚合，发展如何？AI公司是否可能聚合足够情境，无需新用户提供大量信息即能提供独特体验？或许它们能从新用户处获取足够情境，预测未提供的信息？这将加速AI公司的聚合进程。

小结

当然，情境聚合涉及深层次伦理与隐私问题，这本身是一个宏大议题，值得单独探讨。监管也需要全面讨论。

这场竞争的最后赢家，并非拥有最大模型或最佳AI浏览器的一方，而是那些拥有最丰富、最可信情境信息、服务最多用户，并将信息转化为前所未有的独特体验的一方。这种体验不仅精准满足需求，更带来超预期丰富性，从而巩固情境聚合器在AI领域“近乎全能”的地位。

但要成功，这种体验必须帮助大众——尤其是持怀疑态度的中间群体——以更快、更轻松、更经济的方式完成他们未曾设想的事情。而且，它必须以令人惊叹的方式呈现，超越用户想象。

若一家以AI为中心的公司想赢得情境战争，应开发何种服务与设备？当萨姆·奥特曼谈及实现超级智能时，这在情境战争中扮演什么角色？用户是否需要感受到超级智能的存在，才能与具备丰富情境的AI伙伴建立联系？

最后，做一个思想实验：试想一个超级智能AI能为你做哪些事，让你考虑向它提供更多个人信息。

对开发者而言，编码是微观范例。像Claude Code等工具了解你的整个代码库、文档、测试和提交历史。你信任它们，因其返回的结果常令人惊艳。

同样的信任循环——情境带来更佳结果，从而增进信任——将决定情境聚合之战的胜者。