现场 AI 到底怎么做？我用厨房搭子试了一遍

我最近一直在想一个问题：

如果 AI 真的要进入现实世界，它第一步应该帮人做什么？

不是再写一段文案。

不是再总结一篇文章。

也不是把聊天框换个皮，塞进手机、眼镜、音箱或者车机里。

我说的是更具体的事。

比如你正在做饭。

锅里在冒泡，油烟机在响，手上沾着油，手机屏幕上还有水。你突然想问一句：“这个肉现在能翻了吗？”

这时候，一个 AI 如果只是弹出一大段文字，其实没什么用。

你没空看。

你要的是旁边有人说一句：

“先别翻，再等十几秒，表面定型了再动。”

或者：

“火有点大，先调小。”

或者：

“我帮你设 6 分钟，到了提醒你。”

这就是我做 厨房搭子 CookPal 时真正关心的东西。

不是“AI 能不能回答做菜问题”。

而是：AI 能不能在一个真实现场里，帮人少慌一点、少漏一步、少做错一个判断。

这篇文章想讲的，就是 CookPal 背后那套“现场 AI”到底怎么做。

厨房不是一个适合聊天的地方

很多 AI 产品默认用户坐在桌前。

你有键盘，有屏幕，有完整注意力。你问一句，AI 回一段。这个模式在办公场景里没问题。

但厨房不是桌面。

厨房里的信息是流动的。

水可能马上开。

肉可能马上焦。

蒸箱还剩几分钟。

你上一秒还在切菜，下一秒就要去看锅。

这里最稀缺的不是知识，而是注意力。

所以我越来越觉得，厨房里的 AI 不能按“问答产品”来做。

用户不是来和 AI 聊天的。

用户是在做饭。

AI 只是站在旁边帮忙。

这句话听起来简单，但它会逼着产品做很多选择。

比如，它不能要求用户一直看屏幕。

它不能每次都从零开始解释一遍。

它不能在不确定的时候装得很确定。

它更不能一直说话，给本来就忙的用户添乱。

一个厨房搭子，至少要有这几样东西

我后来把 CookPal 拆开看，发现它其实不是一个单独的 App。

它更像一组围绕厨房现场工作的能力。

我会把它叫做几个“器官”。

耳朵，听用户说什么。

眼睛，看锅里、案板上、冰箱里的状态。

记忆，记住这个家的口味、忌口和习惯。

嘴巴，在用户不方便看屏幕时直接说出来。

工具，调用计时器、菜谱、智能烤箱、智能蒸箱这些东西。

任务状态，知道现在是在备菜、下锅、翻炒、收汁，还是已经需要补救。

这几个东西凑在一起，才像一个厨房搭子。

单独一个语音识别，不够。

单独一个摄像头，也不够。

单独一个大模型，更不够。

真正难的是让它们围着同一件事转：

用户现在正在做饭，事情推进到哪一步了？

这张图表达的不是技术栈，而是“AI 一直围绕正在发生的厨房任务工作”。

先说耳朵：厨房里的话很难听清

我以前以为语音交互最难的是识别率。

后来真放到厨房里，发现不是这么回事。

厨房里的声音太复杂了。

油烟机、锅铲、流水声，会一起进麦克风。

AI 自己刚播报完一句话，也可能又被麦克风收进去。

用户还经常说一半改口：

“帮我设五分钟，算了，三分钟吧。”

如果只是接一个 ASR，产品很快会变得很怪。

用户没说话，它以为用户在说话。

用户只是“嗯”了一声，它开始抢答。

AI 自己说的话被它自己听见，然后又回复自己。

这就不是智能了，是吵。

所以 CookPal 的“耳朵”不能只是语音输入。

它要处理回声、打断、噪声、半句话和临时改口。

现场 AI 很多麻烦都在这里：真实输入很脏，现场不会配合你。

再说眼睛：能看，但别装作全知道

多模态 AI 很容易让人兴奋。

拍一下锅，AI 告诉你肉熟没熟。

拍一下冰箱，AI 告诉你能做什么。

这当然有价值。我也很看好。

但厨房里不能把“看见”直接等同于“确定”。

一张图能看出肉的表面颜色，但不一定知道里面熟没熟。

能看出汤快满了，但不一定知道火力和锅底情况。

能识别食材，也可能把豆腐看成鸡胸肉。

所以我对 CookPal 里的视觉一直比较克制。

它可以提供现场线索，但不要直接假装自己掌握了全部事实。

更好的回答应该是：

“从画面看，表面已经变色了，但我看不到里面。你可以用筷子戳一下，看有没有血水。”

或者：

“镜头有点远，我不太确定。你把锅靠近一点，或者直接告诉我现在颜色。”

再或者：

“这个看起来有溢锅风险，先把火调小。”

听起来没那么科幻。

但我觉得这更像一个能长期用的产品。

厨房不是 demo。用户真的会照着做。

记忆不是画像，是少重复解释

厨房是很私人的场景。

同一道菜，不同家庭做法差很多。

有人爱吃辣，有人一点辣都不能碰。

有人偏江浙口味，有人喜欢重油重盐。

家里有小朋友，调味又要换一套逻辑。

如果 AI 每次都给标准菜谱，它就只是一个会说话的菜谱库。

我希望 CookPal 的记忆更朴素一点。

比如它知道：

这些信息单独看都很小。

但它们积累起来，回答就会变得不一样。

它不再只是说“红烧肉要加糖”。

它会说：“你上次觉得偏甜，这次糖少放一点。”

这才是厨房记忆的价值。

不是做一个很玄的用户画像，而是让下一次做饭少一点重复沟通。

嘴巴要克制

厨房里的输出不能只靠屏幕。

屏幕适合放步骤、食材清单、计时器。

但真到关键节点，还是要说出来。

手机喇叭可以说。

外置 AI 音箱可以说。

以后厨房中控屏、智能音箱、厨电自带扬声器，也都可以成为这个“嘴巴”。

不过，“能说”不是重点。

重点是该不该说。

一个一直说话的厨房 AI，会很烦。

尤其是用户已经会做，只是偶尔需要提醒，它还在旁边解释原理，这基本就是添乱。

我觉得它应该在几个时候开口：

其他时候，安静一点。

好的搭子不是存在感最强的人。

是知道什么时候该插一句。

工具：AI 不能只会说

现实任务里的 AI，只会说话是不够的。

厨房里有很多可以被 AI 调用的小工具：

但我不认为第一步就要把所有厨电都接上。

更现实的路线是先从手机开始。

手机负责听、看、说、记。

外部设备在必要的时候逐步接入。

我现在更愿意这样看 CookPal：

它首先是一套厨房里的现场 AI 架构，然后才是一个 App。

人负责行动和最终判断。

AI 负责听、看、记、提醒、组织步骤。

设备负责执行边界清楚的动作。

这套分工如果成立，后面接什么设备反而是第二步。

可迁移的不是菜谱

厨房搭子表面上是做饭产品。

但我更关心的是它背后的结构能不能迁移。

换个场景，实体会变。

看展搭子的工具可能是路线规划和讲解卡片。

旅行搭子更像一个 AI 导游，可以讲解眼前内容，回答追问，也可以推荐拍照机位和附近值得停下来的地方。

导视搭子的眼睛和嘴巴会更重要。

健身搭子的任务状态可能变成动作、组数、心率和恢复时间。

但问题没有变：

AI 怎么进入一个正在发生的现实任务，而且不打断人、不添乱、不假装自己无所不能？

最后说回“怎么做”

CookPal 背后当然有很多工程问题。

语音怎么低延迟。

视觉怎么降级。

状态怎么结构化。

记忆怎么同步。

计时器怎么和对话连起来。

这些都要做，而且都挺费时间。

但如果只讲工程细节，这件事反而会被讲窄。

我真正想验证的是另一件事：

AI 能不能长出一套适合现场任务的感官和外脑？

它不用替人做饭。

至少现在不用。

它先做到几件小事，就已经有价值了：

让新手少慌一点。

让步骤少漏一点。

让家里的口味被记住。

让该提醒的时候别沉默。

厨房只是第一个样板间。

如果这个样板间跑通，看展、旅行、导视、健身、陪护这些场景，都可以重新问一遍：

人在现场，最希望 AI 多帮哪一步？