Z Founder｜独家对话许奇，前Nothing AI负责人获Nebulon投资，用Relay Q重新思考人机交互

随着大模型能力的不断提升，人机交互的模式，是否也到了重新设计的时候？语音开始站到了这一轮人机交互的前沿。Wispr Flow估值已经冲到了20亿美元。硬件也开始以各种产品形态进行尝试。

本期我们邀请到随心所语的创始人许奇。许奇的经历横跨腾讯、一加、飞书和Nothing。作为Nothing的早期员工，他曾负责Nothing OS产品体验、软硬件结合等相关工作，后期他又在内部组建AI团队，探索AI能力落地和新形态硬件。今年4月，他离开 Nothing，开始探索 Relay Q，并拿下了 Nebulon Ventures 及另外一家美元基金的投资。Relay Q 预计将在2027年 CES 上发布并发货。

这一次，我们谈到了他为什么不做全天候采集，语音输入如何区分表达内容与操作意图、智能程度、延迟和成本之间如何取舍等问题。这些讨论最终指向一个问题：当AI越来越能理解意图、执行任务，人该以什么样的方式，把想法交给它？以下 Enjoy！

Z HighLight

• 「上下文采集依然要计算ROI，很多可穿戴设备的成本从第一天发生，但是价值却很晚出现。」

• 「语音输入，最难平衡的，是智能程度、延迟和成本之间的关系。」

• 「我们最看重的指标，是说完之后不用修改、一次发出去的比例。」

• 「输入的交互必须足够中立，这可能恰恰是留给创业公司的空间。」

持续采集上下文，先算清价值与成本

ZL：请先简单介绍一下你的职业经历吧。

许奇：我的经历比较跨界，横跨互联网、手机和消费电子。

刚毕业时，我在腾讯做QQ空间的用户研究。我从小对消费电子、硬件产品就很感兴趣，尤其喜欢手机，算是一个手机发烧友，所以后来进入了手机行业，加入了一加。

我在一加做了五年。加入时它的OS还在从0到1的阶段，我先负责基础模块的产品规划，后来负责软硬结合，到最后阶段负责OS的整体规划，也带产品团队。虽然我的角色偏软件，但一直对硬件很感兴趣。

2020年，我去了飞书待了一年，在文档团队。

后来一加的几个核心成员出来，想做一个新的消费电子品牌，也就是Nothing。我负责整体软件产品体验、软硬结合，也包括早期团队搭建。最后在Nothing的两年多，我的重心在AI上，在内部搭了一个新的AI团队，负责AI能力落地和新形态产品的探索。今年4月正式离开Nothing，5月启动了现在这个项目。

ZL：在Nothing的经历，对你现在的创业有什么影响吗？

许奇：当时做Nothing，我们有一个假设：消费电子变得比较同质化，能不能把消费属性做得更重一些，通过品牌、设计和用户体验产生差异化，让年轻人和科技爱好者有真正喜欢的品牌。这个判断，在Nothing的第一款产品，也就是耳机上，得到了一定的市场验证。

但目前的AI浪潮还不一样，核心突破靠技术主导，技术更为成熟一些之后，关键是怎么把它产品化，变成用户真正需要的东西，以及产生真正的商业价值。我觉得要更加第一性的去思考加上尊重消费的常识，才能获得成功。

ZL：你怎么看现在抢占上下文的AI硬件的机会？

许奇：从根源上看，我觉得有两种逻辑：一种是通过更方便的交互方式以及传感器，更好地获取上下文和人的意图；另一种是提供更强的算力。

但具体到产品，起点又不一样。录音卡更像是从功能和场景出发，从录音笔到录音卡交互变得更方便，再加上AI总结能力，是一个很直觉的产品，但不完全是从持续获取上下文的逻辑出发。

另一类产品，则是从always on持续获取上下文出发。从2024年年底开始，出现了项链等不同形态。但到现在这个节点，在我看来，还没有谁真正把这类产品的产品化和商业化做通。

ZL：你也做过持续采集上下文的产品尝试，真正用起来以后，什么地方和最初想的不一样？

许奇：确实能给我一些惊喜，但很多时候也就是流水账。

这些信息可能需要比较长的周期，才能挖掘出更大的价值，可能得戴一个月，甚至更久。但如果戴完当天不能立刻得到价值，很多人可能根本坚持不到那个时候。

而穿戴设备本身有成本。你要一直戴着它，还要持续充电，这些都有摩擦。它带来的价值，至少要明显高于用户付出的成本，用户才有持续佩戴的动力。

所以，更核心的问题是，持续捕捉的信息和上下文，是不是有足够的价值。

ZL：所以，不该只问上下文有没有意义，还要问上下文可以产生的ROI？

许奇：是的。可以思考一个问题：为什么现在很多上下文产品还是以声音为主？视觉信息处理，在我看来，目前在技术上来说还是一个比较低效的处理方式。我们看一个画面，里面绝大多数信息，大脑可能并不会真正处理。看到书，要对焦到某个字上，才会处理那个字。但持续处理视频流，对算力和成本的要求很高。

因此，如果单位Token成本没有带来足够的价值，这个成本由谁买单？是硬件公司，还是消费者？

声音比较作为上下文入口，比较合理的一个原因是单位信息密度足够高。但换成全天候持续采集，单位信息密度又会下降。

剥离语音与意图

ZL：回到产品本身，Relay Q是什么？曾经有人定义你们就是一个语音输入设备。

许奇：最基础的一层，可以理解为一个比较原生的输入设备。和输入法有相似的逻辑，但我们会再做一层，更好地理解你的意图。

我们不只看怎么把内容变得更可读、更结构化，也在看怎么剥离你的意图和你要输出的内容之间的关系。

它不只用于即时通信，任何能用键盘打字的地方都可以。我们想做的是，更好地覆盖键盘现在承担的很多输入场景。

ZL：能不能举几个实际的例子，说明理解意图和语音转文字有什么不同？

许奇：第一类是知道你在跟谁说。我的一位海外同事只能看懂英文，我可以说中文，比如“你下周来深圳的时候，咱们找个机会碰一下”，出来的就是英文。这背后有两层：先识别出你在跟谁对话，这更多是工程问题；再是你可以给不同的人设不同的偏好，你持续给一个人输入时，系统也会根据你的习惯给出建议。

第二类是一句话里有多个意图。比如：“咱们5点半左右见，在公司楼下的星巴克，顺便帮我建一个Google日程。”这里有两件事，一是回消息，二是建日程。消息写好了，日程也生成好了，我确认一下，双击Relay Q就发出去。

第三类是话里缺信息。比如：“周末要不要一起看电影？诺兰最新那部，名字我忘了，你帮我查一下，把豆瓣链接发给对方。”它会实时搜索，找到片名和可用的链接，而不是靠模型已有的知识。

第四类是交给Agent。我说“Codex，帮我把这份文档第四页改得简洁一点”，它就打开Codex，把要求放好，由我决定发不发。对大部分人来说，面对人还是面对Agent并没有那么大区别，都是一种输入和输出的关系，只是每个场景的诉求不同。

所以这里面又出现了几种完全不同的情况：

1.给AI输入时，帮用户做过度的结构化和处理，不一定是好事。Agent本身能理解你的意图，过度总结，反而可能丢失一些潜在意图。

2.给人，尤其是同事、上司等发消息就不一样，适当的结构化是有意义的。

3.但给朋友、亲人发消息，又不能处理得太过结构化。

ZL：Typeless在这些功能上应该也可以实现，Relay Q 的差异在哪里？

许奇：Typeless 在把语音变成好文字这件事上做得很好，也能理解“改成英文”、“活泼一点”这类要求。但Relay的意图理解和优化范围更宽，可以分三层看。

第一层，更懂你当下的上下文。 除了识别你在哪个App，Relay还能识别你在和谁说话。正如前面提到，发给外国同事可以自动变成英文。Relay也能参考当前窗口和选中内容更好的输出内容。

第二层，更了解你这个人，有独属于你的自动记忆。 Relay 会长期记住你的偏好、人际关系和常用术语，你也可以为不同场景设定更细的要求。这些内容你都能查看和修改。

第三层，能调用工具，而不只是写字。 说“把我的收货地址发给对方”，它会填入你保存过的地址。在Terminal里，它输出能运行的命令；在表格里，它输出公式。Mac版的Relay Skills还能把内容送到指定的App、人和agent，你也可以自己搭建Skill。

ZL：随着大模型能力提升，意图识别也会越来越强。对你们来说，真正难做的是什么？

许奇：我觉得最难平衡的，是智能程度、延迟和成本之间的关系。

我们可以调用最强的模型，帮你做所有的意图理解，但这会带来很高的延迟。现在一些很强的模型，有很强的思考链，你不可能发一条消息，还要等十几秒，大部分人不能接受。

但如果智能程度不够，又没有办法很好地理解你真正的意图。所以这中间，我们做了很多平衡和设计。

我们的模型设计是分层的。

像“好的”“收到”这样的简单回应，在本地就能完成。其他内容会先经过Jev这类专门做判断的决策模型，快速判断你要的是一段文字、需要查资料，还是要执行一个动作，再交给合适的模型或能力。

如果环境嘈杂、内容不可靠，只靠 ASR 是不够的，我们会让更强大的多模态模型直接听音频，判断你到底说了什么。

这样，简单的事几乎不用等，真正需要更强大的智能的时候再按需调用。

ZL：你们的北极星指标是什么？

许奇：内容一次性的发送率。也就是有些内容，你可能一次说完就直接发出去，都不会再看。所以我们在延迟优化上，确实花了很大的精力。

ZL：Relay Q为什么长成了这个形态呢？

许奇：语音能力越来越强，但场景成了最大的摩擦。

我们想解决的第一个直接问题，是怎么解锁更多语音输入的场景。

比如开放办公室里坐着很多人，一方面，大家觉得打扰别人不太好；另一方面，有些内容比较隐私，不方便说出来。这些摩擦，让很多人很难把语音当成主要的输入方式。

所以我们希望，不管在相对安静的办公室，还是嘈杂的咖啡馆，都能用语音，而不是受到场景限制。我们现在能做到非常轻声的输入。

除了让输入更轻松，我们觉得交互本身也很重要。我们的交互灵感其实来自圆珠笔。笔按下去的瞬间，你要写字；我们也是希望，按下去的瞬间，你要说话。

图片来源：Relay Q

先做好任务分发的“秘书“

ZL：给Personal Agent找个硬件载体，最近是一个热门话题，你怎么看？

许奇：现在有很多产品想把自己定位成一个更全能的助理。但我们更倾向于把Relay Q定义成秘书，而不是助理，这两者有一个能力上的区分。

秘书更像是能帮你做很多文书类工作、建行程，也可以帮你派活。比如公司里有其他人，秘书可以把活派给对应的人去干。但你让他自己写一份战略分析报告，他可能写不了。我们的边界在这里。

ZL：听起来似乎你们并不是在讲一个Personal Agent的故事，长期看，应该怎么理解Relay Q的未来？

许奇：我们想做的是一种新的人机交互方式。交互层一直跟随技术发展进化。从键盘命令行，到图形界面和鼠标，再到触屏、多点触控和手势，都是在降低使用设备的成本。

ZL：长期想做新的人机交互，但目前看短期还是先聚焦电脑上的生产力场景？

许奇：短到中期，我们会更聚焦生产力场景，或者说，我们想做一种新的工作方式。

现在办公室里的工作方式，还是以键盘、鼠标为核心。我们觉得至少在这个场景，有更大的突破空间。

我自己做了十年以上手机，对手机的判断是，它已经是一个高度成熟的平台，用户习惯根深蒂固。强行改变很多习惯，不一定有什么真正的收益。反而PC、Mac上的很多体验和价值，没有被充分释放。对绝大多数办公室人群，电脑仍然是最核心的生产力设备。围绕这个场景，把体验做到下一个世代，是我们短期的核心问题。

ZL：你怎么看新的人机交互，语音就够用了吗？

许奇：语音有很多优势，但也有劣势。很多人的语言表达能力有限，很难结构化地表达意图。假设有一个非常强的语音交互，没有鼠标，你说：“把这里面第三句话翻译成英文，再发给微信里的某个人。”能不能做到？能。但这个描述本身很费劲。

一旦让人进入这种结构化描述的思考方式，很多人就会抗拒，因为变成了慢思考，是一个不直觉的事情。

鼠标的指向性，几乎是潜意识里的动作。点到哪里，就代表一个很明确的意图。所以精确指向在未来不会缺位。我们要探索的是，用什么方式让它和语音结合，成为更原生的体验。

交互和设备的迭代，都不是直接替代。比如现在还有很多外设，设计师需要用手绘板，鼠标也取代不了它。

ZL：交互方式作为底层的范式改变，会不会是大厂才能主导、引领的？

许奇：交互是一个很中性的东西，需要足够中立。如果由生态里某个具体应用玩家定义，别人要不要跟随？和它有直接商业竞争关系的人，会怎么想？这反而可能给创业公司留下空间，以更中立、第三方的身份。

尤其未来涉及意图分发，同一件事既可以分发给A，也可以分发给B，用户为什么相信你？这是很重要的事情。

ZL：接下来会怎样扩展产品形态？

许奇：一个方向是基于模块化设计做横向扩展。

作为输入设备，每个人的偏好、习惯和场景都可能不一样。我们的主体、下面的杆件，包括手机上的配件，都是模块化的思路。

手机上的配件首先是一个支架，上面有按键，用来触发麦克风。我们希望基于这个设计，扩展更多不同人群的需求。

从交互历史看，鼠标最早很简单，只有一个按键，能移动、能点。随着图形界面发展，才逐渐有左右键、滚轮，甚至更多快捷键。我们也会有这样的过程。

ZL：最后问一下你们的融资历史和为什么叫Relay Q吧

许奇：目前拿到了两家美元机构的钱，其中一家是Nebulon Ventures。

Relay Q这个名字有两层意思：一是产品外形看起来像字母Q；二是英文里的 cue，通过语音cue一下。

最后我想说，不管技术多新，我们做的还是消费品，要尊重消费者的认知。我们希望用户愿意高频的使用，用非常自然直觉的方式，且很容易理解和获取价值。

请注意，此次访谈内容已经过精心编辑，并得到许奇的认可。欲了解更多关于Relay Q的信息，敬请关注其相关官方账号。我们也欢迎读者通过留言互动，分享您对本访谈或AI硬件的看法。

文章来自于"Z Lives"，作者 "Z Lives"。