AI 助手只能等你提问?我做了款能实时参与讨论的主动型 AI Copilot

有趣产品咖啡馆 Funny café ：一个能让你更快接触到更多新鲜有趣好玩产品的地方。我会寻找市面上有趣的独立产品，向独立开发者们进行一对一的访谈，挖掘优质产品背后不为人知的故事（文末可加入群聊，有彩蛋！）。

1、可以先简单介绍一下你自己，也介绍一下 Pask ，对于第一次接触这类产品的用户来说，应该怎么理解？

Hello 大家好，我是谢之非，南洋理工大学（NTU）人工智能方向博士生。我的学术研究主要聚焦于音频大模型和语音交互模型，其中我们开源了全球首个实时对话音频模型。除学术研究外，我还和我的导师颜水成老师一起创建 Pask.AI ，致力于打造首个以理解用户意图为核心的实时主动 AI。

对于第一次接触这类产品的用户，我一般会用一个很简单的比喻。

大多数 AI，其实更像是搜索引擎升级版。你需要先想到问题，然后去问，它再给你答案。而 Pask 是一个一直在旁听、会在关键时刻主动给你信息和提示的 AI 助手。

你们在一开始的时候协商好他需要帮你做什么，像是解释同事的行业术语，为你们的讨论实时补充数据，或者一个值得展开的观点时，它会自动帮你补充背景、解释概念、或者整理关键问题。这其实就是我们希望带来的体验。

简单来说，就是你可以用它来看网课，学习，讨论，工作。有了这个产品，你不会再常常停下来问 AI，但 AI 会一直在旁边，把你来不及查、来不及想清楚的东西，实时补给你。

2、你们把 Pask 定义成一种“主动型 AI Copilot”，这个想法最早是从哪个真实场景里长出来的？你当时为什么会觉得，传统“你问我答”的 AI 已经不够用了？

最早这个想法其实是从学习场景里长出来的。

我们观察到一个很真实的问题：学生在课堂上，只要某一个概念没听懂，或者某一段逻辑没跟上，后面整堂课基本就很难再跟住了。你当然可以去查，但问题是课堂不是会停下来等你，等你查完回来，老师早就讲到下一段了。所以学习一直是我们非常重要的一个场景，因为它特别能说明“及时帮助”这件事的价值。

但后来我们越想越觉得，问题其实不只是时间来不及，或者场合不方便。更核心的是，传统“你问我答”的 AI，有一个很强的前提：I know what I don’t know。也就是说，用户得先清楚地意识到，自己哪里不会、哪里缺信息、哪里需要帮助，然后再把这个问题提出来。

可真实世界里，很多时候根本不是这样。更常见的状态其实是：I don’t know what I don’t know。

尤其在工作里，你经常并不知道自己漏掉了什么。比如开一场 40 分钟的会，里面可能有十几个瞬间你其实非常需要帮助，也有更多瞬间，AI如果能补一把，会让你的理解和判断都更完整。有人提到一个公司、一个概念、一个政策，你其实想知道它的背景；有人抛出一个观点，你会想知道有没有反例、有没有数据支持；有时候你甚至不是有一个明确问题，你只是隐约感觉这里值得被整理成几个关键问题继续往下讨论。

但这些需求往往都来不及问。因为你一旦停下来问 AI，你就会错过会议接下来在讲什么。

所以我们后来意识到一件事：如果 AI 只有在你提问的时候才出现，那它本质上还是一个“离线工具”，而不是一个真正参与当下过程的 copilot。

Pask 的想法就是从这里出来的。我们不是把 AI 当成一个随叫随到的问答助手，而是希望它像一个一直在旁听、一直在理解上下文的 copilot，在合适的时候主动把信息、线索和提醒递出来。这个能力在会议场景里就特别重要，因为会议本身就是一个信息密度很高、但又最没有时间停下来提问的场景。

我理解的“第二大脑”，更像是一个实时参与思考的系统。

它不是一个被动的数据库，而是一个会在合适的时候提醒你：

• 你以前其实见过类似问题

• 这个观点和某个理论有关

• 这个公司之前的融资背景

如果说要补一块能力，我觉得是：把人的长期记忆、实时场景和 AI 的推理能力连接在一起。

当时我们团队其实在讨论一个很技术的问题：我们是不是应该把总结做得更好？比如更精准的会议纪要、更强的知识库、更复杂的 RAG。

但 GPT 给我的回答其实很简单，它说了一句话：

用户真正需要的不是“更好的总结”，而是“在需要的时候得到帮助”。

这句话当时对我冲击很大。

因为它其实是在说：你们现在优化的是“记录系统”，但用户需要的是“参与系统”。

那一刻我突然意识到，我们可能一直在优化会议之后发生的事情，但用户真正需要的是会议正在发生的时候。

Pask 后来很多设计，其实都来自这个认知转变。

最本质的区别其实只有一句话：

大多数工具是在“记录会议”，Pask 是在“参与会议”。

记录工具的核心任务是：把发生过的事情整理出来。

但 Pask 更关注的是：

• 讨论过程中出现的概念
• 有争议的观点
• 可以补充的数据
• 需要进一步追问的问题

它更像是一个一直在旁听的人，在合适的时候递一张小纸条给你。

6、我观察到 Pask 近期也更新了“需求组合”、“场景化 AI 工作流”的功能，不同场景自动挂载不同能力，你们为什么会决定往这个方向走？

这是一个很现实的问题。如果 AI 什么都能做，它其实就会变成什么都做不好。

比如在一场商业播客里，你可能更需要：

• 公司背景
• 行业数据
• 观点补充

但在课堂里，你更需要：

• 概念解释
• 知识延展
• 重点总结

所以我们后来做了一件事情：把 AI 的能力按场景打包。你进入一个场景的时候，AI 自动加载对应的“需求组合”，这样它给出的信息就会更相关，也更稳定。

7、最近像 OpenClaw 这样的产品也很受关注，它们同样在探索“常驻、主动、可调用能力的 AI 助手”这条路。你怎么看这类产品和 Pask 的关系？你觉得 Pask 想走的主动 AI 路径，最不一样的地方在哪里？

我觉得这是一个很好的趋势。过去一年很多 AI 产品其实都在意识到一件事情：AI 不应该只存在于一个聊天窗口里。

像 OpenClaw 这种产品更像是在探索系统级助手，可以帮你操作电脑、执行任务。Pask 的关注点其实有点不一样，我们更关注的是：人在“思考和讨论”的时候，AI 怎么参与。

所以它的核心场景会是会议和课堂这种需要深度谈话的场景。

换句话说：OpenClaw 更像是行动型助手，而 Pask 更像是认知型助手。

我觉得最重要的一次升级是：从“功能思维”变成“系统思维”。

一开始我们想做的是很多功能，比如录音、实时总结，知识库和记忆库。后来慢慢意识到，这些其实都只是组件。真正重要的是：AI 如何理解当前发生的事情，并持续提供帮助。当我们开始用“系统”去看这个问题的时候，很多功能就自然出来了。

9、从实时智能助理到桌面 AI 入口，意味着产品可能会接触到更多上下文和更多用户隐私。在隐私这件事上，你们是怎么处理的？

从实时智能助理走向桌面 AI 入口，确实意味着产品会接触到更多上下文信息。我们的处理方式，首先在底层安全服务器层面，我们具备三层能力：第一，数据在传输、存储、计算全过程都可以验证机密性和完整性；第二，底层有加密和授权访问能力，确保数据不是裸露流转；第三，访问控制是基于细粒度权限模型来做的，谁能接触什么数据都有严格限制。

更重要的是，在这个基础上，我们对用户数据的原则非常明确：数据归用户所有，不归平台所有；我们不会去窥探、转售用户数据；也不会把用户数据拿去做模型训练。换句话说，底层能力解决的是“即使系统处理了数据，也能保证安全”，而产品原则解决的是“我们本来就不应该去碰不该碰的数据”。这两层是同时成立的。

10、你觉得主动 AI 想真正成立，最先要做到的是“聪明”，还是“识趣”？为什么？

我觉得是识趣。

如果一个 AI 很聪明，但总是在不合适的时候打断你，那它其实会变成一种干扰。

主动 AI 最大的挑战其实不是能力，而是时机。

什么时候应该出现，什么时候应该保持安静。

我觉得真正好的主动 AI，应该更像一个很懂分寸的助手，而不是一个一直在说话的专家。

11、除了自己的产品，你还有在用哪些产品？

我其实会用很多 AI 工具。

比如：

• ChatGPT / Gemini 做深度讨论
• 豆包用来搜索、翻译，飞书/zoom 开会

还有一些比较轻量的工具，比如录音软件、笔记软件之类的。

我其实很喜欢尝试各种新工具，因为很多产品的设计细节都很有启发。

12、如果不聊产品开发，你平时的工作和生活状态更接近什么样子？

其实还挺简单的。大部分时间都在看各种新论文、新技术，做 paper，偶尔打游戏放松一下。

但我也会花时间听播客、看访谈，因为很多灵感其实是从这些地方来的。有时候你会发现，一个很好的 idea，可能比一个很好的答案更重要。