从Siri到Muse:AI助手十五年进化史,谁在抢占你的下一个入口?

2011年，苹果把Siri塞进iPhone，人们惊讶地发现手机除了打电话，还能装一个听得懂人话的小东西。十五年后的今天，AI助手早已不满足于简单问答——它开始替你读邮件、做表格、写代码、操控电脑，甚至在你离线后继续干活。

回望这段历程，五款里程碑式产品划出了AI助手的五个时代：Siri让机器听懂了人类指令，Alexa让AI走进千家万户，Copilot让大模型参与知识劳动，Codex让AI嵌入生产链路，而最新亮相的Muse则瞄准了一个更宏大的目标——成为长期了解你的"数字分身"。

每一代产品都在解决上一代留下的核心痛点，却也制造出新的瓶颈。没有谁能一步到位造出完美的AI助手，它们都是各自时代的"对症下药"。但一个不可逆转的趋势已清晰显现：AI助手正从问答型工具进化为陪伴型伙伴。 而当这一步发生时，决定AI助手价值的不再仅仅是模型能力，更包括它能获取什么信息、调用哪些工具，以及人类愿不愿意把更多权限交出去。

一、Siri诞生：语音交互的启蒙时刻

2011年10月4日，苹果举办了一场主题为"Let's talk iPhone"的发布会。这个"talk"暗藏玄机——当天真正的明星是一款叫Siri的语音助手。

台上，时任苹果高级副总裁Scott Forstall连续抛出问题：今天要带伞吗？附近有什么餐馆？明早几点叫我？其中最令人印象深刻的演示是："我离开公司的时候，提醒我给妻子打电话。"传统手机软件要求用户手动设定时间，Siri却试图理解"离开公司"是一个与地理位置挂钩的状态——手机检测到用户离开特定区域后自动触发提醒。 这是AI助手首次借助电子围栏和上下文关联实现场景化提醒，也是它第一次以完整产品形态走进大众视野。它让普通消费者第一次感受到：计算机不仅能执行点击操作，还能理解语言背后的真实意图。

值得一提的是，彼时乔布斯已在8月因健康原因辞去CEO由库克接棒，并在发布会次日溘然长逝。他对Siri首秀是否满意，已成永远的秘密。

Siri并非苹果的原创灵感。它源自美国国防高级研究计划局资助的CALO项目，参与该项目的SRI团队后来创办了Siri公司，试图将实验室里的认知助手变成消费级产品。2010年苹果以2亿美元将其收入囊中，一年后深度整合进iPhone 4S。 苹果做的最关键的一步，是赋予语音助手调用操作系统的权限——此前语音识别软件仅能把声音转为文字，Siri却能进一步调用电话、短信、日历、提醒、地图和搜索，一句话便串联起完整链路：语音转文字→判断意图→提取时间、地点、联系人→调用对应功能。

这股语音交互浪潮很快传导至国内，催生了两条典型路径。一条是科大讯飞主导的技术服务路线。 2012年3月发布讯飞语点，趁Siri尚不支持中文打出"中文版Siri"的旗号。但与苹果走软硬件一体化不同，讯飞更聚焦底层语音识别、合成和中文处理能力，联合华为、联想、长虹、创维、上汽及三大运营商组建语音产业联盟，试图成为手机、汽车、电视、家电背后的语音技术底座。中国移动看完演示后以13.63亿元认购讯飞15%股份，年底便推出基于讯飞技术的灵犀语音助手。

另一条路来自百度。 搜索引擎天然运行在"用户提问、机器找答案"的逻辑上，百度虽不掌握操作系统和硬件，却坐拥搜索、地图、百科、知道、音乐和生活服务数据，希望把这些能力从搜索框搬进语音对话。2012年底安卓版百度语音助手上线，口号是"说到，做到"。

但用户很快发现：它虽能正确识别语音，却常常只是跳转到搜索结果页，而非直接组织答案，体验上像个半成品。 不过百度在这款产品上押对了一项关键技术——将深度神经网络用于中文语音识别，使错误率下降了25%。值得一提的插曲是，百度2013年参与了Geoffrey Hinton团队DNNresearch的秘密竞拍，虽给出4400万美元天价，却因Hinton的各种顾虑惜败谷歌。这场竞拍反而让百度更加确信AI的战略价值，2014年组建深度学习研究院，李彦宏亲自出任首任院长。

然而受限于早期技术瓶颈，智能语音最终未能在移动互联网最初十年成长为入口级技术，它更多留下了一个技术畅想：当机器听懂了人的指令之后，下一步还能做什么？

二、Alexa与百箱大战：争夺客厅里的那张"嘴"

2014年11月，亚马逊推出了一款造型奇特的新设备——一个薯片筒大小的黑色圆柱体，没有屏幕，没有复杂按键，只需放在客厅或厨房，全天候等待主人喊出它的名字：Alexa。

贝索斯后来在致股东信中坦承："没有消费者主动要求我们制造Echo。如果在2013年问用户愿不愿意在厨房放一个会聊天的黑色圆筒，大多数人都会拒绝。" Echo不是市场调研的产物，而是亚马逊对《星际迷航》中智能计算机的一次复刻实验——用户不必掏出设备，不必学习界面，在房间里开口即可，计算机便会回应。

亚马逊为Echo找到的标志性场景是厨房：一位双手沾满面粉的用户想设8分钟计时器，过去必须解锁手机操作，现在只需喊一句"Alexa，定个8分钟闹钟"。这让Alexa与Siri形成了根本区隔——Siri是手机里的一项功能，Alexa则试图成为房间的一部分，它不是等待被打开的软件，而是始终驻留在家庭环境中的计算入口。

要让产品顺利进入家庭，亚马逊首先需要攻克远场语音识别——在数米外从音乐、电视和交谈声中识别唤醒词，通过麦克风阵列判断声音方向，云端完成识别和调用。后来彭博社曝出亚马逊在全球雇佣数千人听取用户与Alexa的对话进行人工标注，引发了一场隐私风暴。其次还要解决可玩性：2015年推出Alexa Skills Kit让第三方开发"技能"，到2017年技能数超3万项，构建起类似App Store的生态。Strategy Analytics数据显示，2019年全球智能音箱出货量达1.469亿台，亚马逊约占3850万台。

Echo的成功迅速传导至国内。2017年前后，阿里天猫精灵、小米小爱音箱、京东叮咚、百度DuerOS等鱼贯而入，腾讯、出门问问、Rokid、喜马拉雅纷纷跟进，"百箱大战"全面打响。 大家盯上的是这个品类的家庭入口属性——用户通过谁播内容、买东西、查信息、控家电，这是一个极具商业价值的节点。

价格战很快成为最直接的手段。2017年双11，阿里将天猫精灵X1从499元压到99元，一天卖出100万台。百度起步稍慢，2017年发布1699元的高端raven H，但2018年迅速调转方向，以89元尝鲜价的小度智能音箱贴身肉搏天猫精灵。到2019年，IDC数据显示天猫精灵约1561万台、小度约1490万台、小爱约1130万台，三家合计占据九成市场。曾经的百箱大战，最终沦为巨头之间的入口争夺战。

但无论国内外，所有智能音箱都碰到了类似的天花板——用户最常用的仍是音乐、天气、闹钟和简单的家居控制。 Alexa能开灯，却无法理解"周末在家办一场聚会"意味着要确认人数、设计菜单、买食材、协调时间、发邀请。智能音箱建成了第一代"环境式AI"，让计算机从屏幕走进房间，却没能成为真正的家庭大脑。

三、大模型入局：AI坐上办公副驾

2023年3月16日，微软发布了一个它自认为划时代的产品——Microsoft 365 Copilot。

演示中，一名员工错过了几场会议。过去他得翻聊天记录、邮件和录像才能搞清楚状况，现在Copilot直接告诉他团队讨论了什么、做了什么决定、还有哪些分歧未解。随后它根据Word文档生成PPT，在Excel中分析销售数据，又在Outlook里起草回复。这与Siri查天气、Alexa定闹钟有着本质区别：Siri处理的是一条指令，Alexa面对的是一个家庭场景，而Copilot面对的是散落在企业中的海量上下文。

微软的独到之处在于赌对了OpenAI——2019年就投资10亿美元，帮OpenAI熬过ChatGPT问世前的至暗时刻，同时拿到技术商业化授权。过去的语音助手需要开发者预先定义意图，大模型则能理解更开放的要求，对长文档做总结、在上下文中生成内容、通过少量说明切换任务。AI助手的核心能力由此从"识别命令"跃迁至"加工知识"。 微软也为大模型找到了清晰的商业化路径：用户未必愿为聊天助手付费，但企业一定愿意为减少会议、邮件、文档和数据分析的时间买单。

国内巨头迅速跟进。2023年4月钉钉在输入框中加入"魔法棒"斜杠，召唤AI生成邮件、整理群聊重点、总结会议纪要；9月腾讯将混元大模型接入腾讯会议和腾讯文档，AI助手可在会议中或结束后直接生成摘要并回答提问；11月飞书发布"智能伙伴"，演示中AI直接搭建了一套库存管理系统——创建多张关联表格并填入示例数据，这已不是简单的文字润色，而是根据业务目标选择工具、设计字段和组织信息。

2023年的关键词是"嵌入"——把大模型嵌入原有软件，让AI帮人总结、撰写和分析。 但这一阶段的AI仍停留在生成与总结层面：能写方案却不能自己找数据、验结论并完成发布；能总结会议却难以持续追踪待办；能搭表格却无法独立扛起跨软件的完整工作流。Copilot坐上了副驾，能看地图、读仪表、提醒驾驶员，但它还没真正接过方向盘。

四、程序员的命运，率先被AI改写

大模型解决了AI无法执行任务的问题，却带来了幻觉。自然语言没有唯一正确答案，文案写错了很难精确定位问题在哪。但代码写错了，编译器、测试用例和运行日志会立刻给出反馈。 编程因此成为既能将大模型生成能力发挥到极致，又能天然校验幻觉的完美试验场。

早期AI编程产品只负责代码补全，没有改变软件开发的基本分工。Codex的出现改变了一切。2025年4月OpenAI推出Codex CLI后，它逐步进入网页、IDE、移动端和持续集成流程，形成了一条完整闭环：理解目标→制定计划→编辑文件→运行程序→观察反馈→修改错误→交付结果。 它最重要的能力不是第一次把代码写对，而是发现代码跑不通之后继续工作。

2025年OpenAI开发者大会前，团队想让Codex控制一台采用上世纪90年代VISCA协议的老摄像机，同时通过MCP连接现场灯光。这不是标准编程题。团队把不同任务交给多个Codex实例后就去吃午饭了，回来发现一个可用的应用已被自主编写完成，旁边还开着多个终端同时制作小游戏、调试功能。 过去一个程序员围绕一个任务持续工作，现在一个工程师可以同时管理多个Agent——一个研究旧协议，一个开发功能，一个补充测试，另一个审查代码。程序员从直接完成每一步，转向定义目标、划定边界、分配任务和验收结果。OpenAI官方数据显示，到2025年末Codex已能持续执行约25小时的复杂任务，消耗约1300万Token，生成约3万行代码。

程序员也成了最先被AI优化的岗位。 仅2025年10月，亚马逊一轮裁员就裁掉了1.4万个企业岗位。

Codex建立的"计划-执行-验证-修复"循环并不只适用于编程。一份行业报告可被拆成搜集资料、清洗数据、制作图表、撰写内容和检查结果；一次市场活动也可被拆成研究用户、生成素材、发布内容、监测数据和调整策略。当Agent学会调用浏览器、终端、文件系统和第三方服务并能克制幻觉后，编程Agent与办公Agent之间的边界便开始消融。

于是2026年国内迎来了第二轮AI办公竞争，关键词从"嵌入"变成了"接管"。3月腾讯推出WorkBuddy，定位AI原生桌面智能体工作台，能把不同Agent组织成团队——研究Agent搜集资料，写作Agent生成报告，表格Agent处理数据，设计Agent制作PPT，还陆续打通了企业微信、微信、QQ等入口。8月阿里推出千问办公，由刚接管钉钉的90后少壮派陈宇森挂帅，用户只需说"分析这个行业过去三年的变化，为我准备一份报告"，Agent就自己组织资料、提炼趋势、形成文档并生成PPT。字节的豆包工作则以通用执行助手的姿态加入竞争，凭借多模态能力在图片、视频、网页等场景形成独特壁垒。

上一轮争夺的是用户在哪里召唤AI，这一轮争夺的是谁来替用户完成工作。 但AI能生产不代表能承担责任——测试通过不等于架构合理，报告格式完整不等于数据可信。如何打造真正的超级智能体，开始被越来越多人追问。

五、终极幻想：AI助手要变成你的"数字分身"

2026年9月，Meta在Connect大会上发布了个人AI代理Muse。

现场展示了一个看似平常的场景：用户在Instagram收藏了一份食谱，Muse结合家庭成员的饮食限制，自动整理菜单和购物清单，并继续处理后续事务。单独看每一步都不算惊人，真正不同的是——用户收藏食谱时压根没对AI提出任何要求，Muse却需要自主理解这条内容为何与用户有关、属于哪个长期目标、接下来是否应该采取行动。

这让AI助手的基本工作单位再次发生了跃迁：Siri处理的是一句指令，Alexa处理的是一个家庭场景，Copilot处理的是一份工作内容，Codex处理的是一个工程目标，而Muse试图处理的，是一个人的长期意图。 它需要持续记住用户的偏好、关系、计划和工作习惯，不仅在被唤醒时工作，更在后台持续运行——监测日历、消息、收藏内容和任务状态，在特定条件触发时主动提醒或执行。

Meta还计划把Muse带进WhatsApp、社交应用和AI眼镜。届时个人Agent获得的信息将不再局限于文字输入——眼镜看到用户所见，麦克风捕捉现场语境，社交网络记录用户与谁交流、关注什么内容。 这构成了Meta的独特优势。

Meta研发Muse还有一个契机。它曾因执着元宇宙错过AI早期窗口，后通过Llama开源扭转局面。到了智能体竞争阶段，Meta本想通过收购补齐差距——2025年底与Manus签署了超20亿美元收购协议，若顺利可将数十亿用户关系、内容生态和硬件入口与Manus的任务执行能力直接拼接。然而这场并购经半年审查最终不了了之。 不过Meta似乎从短暂接触中学到了个人AI代理的研发之道，今年顺利推出了Muse。

一个拥有记忆、工具、身份和行动能力、不会在对话结束后消失的"数字分身"，或许正是AI助手的终极形态。在经历了智能家居、AI办公、AI编程的轮替之后，AI助手竞赛的焦点似乎又回到了最初的起点——个人助手。 只不过这一次，关于AI助手的终极幻想，这些科技巨头又能真正实现多少？

关注抖音【靓哥聊创业】

抖音号｜54707203975

保存二维码打开抖音扫一扫