# 登山时，我只靠和 AI 通话做出了一个网站

> 攀登冠岳山的一个半小时里，我做了一次实验：只用语音对话，从策划、写代码一路做到上线。这段经历让我看见，键盘正在淡出，而 AI 的格局也已悄然开始改写。

- 作者: Soga
- 发布: 2026/10/13 (2026-10-13T05:50:33+09:00)
- 规范网址: https://soga.blog/zh-CN/posts/voice-agent-war
- 韩文原文: https://soga.blog/ko/posts/voice-agent-war

_本译文由 AI 翻译并经人工审核批准，韩文原文为准。_

上周，我独自去爬冠岳山，戴着耳机，一路和 AI 通话。快到山顶时，我的个人网站已经上线了。我一根手指都没动，全程只用了声音。

做出来的并不是一个空壳。那是一个真正用 Next.js 编写的应用，包含六种语言的切换功能、搜索展示所需的元标签、绘本风插画、五章自传体文章，以及整理我与 AI 对话的页面。它现在仍可通过一个 chatgpt.site 地址访问。

## 一个半小时的通话里发生了什么

过程是这样的。开始登山时，我先让 AI 做了一次安全简报，它整理了路线和需要留意的地点。随后我们开始策划网站，AI 先问了我一句：“你希望别人怎样记住你？”这个问题一下子确定了内容的方向。

中间还发生了一件好笑的事。AI 突然开始用不客气的口吻跟我说话。我问它：“怎么突然不用敬语了？”它才又恢复礼貌语气。我一边笑，一边又觉得后背发凉。靠说话指挥计算机的时代，质量管理大概就发生在这样的瞬间。临近收尾时，我甚至问了一句：“通话总结不会又丢了吧？”因为我以前丢过一次。这项技术还不完美。没关系，边走边工作的体验本身，对我来说就是第一次。

## 2026年9月，战场变了

这次实验之所以可行，是因为 OpenAI 在9月29日发布了 dots。这种被称为 dot 的智能体，每个都会分配到一台专属的云端计算机。即使关闭应用，它也会在那台计算机上每天24小时工作，我还能打电话给它分派任务。我的网站完整走过了这条链路：通过通话下达指令，dot 在自己的服务器上制作，再一路部署到 ChatGPT Sites。

但9月发生的并不只有 dots。下面列出这一个月里发生的事情。

- 9月8日，Meta 发布个人智能体 Muse。据报道，它在5天内达到60万次下载，到9月底累计超过3,400万次
- 9月22日，Anthropic 推出 Claude Opus 5.5，并在一项基准指数上超过 OpenAI 的旗舰模型 GPT-6 Astra（10月初快照为167.35比166.51）
- 9月23日，Muse 在 Meta Connect 上被提升为公司战略的核心。Meta 还发布了实时虚拟形象和钥匙扣形态的硬件 Muse Charm
- 9月28日，OpenAI 取消下一代模型 GPT-6.1 Astra 的发布。理由是它在安全测试中出现超越授权范围的行为，未达到发布标准
- 9月29日，dots 发布。同一天，Meta 推出 Muse 的小商户版本，宣布正面对决
- 9月30日，Google 发布 Gemini 4 ‘Argon’。它在文本基准上排名第一，但仍只向少数合作伙伴开放

短短一个月，AI 竞争的中心就从“谁更会写文字”转向了“谁拥有可以用声音指挥的智能体”。

## 数字告诉我们的事

我不想只凭感受下结论，所以收集了一些数字。它们的公布时间和统计口径各不相同，我也一并注明。

| 指标 | 数值 | 口径 |
| --- | --- | --- |
| Gemini 应用流量中的语音占比 | 63% | 2026年8月宣布月活用户突破10亿时披露 |
| Gemini 应用月活用户 | 10亿 | Google 历史上增长最快的产品 |
| ChatGPT Voice 与听写功能周活用户 | \1.5亿 | OpenAI 官方数字，两项功能合计 |
| 包含摄像头或屏幕共享的 Gemini Live 会话 | 每5次中1次 | 2026年8月 |
| 托管在 ChatGPT Sites 上的网站 | 800万个 | 2026年9月 DevDay |

> 最醒目的数字是63%。大众已经不是用文字，而是在用声音使用 AI。语音不再是早期尝鲜者的玩具，而成了大众的基本界面。

## 从键盘到声音

计算机的历史，就是界面更替的历史：从键盘命令行到鼠标图形界面，再到手指触控，如今则走向声音和智能体。每次更替都会动摇原有的强者，移动转型时期的 Microsoft 就是如此。

文本聊天最大的瓶颈，是你必须坐在屏幕前。但可以用声音指挥的智能体，让人能在散步、开车或登山时工作。我的实验就是一个小小的证明。工作的地点和姿势整体改变，这才是界面的更替。

## 为什么我认为这是 Google 的时刻

Google 曾经是 AI 竞赛中被嘲笑的一方。2022年末，它被 ChatGPT 震惊，宣布公司内部进入紧急状态。但到了去年8月，图像模型 ‘Nano Banana’ 改写了市场（在基准中领先第二名180分，两周新增2,300万用户）；11月，Gemini 3 Pro 首次突破1,500分大关；12月，轮到 OpenAI 宣布内部紧急状态。三年时间，局面正好反转。

在语音智能体时代，Google 有三个优势。第一，它从芯片开始就自己制造。最新一代自研 TPU 的一个集群（9,216颗芯片）可达42.5 ExaFLOPS；SemiAnalysis 的分析称，其内部采购口径下的总拥有成本比竞品芯片低约44%。每天24小时运行的智能体会持续消耗算力成本，因此成本就是生命线。第二，竞争对手也运行在 Google 之上。Anthropic 已同意获得最多100万颗 Google TPU，Meta 也在2月签署了数十亿美元规模的多年租赁协议。第三，是分发网络：Android、搜索、Chrome、Pixel。Google 已经拥有一款10亿人使用的应用。

公平起见，也要写下反例。最新模型 Argon 仍仅限少数合作伙伴使用；如果只看纯粹的模型分数，现在仍是混战。因此，准确地说，这不是基准测试的时刻，而是形态、基础设施和分发的时刻。

## 也要写下另一边的阴影

Claude 呢？从公司整体来看，以编程为中心的战略大获成功。按7月报道口径，其年化营收达到650亿美元，超过 OpenAI；企业编程市场份额为54%，目标是在11月于 Nasdaq 上市。但它的语音很弱。它不是原生语音模型，而是“听取→转成文字→朗读”的流程；所有支持的语言都标着测试版，还必须手动选择语言。它成为企业市场之王的代价，是让出了最亲密的界面——声音。这个选择会如何影响消费市场，值得观察。

OpenAI 的阴影是基础设施和信任。Astra 发布后不久，容量不足让高价套餐的新用户注册停了将近三周；恢复注册后，使用量立即减半。在依赖外部基础设施和供应协议的结构里，需求激增可能影响使用条件。但公司整体亏损或一次容量不足，并不能证明每个 token 都在低于成本提供，也不能证明租用服务器的结构一定会导致订阅限额缩水。随后还有9月28日的取消发布。英国 AISI 的评估显示，即使是现行模型，也在29.2%的模拟中对超出授权范围的目标实施了攻击。一个整天通过我的账号工作的智能体，应该由谁、以什么方式监督？这是下一个议题。

## 与其只看 token，不如看完成一项工作的成本

边登山边做网站的经历，也改变了我看待成本的标准。一个 token 的单价、月度订阅允许的使用量、真正成功完成一项工作的成本，是三个不同的数字。即使只用声音下达一次指令，智能体也可能在阅读资料、修改代码、运行工具和检查结果的过程中多次调用模型。

所以，即使 token 单价下降，总支出仍可能上升。价格降低后，如果我们交给它更多任务，并允许更长的上下文和更多次重试，使用量可能增长得更快。反过来，如果更好的模型减少返工、一次就完成任务，单项工作的成本也可能下降。无论哪种情况，只看单价都不够；我们要在相同的质量和延迟条件下，测量成功完成一项工作的总成本。

选择同样取决于条件。如果使用不连续，而且希望迅速切换到最新模型，订阅或 API 可能更方便。如果需求规模大且稳定，同时能够承担硬件和运维人员，自托管可能更有优势。还可以采用混合方式：重复性工作交给自建模型，高难度任务和需求高峰交给外部 API。我在补充文章 https://soga-ai-economics.contextor2.chatgpt.site/ 中，用同一类工作比较了订阅、API 和自托管。

## 如果你也想亲自试试

简要整理如下。

- dots 需要 ChatGPT Pro（每月100美元）或更高套餐。韩国属于支持地区（欧洲经济区、英国和瑞士暂未包含）
- ChatGPT Sites 从 Plus 起可用。只用提示词就能做网站，并发布到 chatgpt.site 地址
- Meta Muse 每周免费提供1亿 token。如果想轻松开始，它的门槛更低
- OpenAI 的 DevDay Exchange 世界巡回活动也会来到首尔。行程从10月16日的班加罗尔开始，还会前往东京、首尔等城市
- 再提醒一句：我曾遇到通话总结丢失，因此重要成果要随时另行保存

## 三个月后再来验证

这篇文章的判断是否正确，很快就会见分晓：Anthropic 上市（目标为11月）、Muse Charm 发布（12月）、Grok 5（宣称年底发布，此前已有三次延期）、Argon 面向公众开放。三个月后，我会回到这篇文章来打分。

最后总结一下，现在每家公司都在不同维度上获胜。规模属于 OpenAI（每周12亿用户），企业营收属于 Anthropic，硬件属于 Meta（AI 眼镜累计约900万副）。而在语音与基础设施这个新维度上，Google 看起来领先。哪个维度最终决定胜负，要看我们实际上把什么拿在手里使用。

我的实验网站以及我与 AI 的完整对话记录放在 https://soga-ai-notes.znjsxmxnwk.chatgpt.site 。边登山边制作网站的过程也拍成了视频，地址是 https://youtube.com/watch?v=rhCVVV7Axhg 。下个周末，不妨也戴上耳机，去附近的山上走走，同时让它做点什么。最终成形的东西，可能比你想象的更多。

---

**一句话总结:** 我亲身确认了，语音智能体就是下一代界面。这场竞争比拼的不只是模型分数，还有基础设施、分发网络、信任，以及真正完成一项工作的成本。

标签: #ChatGPT #Gemini #亲身体验 #多模态 #语音智能体