沉寂多年的输入法赛道，近来被AI一把点燃。

一边是老牌玩家加速重构：年初，长期稳居头部的腾讯搜狗输入法推出20.0AI大版本，用大模型的生成能力重塑输入法的底层逻辑；讯飞和百度作为国内主流输入法产品，也在这两年纷纷引入大模型能力，生怕掉队。

另一边是新起之秀动作频出：刚发布1.0.0版本的Typeless据称“开口即可成文”，这种“仅保留语音交互+生成结构化文本”的模式正在受到行业追捧，如去年风很大的Whisper Flow和智谱、豆包输入法，都属这类玩家。最近，微信输入法在PC版上线了语音输入功能，用一个fn键系统级触达桌面端。

各大厂商一拥而上，输入法被AI的巨浪重新推至台前，这说明什么信号？回看输入法的本质，答案并不复杂。穿越多个互联网周期，输入法始终是底层的人机交互桥梁，因其高频、无感的使用体验，加上能“连接一切”的入口价值，输入法的站位在AI时代正在被重新放大。

但做一个AI输入法并没有想象中的简单。在最理想状态下，基于大语言模型的输入法理应能理解语言规律，通过上下文感知推测你想输入什么，变成“懂你”的表达智能体。谁都想这么干。

在模型的上下文能力未能达到精准个性化表达的当下，行业普遍面临一个挑战：意图识别和预测的结果很难满足每个个体对“输出准确”的预期。如何让生成式AI的“预测”，与数亿用户长期形成、分散多变的“个人习惯” 无缝对齐，很难单凭接入一个更先进的模型来解决，它更考验团队基于何种视角和方法训练模型。

这种技术视角很难凭空产生，它依靠的是长期的用户沉淀和工程基建。我们看到，尽管输入法看似简单、谁都能做，但在过去几十年里，真正实现规模化的新产品其实很难跑出来，其一原因是，这些成熟产品无一不是在长期的词库积累和算法优化之上认识到用户需要什么。

这些旧时代的“脏活累活”，反而可能在AI时代成为输入法更好理解用户意图的关键所在，这些经验正在转化为一种新的技术势能。

未来的可能性，或许并不取决于“新”与“旧”的标签，而在于谁能将大模型的技术张力，真正嵌入到具体的、细微的用户需求缝隙里。对于搜狗输入法而言，过去二十年积累的对六亿用户真实交互的理解，成为了AI时代最稀缺的“上下文”资产，这既是让模型更懂你的基础，也让对用户意图的精准建模变成了一项极为复杂的系统工程。

我们很好奇，这场全方位的AI底层重构，搜狗输入法的解法是什么？按照什么方向训练模型来匹配用户需求？如何在承载数亿用户既有输入习惯的同时进行AI化的交互创新？如何解决AI输入法在不同场景（如弱网场景）下的时延性问题？当AI语音输入变成技术竞争主赛道，搜狗输入法找到的那个翘板是什么？最终，当这场重构进行得足够彻底，它将如何定义未来输入法的供需关系？

带着这些问题，神经漫游记采访到了腾讯搜狗输入法的产品和技术团队，他们分别是来自搜狗输入法的AI打字产品负责人isla、AI打字算法负责人Kimi和AI语音算法负责人饶老师。以下是采访的文字对话，为保证对话可读性，对话经编辑整理：

“大模型也许是颠覆输入法的核心武器”

问：在公众的固有印象中，输入法一直被视为一项传统的互联网业务。但是最近市场上涌现了很多AI输入法的创业项目，大家都在讨论输入法可能成为AI时代核心交互入口。作为在该领域深耕多年的资深从业者，各位如何看待输入法突然变得很“性感”这件事？

搜狗输入法团队：AI时代的到来对于输入法这一工具的影响，我们整个团队感受到的是一种兴奋感。过去，我们可能遵循一些既定的框架和路线来解决已知的问题，比如我们知道用户在什么样的拼音串下容易犯错，基于此我们去研究特定的纠错能力。这种研究已知问题的策略优化，在一定程度上会限制产品的想象力。

原来的输入法是什么样的逻辑？最早期，输入法是基于固定的键码输出一定的候选词。再到后来互联网词库的出现，2005年人们能第一次打出“李宇春”，这是因为把互联网海量数据转化成词库，我们在这件事上耕耘了很多年，解决了有些词打不出来的问题。

大模型也许是颠覆输入法的一个核心武器。从技术层面来讲，大模型的本质是根据上文预测下一个词，那么在输入法的语境下，它也可以通过各种信号感知用户的意图，并判断预测输出内容。

当大模型时代来临，输入法不再仅仅依赖于从词库中调取内容或通过网页搜索来提供回答。这次输入法升级，思考的核心是必须从以词库为核心的逻辑，升级成以词库为基础+以生成为核心的算法逻辑。前期，我们通过更多的词库和信息整合来服务用户，满足词候选的能力，在未来，输入法竞争的核心在于谁能更懂用户，更准确地识别用户语境和意图，理解用户的输入习惯和风格，帮助用户做一部分的表达，这就类似于为每个用户做一个他自己的个人表达智能体。随着交互时间越长，输入法对用户的理解就越深，以至于在某些场合，输入法能够结合上下文帮用户进行表达。当然，这是对输入法终局的想象。

问：语言构成了人的思维方式，或者看待问题的视角。那随着我不断输入，输入法是不是就会越像我？

搜狗输入法团队：理论上这个逻辑是存在的，无非就是能做到多么极致。包括用户常说的人名、语气词、语言风格等，用得越久，输入法会不断积累这些表达，可以非常自然快速地帮助用户完成输入。这也是我认为长期使用下，个性化体验能够逐步显现并真正产生价值的地方。当然，我们想做成这样，但目前做得还不够好。

目前我们还是在务实地解决用户具体的问题。也就是在大模型能力的加持下，我们可以解决那些过去的难题。比如在过去以词库为核心的产品架构下，我们提供的词库虽然海量，但对部分用户而言反而构成了一种“打扰”，因为词库的体量决定了其无法精准匹配每个人的个性化需求，未来我们有机会在这方面做得更好。

问：我感受到两种思维在并存，一是以用户为核心的底色，这是穿越任何时代都不变的底层逻辑；二是AI时代的“AI原生”解法，将二者结合蛮符合大家所说的思路。团队在推进AI化的过程中，这种思维方式的碰撞是什么样的？

搜狗输入法团队：在技术和产品团队的“PK”中，技术可能会认为，对于一些用户反馈的问题，可以等厉害的新技术、新引擎上线后直接解决，这是一种以技术为核心驱动的思考方式。但最后发现，在服务上线后，原先那些问题好像不是算法可以解决的，而是在技术框架之外增加一个新的指标体系才能cover住。

在产品看来，在AI重构的过程中，需要考虑的是如何在那么多的用户需求里排出优先级。从分人群的需求满足度上看，此刻我们还没有做到那么精细化，这不是一个能一举兼得的东西，需要考虑优先级的抉择，比如这次就针对医生和律师人群做了个性化定制。

问：具体到这次AI重构打字上，我理解有两个方向，一类是让输入法更理解语境，另一个方向是改善弱网打字体验。可以这么理解吗？

搜狗输入法团队：这次升级是相对底层且全方位的。关于弱网打字这个话题，其实大多数友商都是以云侧为主，那一旦在飞机上这种没有云覆盖的情况下，离线端侧的准确率就是一个不可回避的问题。

离线的限制很多，包括内存小、没有特别复杂的模型支持，对用户来讲，相当于把词库裸着放在那儿。那我们如何解决弱网时延性的问题？能否把端侧打字的体验提升到——起码不让用户有这么强的感知？

我们在思考整个用户痛点和需求的视角下，做出了一个端和云联合的生成架构去针对性地解决这个问题。这次新的离线端侧模型出来后，弱网场景的缺词率下降了大概30%，首选准确率可以达到5%的提升，在主场景上，可以说端侧和云侧的差距已经变得很小了。

AI语音输入，“听懂”的前提是“听准”

问：我关注到一组相关数据，当前搜狗输入法语音大概日均有20亿次的请求量。基于这样的用户需求，之前团队有过怎样的洞察？大概是什么时候开始决定投入做AI语音的？

搜狗输入法团队：大模型爆发给这个行业带来了很多想象力。而语音识别很大程度上是种模型驱动能力，它在技术主赛道上的PK会更加直接，因为语音识别并不只服务于输入法场景，还广泛应用于机器人、云厂商等多个领域，几乎所有相关玩家都在布局。

整体来看，语音识别大致经历了三个技术阶段：最早是以统计学方法为主的阶段，核心模型是混合高斯模型，这一技术路径从上世纪80年代中期一直延续到2007年左右。随后随着深度学习兴起，语音识别开始进入新一轮演进，国内稍晚，大约从2011年开始逐步在各类场景中落地应用。

大概在2011年左右，搜狗输入法就已经在手机端推出了语音输入功能，当时才刚进入移动互联网时代，团队非常早就捕捉到在手机端打字可能不是那么方便的问题，语音输入会是一个用户需求点。只不过当时采用的还是传统语音识别技术。后来语音识别技术不断迭代，到了2013年，搜狗输入法就在做深度学习了，这是国内比较早的一批。再往后演进到transformer模型，我们一直是以最快的速度紧跟最前沿的技术，把最好的体验给到用户。

姚顺雨在关于“AI下半场”的文章中讲到他对强化学习的未来展望，将大模型能力融入产品对所有技术团队来说都是挑战。对语音技术团队而言，核心命题在于如何利用大模型本身或其训练思路（如强化学习）来提升现有模型能力。

问：在大语言模型深度介入之后，自动语音识别技术本身会被重塑吗，还是更多是一种能力层面的增强？它所解决的本质问题是什么？只是“听得更准”，还是正在从“听见”走向“听懂”？

搜狗输入法团队：整体来看，如果仍然把讨论限定在自动语音识别这个层面，大模型的介入更多是一种能力增强，而不是完全意义上的重塑，本质上是在推动语音从“听见”走向“听懂”。

语音识别一个非常核心的挑战在于语义层面的模糊性。用户的发音可能不标准，或者本身就存在大量同音词、近音词的情况，它并不是一一对应地记录，而往往是从多个可能结果中选择一个最合适的输出。最终呈现哪个字、哪种表达，很大程度上依赖于当下的使用场景和语境。大语言模型在上下文理解、语义建模以及预测、补全和纠错方面具备更强能力，因此可以让整体识别结果在语义层面更加合理，输出更接近用户真正想表达的内容。

另外，语音输入在交互层面也存在天然挑战。它通常只有一次性输出，不像键盘那样可以给出多个候选供用户选择，而是直接将一句话上屏，这对准确率和语义判断提出了更高要求。基于这些，其实在大模型能力加入后，我们第一要解决的是准确率的问题，让识别结果在语义上更顺畅、更符合语境，也更贴近用户原本想说的话。

问：这次重新升级AI语音上，你们觉得还有什么难点吗？

搜狗输入法团队：一个难点在于方向选择。我们更希望聚焦具体场景，而不是做一个特别泛化、完全开放的语音能力升级，因为不同场景对语音识别的要求其实差异很大。

比如“轻声”这个非常高频的使用场景，我们观察到，用户更倾向于用非常轻的方式对着手机说话，这背后是非常真实的用户心理和使用需求，在当前的社会环境中，很多人会担心打扰他人，甚至在工位或公共场合大声说话本身就会带来压力，这也是语音输入被一部分人放弃的重要原因。

那在技术实现上，语音本质是由频率构成的，轻声并不是没有信息，而是在基频和响度都非常低的情况下，仍然存在可识别的频率变化。这类声音往往只能在很小范围内传播，几米之外几乎就听不到，有时连自己都未必听得清。

模型训练的关键不在规模

而在于是否紧贴用户

问：我觉得在输入法这样一个垂直领域可能有两个事情很关键，第一是技术能做什么，技术的边界和想象力；第二是对所谓用户需求的理解，这也是很重要的。在过去一年，对打字来说，团队怎么去做这二者的交汇？

搜狗输入法团队：相比起语音，打字不在技术的“主赛道”。我们在生成式探索中并没有直接依赖一个外部通用的大模型，因为我们对用户的理解、沉淀的数据是无法开放到外部大模型的。我们需要迅速把这些沉淀融入全链路的训练体系里，包括基础的预训练、后训练、强化学习、SFT（Supervised Fine-Tuning，即大模型的监督微调）等，基于我们的数据不断强化，通过扩展数据的知识边界来提升我们的模型能力。

目前，我们是基于自研模型训练。但往前走，总有一天我们要实现“行业合流”，把行业的训练方式融入自身训练体系，否则单靠团队力量难以对抗整个行业技术的发展。

另外，打字与语音场景存在差异：语音更多是单次输出并可通过后链路辅助表达，而打字的触点非常多——每次按键都有一个反馈，用户可能在短时间内进行各种按键操作，他不仅在意“准不准”，还要看“快不快”。对于打字来说，时延性是需要重点考虑的事情。

那在云和端上要做多大模型？会不会造成卡顿？会不会耗电？这都必须去考虑。我们（打字）是在夹缝中不断寻求自己位置的存在。

我们提到强化学习很重要，那打字的触点和需求这么多，我们要怎么去建模？这里，reward model（奖励模型）的设计非常关键，这不是一个“讲规模”的逻辑，而是要看这个reward model是不是跟用户贴得足够紧密，要确保模型和用户体验高度对齐，这样才能在强化学习模式下辅助我们的模型走得更快。也许一个规模小、但贴近用户需求的模型，比规模大、但远离用户的模型更占优势。

问：人们越来越适应语音成为一种很主要的交互方式，会给输入法这个产品带来什么不一样的理解吗？未来键盘会消失吗？

搜狗输入法团队：这是一件值得期待的事情，回看小灵通时代，很难想象手机有一天会发展到完全没有实体键盘的形态。所以当今天讨论是否有一天输入法可以不再依赖键盘，而是以语音交互为主时，确实让人展开想象空间。

当然存在一些垂直人群，他们主要在用语音，不太需要键盘。比如在一些游戏场景中，实际上之前搜狗输入法推出过一种游戏键盘，它就有一个大的语音输入按键，这样的交互形态对于特定群体就蛮清晰、干净的。

但当产品面向所有用户时，就会发现不同人群在输入方式和表达习惯上的差异非常大。有些用户以语音为主，但也有大量用户因为工作需要或个人习惯，并不希望语音占据主导，让键盘消失。

在这种意义上，“键盘的消失”或许并不是一个统一答案，而是一种可选的定制模式，对于那种只想用语音的用户，他可以拥有完全属于自己的形态。输入法的演进一定是顺势而为的，它不会教育用户应该怎么输入，也不是把某种新潮理念强推给用户，而是顺着真实的使用习惯自然生长。

问：我最近有一次很直接的体验，前一天晚上用语音输入法写提纲，我就尝试一边说一边写，但真正用下来会发现，写到一定程度后还是会讲不下去。当我回到打字状态时，其实是一个自己跟自己交流的过程，我每打一个字，都会在大脑中形成一次信息输入和缓存，从而不断推动思路向前。我感觉打字本身还是有它的魅力的，这是一个更加复杂的思维过程。

搜狗输入法团队：这里面其实存在一个很大的差异：语音更多是一个直接输出的过程，需要用户在发送前再做一定加工；而打字本身包含了一个在脑中加工信息的过程。进一步说，打字和语音本质上对应了不同的脑与身体的配合模式——语音是脑与嘴的配合，打字是脑与手的配合。

另一方面，打字通常是一个边想边修改的过程，输入法如果能理解用户的每一次光标移动、退格和修改意图，就能预测和优化输出结果，例如用户输入“结婚”时实际想表达的是“结果”，在退格的过程中系统就可能预测到用户选错了，这需要基于整体语境去判断意图。

问：AI能够帮忙纠错和联想，有些人觉得AI会过度理解、自作聪明，如果联想过于丰富，用户可能反而难以接受。这个度需要怎么去把握？

搜狗输入法团队：从技术原理上看，打字的拼音输入和联想存在一个很大的区别，那就是概率。假如打字的首选命中率达到80%左右，那绝大概率展现给用户的候选对他们来讲是合理的；但联想天然的技术瓶颈在于，它遵循的是一个普适的概率逻辑，概率分布呈现为平缓的曲线，它可能出现一万个候选，每个候选都分了一点点的概率，那在这种情况下，它必定很难满足所有用户。而未来的联想，一定是把它的基础条件概率增高，也就是得在更多信息的基础上了解用户、场景和上下文。

要想让联想达到输入效率这条路径上的质变点，那它一定要达到极高的准确率，尽管丰富性也很重要。但如果不准确的话，它就丧失了这个功能的天然定位。其实我们也看到，如果所有的输入都要靠联想预测帮你完成，那时间效率可能是更慢的。

这背后其实是一个关于个性化的问题。当我们接触打字的逻辑时，会发现至少打字不是一个可以被激进个性化的工具，它不像内容推荐：当你在短视频平台搜一个美食教程时，你对内容推荐是可以没有预期的；但打字的时候，你对要打什么字会有非常明确的预期，那只有在技术更有把握的情况下，才能做得更准，否则强调输出内容的丰富性对打字用户来说是没有意义的。

在这一点上，产品在大模型时代是比较有预期的。过去以词库为核心构建输入法时，很难做到个性化，因为词库本身是统一的公共词库。这就意味着，当用户输入一个自己从未输入过的拼音时，大概率看到的是一组高度相似的候选结果，最多只是叠加一些场景上的不同。我们期待在大模型能力的加持下，输入法至少能够在个性化这条路径上往前走几步。

谁能用大模型定义泛化的供需关系

谁就掌握了输入法的未来

问：当前业界对于“原生AI”与“产品AI化”存在一些固有印象。一种观点认为，像OpenAI这样的原生AI公司终将占据主导，他们认为一切要围绕革命性技术来构建，传统产品缺乏想象力，只能在原有架构上叠加AI功能。另一种观点则认为，拥有成熟产品的公司更具优势，只有回到用户、回到场景，才能让AI改造更直接、更高效地触达用户。对于输入法而言，彻底的重构还是功能的叠加，是一个重大抉择。当时内部经历了怎样的讨论？

搜狗输入法团队：问题的本质不在于我们要选择叠加还是重构，这不是站在“工具拥有者”的角度去自我定义，而是回归用户需求的本质，选择最契合的解决方案。以此次推出的AI翻译为例，它直接调用了公司内部成熟的大模型能力，我们可以认为这是一种叠加逻辑。

但落在打字业务上，我们如何把自身20年的沉淀和模型能力结合起来，为用户提供更好的打字体验，从这点出发它必然是用AI重构的逻辑，而不是一个AI叠加的逻辑。这是因为，单纯搬运或者叠加（模型）是解决不了输入这件事情的难题的。

反过来说，即便OpenAI拥有领先的技术，它也未必就能做好一个输入法。这是因为用户需求多元，场景也很复杂，想通过完全AI原生的模式来做输入法难度非常大。就算我们做了很多AI重构，也很难说纯AI零基思维出发能做到这件事。对输入法来说，积累是非常重要的。

在打字这件事上，从上文预测下文的这种模式，其实并不是大模型来了之后大家才意识到的。之前国内外做神经网络和语言模型的团队也一直在推进研发，但实际上他们都没有做起来。那为什么没有做起来呢？我觉得是现在的技术没有达到临界点——足以让业务的沉淀、用户的需求在强大的技术能力上“不堪一击”。

现在受到大模型时代的冲击，输入法的框架思考逻辑可能会有一些变化，但也不是说就能够抛弃原来的词库检索逻辑。除非未来出现这样的技术拐点，即一个大模型输入法可以短时间内把我们20年累积的经验像核弹一样瞬间秒掉，但到那个时代的话，被瞬秒的业务应该就不只是打字，而应该是各行各业都会被颠覆。

问：目前来看，这一重构的工程量和挑战都极为艰巨，那么团队现在究竟处于这一进程的哪个阶段？

搜狗输入法团队：我觉得我们大概还处在长征路上大约刚走到贵州的阶段。是否已完成彻底重构？其实没有，我们距离精准建模还有差距。

另一个点在于，这不是一款新产品，用户存在使用惯性。对于打字这个高频使用场景，我们无法一夜之间彻底改变——不能自诩提供了更好的模式便强制推行，因为用户未必买账。

问：能举个例子吗？就是这个技术能够做到，但最后考虑用户可能觉得太超前而克制住的某个功能。

搜狗输入法团队：这种情况在打字场景中非常多。比如，输入法可以按全拼或者混输去理解，用户按全拼输入一个“晚上”的“wan”，系统也可以按混输识别出“我爱你”。那要不要把“我爱你”提示给用户？这究竟是惊喜，还是惊吓？在这里，我们需要考虑用户预期是什么？从模型的概率统计上来讲，它可能会是怎样的结果？

对每个个体来讲，他其实一定程度上是在对抗统计学的。就像通用语音识别模型给出的“ta”都是男的“他”，那女的“她”谁来保障？如果把男的“他”做得不可撼动，用户怎么都改不回来，那这种逻辑的技术增强对用户是有损害的。我们对于预测这种能力，其实在这次AI升级上是非常克制的。

问：你会发现那些原生AI产品为什么那么大胆，可能也是因为用户太少了，所以可以用很高的模型配置，反正也花不了多少钱。但对于我们这样拥有庞大用户体量的产品来说，面对这么大的难题，我们有什么解法？

搜狗输入法团队：确实，因为用户体量可能相差数百倍，从AI的角度看，成本同样会放大到数百倍。对我们来说，在面对很多看起来很fashion的新技术方案时，保持克制反而尤为重要，要在工程优化的前提下保证我们的成本是可以长期cover住的。那对一个拥有6亿用户的产品来说，上线一项能力，意味着要做好持续服务的准备——一年、两年，甚至十年、二十年，而不是先试一试，不行再撤。这本身也是对用户的尊重。

对于大模型的到来，团队也曾有一些发散性的想象：既然输入法拥有强大的入口价值，是否可以帮用户打车、点外卖，甚至把大模型能力在各类场景中全面联动？这些想法很有创意，但冷静下来后，我们给自己制定了两条核心产品原则，明确至少在当下这个阶段，我们应该做什么、不做什么。

第一，我们不可以为了做AI而做AI，不要为了展示我有AI能力，就急于包装和推出一些功能或产品，这是我们坚决避免的。第二，专注于输入法的本职工作，用户选择你的产品，是希望在输入法范畴内获得价值，而不是在广泛、无边界的功能堆砌中寻找体验。

问：这一次的新版本被我们定义为全面AI化的起点。如果从更长远的视角来畅想，在未来三到五年内，你们认为输入法的整体形态可能会发生哪些关键变化？

搜狗输入法团队：当下用户对输入法的感知并不是那么强烈，是相对隐形的存在，他可能清楚自己在刷短视频、点外卖、用某个App，但并不会意识到我正在使用某一个输入法。但从未来的角度看，输入法作为一种工具的价值和属性，会被持续放大。

比如这次我们面向医生、律师等专业人群，打通专业数据库所提供的能力，本质上是围绕用户场景展开的，借助输入法这个工具拉通各个垂类应用，让用户在需要某类内容时能够直接完成内容级的调用，而不必频繁切换应用、反复查找。

类似的探索也在入口层持续推进，比如我们最近在内部进行的一些测试，通过整合公司级内网入口，让用户可以自定义自己的输入键盘，把常用链接和入口统一收敛到输入法中。这样一来，无论用户身处哪个应用、什么场景，都可以一键调起所需内容。

我们可以预期，会出现大量面向高度垂直场景的智能体用来解决日常生活的具体问题，但这些智能体无论能力多强，最终都需要一个被用户高频触达、自然调起的承载入口。如果用户需要在不同应用之间反复切换，去逐个打开和调用这些智能体，这个过程本身就会变得非常繁琐。这也是为什么越来越多公司入局这一赛道。

问：虽然很多人入局抢夺入口，但从历史发展来看，入口往往不是抢夺来的，而是自己长出来的，取决于用户是不是需要你，你们怎么看这个问题？

搜狗输入法团队：一直以来，我们不会强调要去“做一个入口”。回看互联网这么多年，很少有宣称要做入口的产品最终是做成的，更多的情况是，把产品的能力和体验做好，用户愿意留在这里，到一定程度它自然变成一个入口。

最终回到我们如何定义输入法的供需关系，需求是一个直接的需求，还是一个泛化的需求？未来，输入法泛化的需求空间是更大的，这是我们的入口逻辑。这个供需的底层逻辑是更好地理解用户场景和意图，通过更自由地调用大模型，我们能先人一步地捕捉并满足用户个性化的意图，强化这一供需关系。这是未来大模型和输入法结合所带来的机会。