夸克新入口：重构AI“视界观”，望见阿里AI新版图

互联网大厂每年会更新无数个产品与功能迭代，有一些是追风口的热点，而有一些会被时间证明背后更深远的价值。

举个例子，尽管市面上不少 AI 应用都具备拍照识图等多模态功能，但大多数产品仍停留在 " 识别 - 展示信息 " 的浅层交互阶段。

夸克于近期上线了 " 拍照问夸克 "，基于通义与夸克的多模态能力，AI 不仅能看，还能理解物理世界并采取行动，调用对应的智能体来完成后续服务，实现了从 " 看见物理世界 " 到 " 理解并行动 " 的质变。

" 拍照问夸克 " 功能，让搜索第一次从视觉层面，实现了从获取物理信息到解决问题的闭环。也意味着，夸克作为 AI 超级框，可以 " 一框解读物理世界 "。

当前，AI 超级应用将各家技术能力转化为用户可感知的消费级产品，成为这一轮大模型技术浪潮中的风口，也是互联网巨头们都在抢夺的入口。阿里将 "AI 原生应用 " 列为未来三年的核心投入方向。" 拍照问夸克 " 不仅让夸克打开了数字世界与物理世界的触点，也进一步打开了阿里 AI To C 业务的想象空间。

所以，这一功能的上线，值得放在更加纵深的阿里 AI 战略中来解读。我们首先要解答的问题是，夸克究竟对 AI 相机做了什么？

从交互体验来看，图像搜索更适合用来与现实物理世界进行交互。相比文字搜索，图像表达的信息更丰富，可以减少用户语言表达的误差，更真实地反映物理世界的原貌，搜得更精准；图像交互也更快捷，现实场景中很多信息是突发的，比如临时需要识别陌生植物，旅游时路过一座有趣的建筑，这时往往来不及转换成文字描述，抬手一拍，搜起来更方便。

所以，满足用户探索物理世界的需求，AI 搜索必须看清、看懂物理世界。但透过搜索引擎，探索丰富的物理世界，为什么一直没能实现？

原因是传统搜索，眼（视觉感知）、脑（图像理解推理决策）、手（执行服务）的脱节：

看不全。文本搜索已经成熟，但多模态搜索还在发展中。早在 2001 年，谷歌就发布过图像搜索引擎。但 AI 传统方法受限于文本元数据，ImageNet 数据集仅含 1000 类物体，远未覆盖现实场景的复杂性，导致检索效果差。移动应用孤岛问题，各平台数据不互通，跨平台整合不足，搜索效果仍然受限。

看不懂。用户的搜索意图有模糊性，NLP 模型已经可以较好地理解意图和智能匹配，但很多基座大模型在跨模态理解上仍有局限，一旦涉及图片等多模态交互，无法从图片中准确理解用户意图，检索准确性不足，十分依赖用户的提示词，普通用户难以掌握，又进一步限制了多模态功能的使用意愿和频率。

动不了。夸克 AI 相机产品经理认为，" 当用户面向一个客观物理世界，既想让你告诉他这是什么，当然是什么背后有一些原因原理、趋势判断等，还有一些是面向面前画面或者已有的自己图像里相册的内容，希望进行一些处理 "。但传统搜索止步于单向信息输出，无法触发场景化服务，缺乏行动能力。

进入大模型时代，许多应用或多或少都上线了 AI 拍照能力，但大多是碎片化场景，或者垂域场景（如购物、美颜修图、植物识别），通用全能的一体化产品几乎没有。直到 " 拍照问夸克 " 的上线。

" 拍照问夸克 " 以几乎 " 满配 " 的 AI 能力，" 眼脑手 " 的联动，赋予了搜索全新的 " 视界观 "。

夸克整体的定位是 AI 全能助手，AI 超级框之前先解决了文本检索的难题，" 拍照问夸克 "AI 拍照功能的上线，则有望补齐传统搜索 " 看不全、看不懂、动不了 " 的短板，为用户打开物理世界的更大想象力。

夸克是如何提高 AI 搜索的 " 视力 " 的？AI 相机的眼、通义基模 + 夸克后训练的脑、智能体的手，整合起来，重新打造图像搜索。

首先，教 AI 看图，准确告诉用户这个东西 " 是什么 "。夸克在做搜索引擎过程当中积累了大量的专业图片数据库，用户用图片发起需求的时候，夸克能够快速去调取数据库进行匹配，精准回答给用户这是什么。当前，夸克的各类实体识别几乎做到了市场的最好水平。

接下来，教 AI 理解图片，理解用户 " 为什么问 "。基于多模态视觉理解能力与深度思考的复杂推理能力，相当于调动大模型的 " 大脑 " 去思索视觉信息，自动识别用户提问意图，先理解用户想干什么、这道题是什么，理解完之后再去检索，想一些对应的解决思路。一些用户 " 没见过、说不清、问不出口 " 的问题（如外语标志、没见过的植物），也能秒懂用户需求。同时，" 拍照问夸克 " 还支持多轮图片对话、以图追问和深度对话，帮用户解析复杂问题。

然后，让智能体动起来，提供 " 下一步怎么办 " 的行动方案。用户面向一个客观物理世界，既想让你告诉他这是什么，后续也关联着下一步行动，比如希望进行一些图片处理。" 动脑 " 分析完用户的意图，夸克还聚合多智能体能力，采取行动，一个入口就可以完成扫描、修图、编辑、翻译、找图等的高效处理，实现解题、健康问题解读、AI PPT、创作、生图等多样化创作需求。

眼（感知）脑（推理）手（智能体）的联动，大幅提升了多模态搜索的产品体验。" 拍照问夸克 " 让搜索从单一模态到多模态，提升了视觉搜索处理复杂查询的能力，可能成为行业的新标准。

当 AI 有了 " 视界观 "，多模态搜索融入 "AI 超级框 " 之后，夸克 AI 产品化范式的又一次成功自证。所以我们也很好奇，为什么夸克会一次又一次打造出爆款 AI 原生应用？夸克做 AI 产品的思路究竟是怎样的？

从这两个爆款 AI 功能来看，夸克做 AI 具备几个特点：

一是以前的基础。夸克凭借极简、科技感在搜索领域快速占据一席之地，成为 2 亿人都在用的 AI 应用，自身在 AI 产品化上的积累，锻炼出了产品感觉和技术积累，这为其在产品中融入大模型的最新能力如多模态，打好了基础。

二是当下的位置。2025 年，夸克升级为阿里 AI 旗舰应用，战略地位进一步提升，承担起打通阿里内部优势能力与资源的重任，可以聚合模型（通义）、应用（淘宝）等各个渠道的优势资源，打造更加完整的用户体验。

三是始终在线的战斗力。再好的基础和资源，都要靠行动来发挥出最大效果。公允地说，夸克的创新竞争力是业内首屈一指的，比如去年第一时间整合大模型能力，把 AI 搜索融入夸克高考等功能。敏锐的需求洞察，快速反应不断迭代，夸克的 AI 产品化在这一年多里进展飞快，成为行业标杆。

值得一提的是，阿里 2024 年明确 AI To C（AI to Consumer）业务，其中夸克其中的代表性 AI 应用，是 C 端超级入口。由此可以推断，夸克未来集中资源的能力进一步加强，其 AI 能力未来或将搭载到智能消费硬件（如 AI 眼镜）中，进一步打通物理世界入口。

从这个角度说，" 拍照问夸克 " 多模态搜索功能的上线，只是夸克的一小步，却进一步证明了夸克 AI 产品范式的有效性，指向了更宽广的未来。

承载着阿里 AI 旗舰应用的定位，夸克的产品化能力，对业务估值和市场竞争的重要性有多大，值得我们仔细评估。

具体来看，" 拍照问夸克 " 功能的上线，至少对阿里 AI to C 业务带来几重影响。

首先，多模态落地搜索的实际效果、整合速度，是阿里 AI 能力的佐证。AI 相机作为多模态入口已是标配，但夸克上线即满配，说明其技术整合能力强，通过通义基模 + 后训练，使得功能上线即具备高成熟度，直接满足用户多样需求，减少迭代周期，快速占领市场。

这无疑是阿里通义大模型为应用赋能的有力佐证。

此外，夸克结合其已有的 AI 能力，如多模态推理、图像生成等，让用户通过拍照直接获取信息或服务，比如扫描物体识别、文档处理等，增强实用性，进而提高用户粘性和活跃度。

从数据来看，夸克 00 后用户占比超 50%，该群体对物理世界探索（如学习、旅行）需求强烈，且更习惯多模态交互。通过满足其高频刚需，比如购物（扫描商品）、教育（拍照解题）、健康（医疗报告解读）等，夸克快速建立 AI 服务心智，形成 " 入口即服务 " 的强绑定。

以拍照为例，当你拍了一个东西并 " 拍照问夸克 " 多少钱，它会首先描述一下你拍的东西，并给出相应的淘宝参考链接。并且夸克并不是直勾勾的引导购买，更多是作为一个信息提供给用户。一个直接触达用户的链路，就被打通了。

未来拍照功能还可以放到 AI 眼镜等智能终端上，夸克成为阿里首个整合 " 视觉 + 语言 " 交互的超级入口，成为物理世界与数字服务的连接点，打开阿里 AI To C 的想象力。

透过夸克的拍照入口，我们不只能进一步看清、看懂物理世界，也看见了阿里与 AI 的无限可能性。