伦敦初创公司 Kult 已经让 AI 进入游戏现场:它能看懂玩家正在玩什么、进行到哪一步,并通过语音和第二屏回答问题。我们认为,这比另一个聊天窗口更值得关注,因为 AI 正从“回答问题”转向“理解上下文后持续协助”。
这是什么
Kult 的产品不是通用聊天机器人,而是围绕游戏运行提供信息的伴侣(AI 陪伴工具)。其背后使用 Gemini Flash 处理每轮对话,并用更高级的模型完成每款游戏一次的深度整理;游戏知识则来自外部资料库,再由模型检索和引用。RAG(先检索资料,再让模型据此回答)在这里不是展示性功能,而是降低版本过期和“张口就来”错误的基础。
这套设计也暴露了消费级 AI 产品的现实门槛:响应必须足够快,答案必须匹配具体游戏、版本和玩家进度,每次调用的成本还必须低到可以长期运行。Kult 认为,覆盖数百款游戏仍可商业化,原因在于新增一款游戏的整理工作可以被模型自动化,而不是逐款人工维护。
行业怎么看
我们的判断是,Kult 展示了垂直 AI 产品的一条可行路径:通用模型负责理解和交互,行业数据负责准确性,产品设计负责把答案送到用户正在使用的界面。Google Cloud 提供模型选择、知识库和部署能力,小团队不必自行训练基础模型,也能组合出更贴近场景的服务。
但这条路径并不稳。Kult 的文章由 Google Cloud 发布,包含明显的平台方视角;文中没有披露用户量、留存率、付费率和单位经济性,也没有证明“覆盖数百款游戏”已经获得真实玩家验证。游戏版本更新速度、知识授权、语音误判,以及云端调用成本,都可能压缩利润空间。通用模型也未必能长期便宜:使用量越大,推理费用和延迟越难控制。
对普通人的影响
对企业 IT:这给企业软件提供了一个参照——AI 助手不必另开对话框,进入员工正在操作的流程更容易形成价值;但前提是系统拥有足够可靠的业务数据,并能持续控制调用成本。
对个人职场:未来更多软件可能具备“知道你在做什么”的上下文能力,从写作、表格到设计工具自动提供下一步建议。变化重点将从“回答得更好”转向“少切换窗口、少重复交代背景”。
对消费市场:游戏可能是 AI 陪伴最先形成付费习惯的品类之一,但玩家最终买的是即时、可靠的帮助,不是模型本身。若延迟或错误率稍高,陪伴很快会变成打扰。