来自上海交通大学的研究团队及其合作者提出了一种面向主动式人工智能（proactive AI）助理的新范式——AI for Service（AI4Service），即 AI 能够在日常生活中提供主动、实时的帮助。

现有AI在很大程度上仍为被动反应式（reactive），只对明确的用户命令做出响应。他们认为，一个真正智能且有用的AI助手应能预测用户需求，并在合适的时机主动采取行动。

为实现这一愿景，他们提出了“Alpha-Service”统一框架，试图解决：

1）知道何时（Know When）介入——从第一视角（egocentric）视频流中检测服务时机；
2）知道如何（Know How）介入——提供既通用又个性化的服务。

Alpha-Service 受冯·诺依曼计算机架构启发，并基于 AI 眼镜构建，包含 5 个关键组件：

1️⃣ 输入单元：配备具备理解第一视角视频流能力的多模态大模型，负责持续感知物理世界与用户状态。
2️⃣ 中央处理单元：作为系统的控制中心，负责任务解析与调度。例如，它会根据输入信息判断所需的服务类型，并协调其他模块完成任务。
3️⃣ 存储单元：用于持续存储用户的历史交互与偏好信息，支持高效的数据写入与检索。
4️⃣ 算术逻辑单元：提供多种任务执行工具，这些工具可以是专用模型、大模型或网页搜索引擎，负责执行与计算具体任务。
5️⃣ 输出单元：以用户友好的形式（如语音或简洁文本）汇总并呈现结果；在某些场景下，也可选择不输出任何内容。

在包括实时二十一点顾问、博物馆导游和购物搭配助手等多个案例中，Alpha-Service 在没有明确提示的情况下，展示了其无缝感知环境、推断用户意图，提供及时且有用帮助的能力。

然而，Alpha-Service 依然面临着诸多挑战：必须调和低延迟推理与能效之间的冲突目标，在泛化性和个性化之间保持平衡，确保在多样化和动态的环境中拥有鲁棒的性能，保护用户的隐私，并通过透明和自适应的交互培养长期用户信任。

在未来的研究中，他们计划增强存储单元的个性化能力，扩展算术逻辑单元的工具集，并通过大规模用户研究评估主动式辅助在日常场景中的长期影响。
最终，他们期望 AI 进化为一个不可或缺、富有共情能力的伙伴——真正理解并预见人类的需求。

paper：https://arxiv.org/pdf/2510.14359