智東西
作者 許麗思
編輯 漠影

智東西1月8日報道，今天，在阿里云通義智能硬件展上，阿里云發(fā)布多模態(tài)交互開發(fā)套件，該套件集成了千問、萬相、百聆三款通義基礎(chǔ)大模型，并預(yù)置十多款生活休閑、工作效率等領(lǐng)域的Agent和MCP工具。

這款多模態(tài)交互開發(fā)套件不僅能聽、會看，還能思考并且與物理世界交互，可應(yīng)用于AI眼鏡、學(xué)習(xí)機(jī)、陪伴玩具、智能機(jī)器人等硬件設(shè)備。

一、適配超30款主流架構(gòu)終端芯片平臺，預(yù)置十MCP工具和Agent

在芯片層面，阿里云多模態(tài)交互開發(fā)套件適配了30多款主流ARM、RISC-V和MIPS架構(gòu)終端芯片平臺，滿足市面上絕大多數(shù)硬件設(shè)備的快速接入需求。未來，通義大模型還將與玄鐵RISC-V實(shí)現(xiàn)軟硬全鏈路的協(xié)同優(yōu)化，實(shí)現(xiàn)通義大模型家族在RISC-V架構(gòu)上的高效部署和推理性能。

在模型優(yōu)化層面，除通義模型家族外，阿里云還針對大量多模態(tài)交互場景進(jìn)行分析，推出適合AI硬件交互的專有模型，全面支持全雙工語音、視頻、圖文等交互方式，端到端語音交互時延低至1秒，視頻交互時延低至1.5秒。

此外，該套件預(yù)置十多款MCP工具和Agent，覆蓋生活、工作、娛樂、教育等多個場景，例如，基于預(yù)置的出行規(guī)劃Agent，用戶可直接調(diào)用路線規(guī)劃、旅行攻略、吃喝玩樂探索等能力。

該套件還接入了阿里云百煉平臺生態(tài)，用戶不僅可以添加其他開發(fā)者提供的MCP和Agent模板，還能通過 A2A協(xié)議兼容三方Agent，極大程度地擴(kuò)展了應(yīng)用的能力邊界，幫助企業(yè)靈活搭建業(yè)務(wù)場景。

二、多家具身智能企業(yè)亮相，阿里云與樂聚機(jī)器人企業(yè)達(dá)成全棧AI合作

同時，阿里云還展示了面向智能穿戴設(shè)備、陪伴機(jī)器人、具身智能等領(lǐng)域的解決方案。

例如，在AI眼鏡領(lǐng)域，基于千問VL、百聆CosyVoice等模型，阿里云打造了感知層、規(guī)劃層、執(zhí)行層以及長期記憶的完整交互鏈路，可一站式實(shí)現(xiàn)同聲傳譯、拍照翻譯、多模態(tài)備忘錄、錄音轉(zhuǎn)寫功能，有效解決交互不自然、回答準(zhǔn)確率低的難題。

面向家庭陪伴機(jī)器人場景，基于千問模型和多模態(tài)交互套件，阿里云推出的解決方案不僅可實(shí)時監(jiān)測異常狀況，并及時告警信息推送，用戶還能基于關(guān)鍵詞查找、定位視頻，與機(jī)器人進(jìn)行對話交互和控制設(shè)備等。

展會現(xiàn)場，出現(xiàn)了多家具身智能廠商包括魔法原子、靈心巧手、跨維智能、原力無限等的身影，展出了多款人形機(jī)器人、四足機(jī)器人、靈巧手產(chǎn)品。人形機(jī)器人現(xiàn)場彈鋼琴、做咖啡，人氣爆棚。

另外，阿里云還宣布與樂聚機(jī)器人達(dá)成全棧AI合作，雙方將基于阿里云算力、AI平臺、千問模型，共同開展人形機(jī)器人訓(xùn)練場合作，以及探索基于千問模型的具身智能聯(lián)合解決方案和人形機(jī)器人產(chǎn)品的開發(fā)。

目前，樂聚新版展廳機(jī)器人已接入千問模型。接入千問后，機(jī)器人在語音交互、知識庫問答、實(shí)時對話等場景下，響應(yīng)更快、答案更準(zhǔn)、互動更自然。

結(jié)語：推動AI硬件告別“單感官”時代

大模型已開始具備理解、感知以及和物理世界交互的能力，越來越多的硬件和終端設(shè)備廠商開始通過接入大模型來提升交互體驗(yàn)。然而，僅靠基礎(chǔ)大模型仍無法同時滿足硬件設(shè)備對低成本、低時延、功能豐富和高質(zhì)量效果的需求。

而阿里云多模態(tài)交互開發(fā)套件的出現(xiàn)，集成了千問、萬相、百聆三款通義基礎(chǔ)大模型，使硬件廠商和開發(fā)者能夠通過套件快速為產(chǎn)品賦予高階智能，告別了“單感官”時代，極大地縮短了開發(fā)周期，降低了開發(fā)成本?；诎⒗镌频倪@款開發(fā)套件，未來AI硬件有望出現(xiàn)更多的創(chuàng)新型解決方案。