隨著多模態(tài)大模型的發(fā)展，物理AI成為科技巨頭角逐的關(guān)鍵陣地。日前在深圳舉辦的阿里云通義智能硬件展上，阿里云發(fā)布多模態(tài)交互開(kāi)發(fā)套件，集成了千問(wèn)、萬(wàn)相、百聆三款通義基礎(chǔ)大模型，預(yù)置十多款A(yù)gent和MCP工具，豐富硬件設(shè)備與物理世界的智能交互能力。

降低開(kāi)發(fā)門(mén)檻

“2026年我們特別看好智能硬件，應(yīng)該會(huì)看到很多新的品類(lèi)，絕對(duì)不光是手機(jī)、汽車(chē)和眼鏡。”阿里云通義大模型業(yè)務(wù)總經(jīng)理徐棟在展會(huì)期間接受媒體采訪時(shí)預(yù)計(jì)，把模型從“云上”向“云下”落地，提高易用性，有利于生態(tài)繁榮，商業(yè)模式也可能會(huì)形成閉環(huán)；作為重要趨勢(shì)，當(dāng)前一些新型應(yīng)用圍繞小型化、碎片化的剛需開(kāi)展，廠商通過(guò)模型去定義硬件，提高用戶黏性，模型能力逐漸提升，品牌效應(yīng)逐步形成。

但是，AI硬件的普及仍然面臨多重障礙。

徐棟指出，很多AI硬件的形態(tài)成本仍未達(dá)到大眾普及水平，而且存在隱私顧慮。另外，開(kāi)發(fā)范式轉(zhuǎn)型滯后，很多廠商還停留在傳統(tǒng)Coding（編程）思維，沒(méi)意識(shí)到IDR（需求定義）的價(jià)值越來(lái)越重要，且模型能力在泛化調(diào)用工具等方面仍有提升空間。此外，硬件廠商自建模型面臨的延時(shí)、效果與安全問(wèn)題，進(jìn)一步制約了產(chǎn)業(yè)發(fā)展。

本次阿里云多模態(tài)交互開(kāi)發(fā)套件為硬件企業(yè)和解決方案商提供了低開(kāi)發(fā)門(mén)檻、響應(yīng)速度快、場(chǎng)景豐富的平臺(tái)。其中，突出特點(diǎn)在于計(jì)費(fèi)方式的改變。

“我們把原來(lái)的按Token計(jì)量計(jì)費(fèi)改變成一個(gè)按硬件的終端提供服務(wù)。”徐棟介紹，按License收費(fèi)是精算的過(guò)程，通過(guò)區(qū)分不同類(lèi)目和等級(jí)，比開(kāi)發(fā)者自己搭建ASR（語(yǔ)音轉(zhuǎn)文本）、TTS（文本轉(zhuǎn)語(yǔ)音）、LLM（大語(yǔ)言模型）成本低很多。比如有些語(yǔ)音模型TTS可以稍微降低擬人化的要求，從而大幅降低成本。

專(zhuān)有硬件交互模型

現(xiàn)場(chǎng)，阿里云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(wèn)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(zhǎng)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(xiě)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(chǎng)景，基于千問(wèn)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(shí)監(jiān)測(cè)異常狀況，并及時(shí)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(duì)話交互和控制設(shè)備等。

除通義模型家族外，阿里云還針對(duì)大量多模態(tài)交互場(chǎng)景進(jìn)行分析，推出適合AI硬件交互的專(zhuān)有模型，全面支持全雙工語(yǔ)音、視頻、圖文等交互方式，端到端語(yǔ)音交互時(shí)延低至1秒，視頻交互時(shí)延低至1.5秒。該套件還接入了阿里云百煉平臺(tái)生態(tài)，用戶不僅可以添加其他開(kāi)發(fā)者提供的MCP和Agent模板，還能通過(guò)A2A協(xié)議兼容三方Agent，極大程度地?cái)U(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(chǎng)景。

對(duì)于阿里云在手機(jī)、智能眼鏡等大品類(lèi)硬件領(lǐng)域的競(jìng)爭(zhēng)壁壘，徐棟表示，阿里云愿意與開(kāi)發(fā)者合作，降低門(mén)檻，也會(huì)探索大量的垂直領(lǐng)域的深度合作。

目前AI手機(jī)并行GUI（圖形界面，GraphicalUserInterface）與A2A（應(yīng)用間自動(dòng)化交互，Application-to-Application）兩大技術(shù)路線。

在徐棟看來(lái)，當(dāng)前兩大路線均處于發(fā)展早期。技術(shù)核心需解決泛化性與速度性能問(wèn)題，且需依托手機(jī)更多權(quán)限實(shí)現(xiàn)優(yōu)化。短期來(lái)看，A2A路線發(fā)展更快，體驗(yàn)更優(yōu)、響應(yīng)速度更快且模型消耗成本更低；GUI路線依賴多模態(tài)視覺(jué)交互，長(zhǎng)期使用成本更高，兩條路線均具備探索價(jià)值。

助力垂直場(chǎng)景應(yīng)用落地

該套件還接入了阿里云百煉平臺(tái)生態(tài)，用戶不僅可以添加其他開(kāi)發(fā)者提供的MCP和Agent模板，還能通過(guò)A2A協(xié)議兼容第三方Agent，極大程度地?cái)U(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(chǎng)景。

“今天的套件其實(shí)依托于我們阿里云的MaaS（模型即服務(wù)）服務(wù)而來(lái)的，適合垂直場(chǎng)景。”徐棟介紹，過(guò)去很多開(kāi)發(fā)者基于百煉平臺(tái)自行搭建工具、開(kāi)發(fā)Agent，如今套件做了針對(duì)性改造，降低了操作復(fù)雜度，支持快速實(shí)現(xiàn)多種智能化能力，同時(shí)對(duì)百煉平臺(tái)的MCP（模型調(diào)用平臺(tái)）能力進(jìn)行了封裝，開(kāi)發(fā)者可直接快速調(diào)取，而且套件通過(guò)API（應(yīng)用程序接口）、SDK（軟件開(kāi)發(fā)工具包）與百煉形成通道銜接，實(shí)現(xiàn)與各類(lèi)硬件的深度整合。

另外，套件適配30多款主流ARM、RISC-V和MIPS架構(gòu)終端芯片平臺(tái)；未來(lái)，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)上的極致高效部署和推理性能。

“玄鐵在RISC-V開(kāi)源生態(tài)貢獻(xiàn)很大，我們最早合作是為了讓千問(wèn)與玄鐵同頻共振，讓開(kāi)發(fā)者能自主可控。”徐棟表示，不過(guò)與玄鐵合作并非目標(biāo)實(shí)現(xiàn)模型硬件化，而是優(yōu)化通用模型，讓端側(cè)速度更快、體驗(yàn)更好。

2026年CES上，芯片巨頭重點(diǎn)錨定物理AI以及具身智能等進(jìn)展趨勢(shì)，推出系列新品。

“具身智能還處于非常早期的階段。”徐棟表示，阿里云在具身智能領(lǐng)域一方面是基于千問(wèn)Omni多模態(tài)模型的交互合作。該模型支持“看、聽(tīng)、說(shuō)”多模態(tài)協(xié)同，非單路輸入輸出，而是具備低延時(shí)、高擬人性及多語(yǔ)言出海能力，已被頭部機(jī)器人公司用于交互場(chǎng)景，但受限于機(jī)器人市場(chǎng)本身規(guī)模，當(dāng)前應(yīng)用量不大。另一方面，公司研發(fā)探索VLA（視覺(jué)—語(yǔ)言—?jiǎng)幼鳎┠Ｐ停軘?shù)據(jù)、模型架構(gòu)、任務(wù)泛化性等因素限制，仍處于早期階段；預(yù)計(jì)2026年下半年可看到相關(guān)架構(gòu)成果，但要實(shí)現(xiàn)高度泛化的VLA能力還需更多時(shí)間。