智能音箱從能聽到會看，多模態(tài)交互將成為趨勢。

8 個月時間，在天貓精靈 X1 智能音箱從發(fā)售到銷量 200 萬后，阿里巴巴人工智能實驗室舉行了 2018 年的第一場發(fā)布會（3 月 22 日），而這一次發(fā)布的核心產(chǎn)品，有點出乎大家意料。

用一個 49 元的手機支架，和幾乎人人都有的智能手機，天貓精靈進行了一次變身，不但變得比以前更加聰明，還擁有了全新的“多模態(tài)感知系統(tǒng)”。作為 2017 年的行業(yè)黑馬，本次發(fā)布會上讓人激動的這件新品不再是硬件，而是重量級的系統(tǒng)升級——AliGenie 2.0，我們不妨先來看看這段官方視頻演示：

AI 變奏曲：智能音箱從能聽到會看

毫無疑問，當天發(fā)布會上的主角正是阿里巴巴人工智能實驗室的 AliGenie 2.0，它加入了最新的 AI 視覺系統(tǒng)，并嘗試去融入更多情感操作。阿里巴巴人工智能實驗室負責人淺雪稱之為“天貓精靈火眼”。和去年 7 月推出的 AliGenie 1.0 最大的不同在于，2.0 版本從原本能聽能說，變成了如今的能看能聽能說。

能看是系統(tǒng)升級的重點，“從觸覺到聽覺，再到視覺，最后是情感反饋，多模態(tài)交互是 AliGenie 2.0 的核心”，對于此次系統(tǒng)升級，淺雪認為它最大的不同是人機交互的變化，尤其是因此產(chǎn)生的與眾不同的用戶體驗。

阿里巴巴人工智能實驗室負責人 淺雪

搭載“火眼”的天貓精靈，在原本的天貓精靈 X1 上增加了一個手機支架，通過把手機連接到天貓精靈 App，手機屏幕出現(xiàn)了一只可以交互的“天貓”，通過手觸摸，它可以簡單和人互動。

這只“寵物貓”擁有 AI 識圖能力。依靠手機前置攝像頭，天貓精靈有了能“看懂”周圍事物的“眼睛”，它可以識別 2D 和 3D 信息。具體來說，有三個重要能力加入。

第一，當你手拿兒童故事書，或者識字卡靠近，詢問天貓精靈“這是什么”時，它可以“看到”并立即為你朗讀卡片和故事書的內(nèi)容。

其次，通過連接阿里健康的數(shù)據(jù)信息，天貓精靈有了“判斷”藥品的能力，可以迅速識別 40000 種中國家庭常用藥。當你手拿藥品盒子在手機攝像頭前詢問時，這只“貓”會手拿藥盒，告訴你它的名稱，功效甚至有效周期。

第三，同時也是最讓人驚訝的能力，天貓精靈具備了基礎(chǔ)的 3D 圖像識別的能力。當手持蔬菜、水果等物品靠近攝像頭詢問時，它可以很快告訴你這是什么物品。

和前兩種的 2D 圖像識別不同，3D 識別物體要做到的是不論你用何種角度拿著物品靠近攝像頭，它都能判斷出物體是什么，按照產(chǎn)品總監(jiān)釋空的解釋，這（難度）要比 2D 識別大得多。

因為 3D 識別不僅在考驗系統(tǒng)對周圍環(huán)境光線的適應(yīng)、同時也要對你手持物體角度進行準確把握，還要有足夠的數(shù)據(jù)信息可以搜尋出物體。比如在你拿著一個已經(jīng)發(fā)霉變色的西蘭花時，要想被識別出來，就必須知道這還是西蘭花，這對于機器來說并不容易。所以目前，天貓精靈能識別出的蔬菜水果不多，只有幾十種，但這種能力卻對于將來識別更多物品（包括商品），甚至于人臉都具有重要意義。

此外，發(fā)布會很重要的一部分在于天貓精靈的邊界擴展，看到前面幾個功能也許有人能猜到，閱讀故事書，教人讀書寫字，這是面向兒童的能力。而幫你識別藥品，告訴你藥品功效，再告訴你還有多久會過期，這是更貼近老人的能力。

因此天貓精靈不但聯(lián)合了國內(nèi) 12 家少年兒童出版社，對市面上 117 套兒童讀物以及繪本進行了有聲讀物化，還將通過馬云公益基金會將天貓精靈帶到更多偏遠地區(qū)，為當?shù)貙W校教育以及兒童陪伴問題提供新的解決思路。

盡管發(fā)布會還另外帶來了阿里巴巴人工智能實驗室的路由器、投影儀以及迷你版天貓精靈，但最核心的主角無疑就是全新升級的 AliGenie 2.0 系統(tǒng)。這不由得令人好奇，當國內(nèi)外廠商紛紛升級了帶屏幕的智能音箱時，為何阿里巴巴選擇了這樣一個“非常規(guī)”的升級方式？不是通過賣新的產(chǎn)品，而是用 App 和用戶自己的手機，這樣一個更加“軟著陸”的方式來使用新產(chǎn)品（也是新系統(tǒng)）呢？

殊途同歸的多模態(tài)交互

一個現(xiàn)狀是，帶有屏幕的智能音箱價格與人們期望存在差距。市面上帶屏幕的智能音箱，少則近千元，多則數(shù)千元。可以說在目前階段，當用戶考慮用數(shù)千元買一個帶屏幕的智能音箱時，他們會猶豫，并會和一些其它成熟產(chǎn)品（如 iPad 等）比較其是否值得？

這也是擺在包括淺雪在內(nèi)的團隊成員面前同樣的問題，因此需要考慮的就是：如何用極低的成本，盡量做到現(xiàn)階段能實現(xiàn)的最優(yōu)體驗？團隊內(nèi)部對此曾出現(xiàn)過分歧，用釋空的說法，最終他們認為，由于目前階段帶屏幕的智能音箱產(chǎn)品不具有足夠的議價，因此就做出了用手機來完成這些的方案。

這讓人想起了谷歌在 VR 推進早期曾大力推行的產(chǎn)品“CardBoard”。

紙板做的廉價 VR 眼鏡——Google CardBoard

在 VR 產(chǎn)業(yè)剛剛起步階段，市面上 VR 產(chǎn)品不但價格貴，體驗也并不優(yōu)秀，于是谷歌采取了用廉價紙盒做 VR 眼鏡的策略，滿足了大家在好奇期的想法，并成功向大眾普及了 VR 這一概念，這種方式不得不說是有其必要性的。

“我們最關(guān)注的事情是如何讓每個用戶用最低的成本入門就能完全體驗。”淺雪說，這種觀點最終指向的目標是給每個人做有用有價值的人工智能，所以嘗試出這樣的方案在意料之中。

但在大方向上，智能音箱不應(yīng)該僅僅只有語音交互，應(yīng)該是語音、視覺、情感多模態(tài)交互的觀點，這卻是 AliGenie 系統(tǒng)，乃至整個智能音箱領(lǐng)域目前達成的一個基礎(chǔ)共識。

的確，智能音箱優(yōu)點很多，但嘗試過的用戶都會認為它不夠完美，聲音交互的特性讓它在很多場景中不夠靈活，而要解決這個問題，利用屏幕也許是一個途徑，今年開年來，伴隨 CES 2018 展會，我們見到了國內(nèi)外眾多帶有屏幕的智能音箱，谷歌甚至組建了一個“Smart Display”聯(lián)盟，想要讓這一趨勢迅速蔓延開來。

從左到右，LG、聯(lián)想、JBL 的 Smart Diaplay 產(chǎn)品

在淺雪看來，阿里人工智能系統(tǒng) AliGenie 2.0 系統(tǒng)升級，它的“能力比一塊屏幕更重要”。目前階段下，通過一個 App 和手機就能體驗到的事情，既能讓用戶擁有更好的心理預期，又能在吸取經(jīng)驗進一步打磨未來產(chǎn)品，這樣的嘗試能讓更多用戶理解，有了屏幕交互的智能音箱不同于 iPad，語音控制和屏幕觸控也不是互相替代，而是互補關(guān)系。

一旦有了這種體驗，大家就會發(fā)掘出自己真正需要的到底是怎樣的智能音箱。如發(fā)布會現(xiàn)場演示的功能一樣，教育兒童，可以通過看到卡片和圖書來給孩子講故事；幫助老人，可以通過看到藥品盒子就說出功能功效和截止日期。這種輕度體驗能在生活中慢慢培養(yǎng)人們對于智能音箱的新的認知。

如果說 2017 年是國內(nèi)智能音箱競賽元年，那么站在賽道上的阿里巴巴無疑通過雙 11 的 100 萬臺銷量成為了行業(yè)黑馬。而隨著 AliGenie 2.0 的推出，2018 年人工智能產(chǎn)品將更具擴展性，多模態(tài)，讓人更自如的交互無疑將成為接下來各大廠商關(guān)注的重點。