从听懂你，到看见你 —— 实时多模态，让AI进入真实世界

活动简介

过去两年，大模型让AI从“指令工具”变成了“对话对象”。但一个只会听的AI，永远只能拿到用户转述的世界——它不知道你正在看书、骑车、陪孩子写作业，还是在家里走动。如果AI要真正成为最懂你的伙伴，它必须获得与你相同的上下文及给予反馈：视觉、声音、空间、动作、表情、环境。 这正是声网 Physical AI正在推进的方向：从实时对话式AI，迈向实时多模态AI。 本次演讲将预告声网在实时多模态领域的最新成果——R2开发套件。这不是一个普通的口袋机器人硬件开发套件，而是一个让AI看见、理解并进入真实世界的开放载体。它集成了摄像头、屏幕、多自由度运动、步进电机、多麦克风阵列、多种传感器，并搭载了独立的端侧算力，支持从人脸识别到声源定位等本地感知能力。 更重要的是，R2并非孤立的硬件。它完整对接了声网的实时对话式AI引擎，通过音频、视频、数据三通道并行传输，实现“大脑”（云端LLM/Agent）与“小脑”（端侧视觉与运动控制）的实时协同。配合Botstation智能体平台与MCP工具生态，开发者可以在数天内将一个创意变成可交互的多模态机器人原型。 我们将分享这一路走来的思考：为什么AI需要进入真实世界？为什么我们选择做一个开放的开发底座，而不是一个封闭的机器人产品？我们如何从开发者真实痛点出发，解决现有方案的噪声、算力、量产、隐私等问题？以及，当实时多模态成为AI的新基础设施，教育、骑行、安防、办公等场景将迎来怎样的改变？ 这场演讲不仅是一次产品发布，更是一次关于“AI下一站”的探讨。我们相信，AI的未来不在云端，而在你身边。