阿里云推出面向AI硬件的多模态交互开发套件

大象新闻记者 李莉 张迪驰

1月8日，阿里云正式发布多模态交互开发套件。大象新闻记者注意到，该套件集成了千问、万相、百聆三款通义基础大模型，并预置十多款生活休闲、工作效率等领域的Agent和MCP工具，不仅能听、会看，还能思考并且与物理世界交互，可应用于AI眼镜、学习机、陪伴玩具、智能机器人等硬件设备。

在芯片层面，该套件适配了30多款主流ARM、RISC-V和MIPS架构终端芯片平台，满足市面上绝大多数硬件设备的快速接入需求。未来，通义大模型还将与玄铁RISC-V实现软硬全链路的协同优化，实现通义大模型家族在RISC-V架构上的极致高效部署和推理性能。

在模型优化层面，除通义模型家族外，阿里云还针对大量多模态交互场景进行分析，推出适合AI硬件交互的专有模型，全面支持全双工语音、视频、图文等交互方式，端到端语音交互时延低至1秒，视频交互时延低至1.5秒。

此外，该套件预置十多款MCP工具和Agent，覆盖生活、工作、娱乐、教育等多个场景，例如，基于预置的出行规划Agent，用户可直接调用路线规划、旅行攻略、吃喝玩乐探索等能力。该套件还接入了阿里云百炼平台生态，用户不仅可以添加其他开发者提供的MCP和Agent模板，还能通过 A2A协议兼容三方Agent，极大程度地扩展了应用的能力边界，帮助企业灵活搭建业务场景。

现场，阿里云还展示了面向智能穿戴设备、陪伴机器人、具身智能等领域的解决方案。例如，在AI眼镜领域，基于千问VL、百聆CosyVoice等模型，阿里云打造了感知层、规划层、执行层以及长期记忆的完整交互链路，可一站式实现同声传译、拍照翻译、多模态备忘录、录音转写功能，有效解决交互不自然、回答准确率低的难题。面向家庭陪伴机器人场景，基于千问模型和多模态交互套件，阿里云推出的解决方案不仅可实时监测异常状况，并及时告警信息推送，用户还能基于关键词查找、定位视频，与机器人进行对话交互和控制设备等。

根据国际权威市场研究机构Gartner发布的GenAI(生成式AI)技术创新指南系列报告，阿里云在GenAI云基础设施、GenAI工程、GenAI模型以及AI知识管理应用四大维度均位于新兴领导者象限，为入选全部四项新兴领导者象限的唯一亚太厂商，并比肩谷歌、OpenAI。