我們談談多模態(tài)交互之智能語音、機器視覺、移動底盤之間的結合。

現(xiàn)在講多模態(tài)技術最難的地方就是各個企業(yè)之間，基本上都在自己熟系的領域去深耕，對相互之間的技術結合基本上都不是很熟系，這就困擾多模態(tài)技術之間的結合。

從這次研討會上反饋的信息來看，機器人企業(yè)期待上游的企業(yè)，如科大訊飛能夠提供再進一步的技術方案，或者有能夠直接提供多模態(tài)交互技術的產(chǎn)品，而上游的技術企業(yè)，則認為這是終端機器人產(chǎn)品集成商應做的事情。

這就導致我們想要的多模態(tài)技術交互都是有缺陷的。

在技術上來說，智能語音、機器視覺、移動底盤在使用的過程中都還存在問題，這讓很多機器人企業(yè)非常的折騰。

從移動底盤上來說，深圳市步科電氣有限公司（簡稱：步科）營銷總監(jiān)溫琦說：“移動底盤產(chǎn)品是成熟的，可以應用到各種機器人身上，但是目前確沒有成熟的SLAM技術方案。”

還比如機器視覺，很多廠家都說，機器人植入深度視覺后，在行走的過程中，可以躲避障礙物，但是應用到場景里，還是存在很多的問題，比如機器人前面多幾個人行走，就會導致機器人行走速度會變得很慢，或者直接不靈了。

最后是智能語音，對很多機器人企業(yè)而言，目前是最頭疼的問題，因為很多語音企業(yè)都說識別準確率高達90%以上，但是從機器人企業(yè)的反饋來看，應用到場景里體驗是不好的。

其實這里有一個問題，智能語音包括語音與語義，如果語音識別準確率達到90%，語義識別準確率也達到90%，其實這兩者是相乘的，一結合可能就只有81%的識別準確率。

而且目前我們所涉及的語義還只是文本，對于視頻、圖片、運動數(shù)據(jù)等更多元的素材采集，基本上非常困難。

深圳市狗尾草智能科技有限公司（簡稱：狗尾草）首席科學家張博說：“從多模態(tài)交互的角度去看，在目前的智能語音技術上，再去擴展視頻、圖片、運動數(shù)據(jù)等素材采集，我們只能通過語義處理語義，視頻處理視頻等方式去處理，如果要結合起來是非常困難的。”

先不說把圖片、視頻、文本等結合，就算以文本的角度去講也很難，小I機器人售前顧問甘楚輝說：“小I的數(shù)據(jù)庫里，各個領域的知識庫是分開，如果要結合在一起，占用的資源會變得非常大，對整體的性能影響也會很大，就算要結合也只能是分開穿線。”

所以在多模態(tài)交互的探索上，我們基本上還處在剛開始的階段。

目前我們先不深入的去探究，站在我們現(xiàn)有的產(chǎn)品集成上，我們可以做到怎樣的多模態(tài)交互。

比如深圳市銳曼智能技術有限公司名下的小曼機器人，當我們呼叫小曼機器人時，它是可以定位我們的聲源，甚至還可以走到我們的面前。

科大訊飛股份有限公司（簡稱：科大訊飛）商務總監(jiān)廖凱說：“這三者結合的多模態(tài)交互，在生活中可以做到，我在與機器人一邊走路，一邊講話的時候，它是可以進行人臉的捕捉，移動的追蹤，所以它會在移動時面朝著你，這會讓你感覺非常好。”

就從這三個技術的成熟度來講，在這次1號機器人網(wǎng)研討會上，很多嘉賓認為，以目前的技術水平，能夠?qū)崿F(xiàn)產(chǎn)品盈利的也只能是玩具級的產(chǎn)品，如果是商用級的產(chǎn)品，我們還需要花很長的時間做研發(fā)投入。

過去我們追捧機器人+資本的模式，通過資本的進入去進行產(chǎn)品技術的研發(fā)，但是這條路從去年以來已經(jīng)變得越來越窄。

如果還只是拿上游企業(yè)的產(chǎn)品，比如：智能語音、移動底盤、機器視覺，再進行定制化場景應用的機器人，估計已經(jīng)很難再拿到資本。

因為很多投資人已經(jīng)知道內(nèi)部的事情，而且也知道內(nèi)部細節(jié)的難度在哪里？尤其是融合的階段，什么技術處于可商業(yè)化，什么技術還達不到商業(yè)化的階段，所以對機器人創(chuàng)業(yè)者而來，我們自己也需要理性化，做一些深思熟慮的判斷。

從營銷策略的角度去分析，特別是對于玩具級別的機器人產(chǎn)品，我們不要過分讓用戶對產(chǎn)品有太高的期望，廖凱說：“我之前有一個客戶是做香味盒，在這個香味盒上植入了語音交互功能，坦白說，他們二次開發(fā)的語音交互體驗做的并不好，但對用戶而言，就算體驗不好，但是它還是可以提供香味需求。”

往往我們能夠抓住跟智能無關的點，就會有用戶粘性，其實用戶會給你一個容忍度，給你升級迭代的機會，但是我們不能給用戶太高的期望。

在商業(yè)級的服務機器人里也有成功的例子，溫琦說：“美國企業(yè)做出來的很多機器人是在商場里做分揀，它不是服務于人，或與人做交互，而是為商場管理貨物提高效率。