RTE 2026 春夏巡游 · 深圳站 · IoT 主题

从玩具
到伙伴。

消费级机器人的「活人感」交互设计
场合RTE 2026 春夏巡游 · IoT 站
日期2026.05.16 · 深圳
讲者姚光华 Colin · 声网 AI 产品线负责人
时长30 分钟 · 主旨演讲
全场主线 · THE ARC02
这场在讲什么

一条路：从抽屉，走到伙伴。

01 抽屉 3 天扔进抽屉 02 角色 分野不是智能 03 临场 活人感怎么落地 04 工程 四个真实问题 05 交付 交到你手上 一句话：伙伴感不是玄学，它是角色三件套加一个临场引擎
这场演讲要回答的只有一个问题：
为什么用户 3 天就把机器人扔进抽屉，以及怎么把它做成值得被记住的存在。
ACT 01
DRAWER
3 天扔进抽屉
先看一组所有消费机器人厂商都熟悉的曲线。它长得不像产品问题，更像关系问题。
01 抽屉 02 角色 03 临场 04 工程 05 交付
3 天剧本 · A 3-DAY SCRIPT04
一个 3 天的故事

留存曲线的形状，只有三天。

DAY 1 · 开箱热度 抽屉吃灰
01开箱「哇它会说话！」新鲜感拉满，朋友圈发了三条。
02聊半小时问它能干嘛，它一口气讲了 30 件事。还行。
03逗一句没了下文。对话越来越像在背词卡。
04抽屉吃灰下次拿出来是搬家。这是当前 9 成消费级机器人的留存形状。
行业普遍问题 · THE NUMBERS05
数字不会撒谎

不是个别产品的问题，是行业的普遍问题。

21%
当前 AI 产品的使用满意度
Deepgram & Opus Research · 2025
45%
糟糕体验之后的用户流失率
Deepgram & Opus Research · 2025
更大的模型 · 更快的响应 · 更多的功能 —— 但留存曲线没有改善。
留存不改善，说明缺的那一块不在模型里。
MONEY QUOTE · 01
3 天扔抽屉， 不是因为技术故障， 是关系的破裂。
用户买的，不是更聪明的玩具，是更值得相处的伙伴。
反共识 · A COUNTER-CONSENSUS07
先泼一盆冷水

不是所有机器人都该做成伙伴。

CASE 01
工具属性极强
扫地机 · 智能门锁 · 安防摄像头。用户要的是一个可靠的工具，伙伴感是负担。
CASE 02
一次性服务
展会接待 · 临时导游 · 酒店前台。用户根本不打算跟它建立关系。
CASE 03
隐私敏感
医疗设备 · 银行 KIOSK · 政务服务。伙伴感反而触发不信任。
真正的产品判断不是「我能不能做伙伴」，
是「我的机器人，值不值得被记住」。
ACT 02
CHARACTER
角色，不是功能
玩具和伙伴之间隔着的不是参数量。是它有没有被赋予一个角色。
01 抽屉 02 角色 03 临场 04 工程 05 交付
真正的分水岭 · THE REAL DIVIDE09
玩具 VS 伙伴

分水岭不是智能，是角色。

玩具 · TOY 伙伴 · COMPANION 是什么 一组功能 一个角色 用户预期 即用即走 持续相处 价值曲线 越玩越无聊 越熟越有意思 留存状态 陡降归零 缓升稳住 FUNCTIONS BOX VS. CHARACTER BEING
当前 9 成消费机器人卡在哪？
它们是「装了 LLM 的功能盒子」，不是「被赋予角色的存在」。
四个非伙伴症状 · FOUR FAILURE MODES10
4 SYMPTOMS → 4 COMPONENTS

4 个症状，对应 4 个组件的失败。

① IDENTITY
身份漂移
上午像客服，下午像哥们，晚上像心理医生。
② + ③ MEMORY
记忆失忆
你昨天说妈妈生病了，它今天问你「天气真好对吧」。
④ SPATIAL
临场缺席
你叹气时它在念叨；你在客厅，它的注意力在卧室。
④ TEMPORAL
节奏失控
你说一半它抢话，你问完它愣 2 秒，语调永远 happy。
① 身份 ② 关系 ③ 历史 ④ 临场（空间 + 时间）——
这 4 个组件，就是今天这场演讲的主线。
① 身份 · IDENTITY11
① IDENTITY · 它是谁

身份不是它记得自己叫什么，是它记得你是谁。

不是一句 system prompt，也不是给它起个名字。
是一套可以被它一致表达出来的存在。
01语调TONE · 独特的语调，不只是音色。温和、慢半拍。
02反应模式PATTERN · 一致的反应模式。先共情，再问，再答。
03喜恶TASTE · 鲜明的喜恶。怕吵 · 喜静。
04边界BOUNDARY · 稳定的自我边界。不假装它是人。
工程上是 persona embedding + 微调 + 一致性兜底。产品上只有一句话：先想清楚，你要造的是哪一个「它」。
② 关系 · ③ 历史12
② RELATIONSHIP · ③ HISTORY

关系的容量，等于共同记忆的容量。

DAY 1 · 浅 你告诉它，猫叫「豆豆」。 第一次对话里的一个事实。 DAY 30 · 中 它主动问「豆豆最近怎么样」。 主动召回，开始有关系。 DAY 365 · 深 它知道豆豆爱吃哪个牌子。 长期共同历史，不可替代。 三层记忆 · MEMORY STACK SHORT TERM 本次对话上下文 · context window MID TERM 本周 / 本月主题汇聚 · RAG · summary LONG TERM 画像 / 关键事件 / 偏好 · 结构化存储 历史不是录音，是从录音里长出来的、对你的理解
音频是耗材，语义是资产。
关系容量曲线 · CAPACITY CURVE13
FIG · 关系深度 × 记忆容量

「关系容量」，是有物理上限的。

0.29 TB · 上限 工具 智能音箱「你叫醒我」 熟人 记得几个偏好的 AI 玩具 伙伴 填满生命上下文配额 关系容量 共同记忆
一生听 10 亿词 → 只有 25% 值得记 → 折成 3.2 年音频 → 装进 0.29 TB。
这是一个人一生中真正值得被保存的「生命上下文」上限，也是机器人成为伙伴的记忆配额上限。
MONEY QUOTE · 02
没有共同历史的机器人， 永远是陌生人。
当前 9 成消费机器人，卡在「工具」和「熟人」之间。
ACT 03
PRESENCE
临场，撑得住吗
角色是厂商的责任。但角色能不能在每一次对话里立得住，取决于临场引擎。
01 抽屉 02 角色 03 临场 04 工程 05 交付
活人感的构成 · THE ELEMENTS16
活人感的交互设计要素

角色立得住 × 临场撑得住。

角色立得住 CHARACTER · 厂商的责任 临场撑得住 PRESENCE · 引擎的责任 ① 身份 IDENTITY —— 它是谁，为什么存在 ② 关系 RELATIONSHIP —— 它和你是什么关系 ③ 历史 HISTORY —— 你们共同记得什么 实时听见 REAL-TIME —— RTE 管线 立刻想起 RECALL —— 即时调用记忆 当下回应 RESPOND —— 650ms 内完成 临场感 = 实时听见 × 立刻想起 × 当下回应
临场感的落点是交互。
它不在模型里，它在每一次「你说完到它开口」之间的那几百毫秒里。
30 年坐标 · A 30-YEAR COORDINATE17
我们正在跨过的那个点

交互的坐标，30 年换了四次。

1990s 人 ↔ 人 电话 / 视频 固网 → 蜂窝 → IP 2010s 人 ↔ 机 客服 IVR · Alexa 指令式交互 2024 人 ↔ 模 ChatGPT · GPT-4o 对话式交互 NOW 人 + 模 + 人 消费机器人 / AI 眼镜 共在
消费级机器人是第 4 段的最前线。
它要承载的不只是对话能力，还是关系本身。对话即交互。
活人感的定义 · DEFINITION18
先把词定义清楚

「活人感」不是越像人越好，是双方都能舒适。

TOO DRY
太木
客服机器人的距离感。回答正确，但你不想再开口了。
JUST RIGHT
恰好
一种自然、可持续相处的状态。下次还想跟它说话。
TOO CLINGY
太腻
伪装成朋友的销售感。三句之后就想拔电源。
Mehrabian 1971：一次面对面沟通里，语言内容只占 7%，声音语调 38%，身体语言 55%。
Mehrabian, A. 《Silent Messages》, 1971
消费机器人本来就有身体，本来就有机会承担那 55%。
同一句话，两种反应19
用户说：「最近压力好大。」

内容可以一样，反应完全不同。

非伙伴反应 · 0 MS DELAY
「您可以尝试以下减压方法：深呼吸、散步、听音乐、找朋友聊聊……」
信息正确 · 节奏机械 · 情绪缺席。
伙伴反应 · +0.5 S PAUSE
「听起来挺累的，今天发生什么了吗？」
节奏对了 · 语气对了 · 对话策略对了。
这不是模型大小决定的。
是引擎层和产品设计层联合决定的体验。
中心论点 · 3 ROLES + 1 ENGINE20
伙伴感的工程结构

角色三件套，加一个引擎。

角色三件套 · CHARACTER TRIO —— 产品方的责任，厂商自己来 ① IDENTITY 身份 它是谁？为什么存在？ ② RELATIONSHIP 关系 它和用户是什么关系？ ③ HISTORY 历史 共同记得什么？ 承载在 · CARRIED BY ④ REAL-TIME ENGAGEMENT · CONVOAI ENGINE —— 技术方的责任 实时互动引擎 让身份、关系、历史，在每一次对话里被感知 · 被表达 · 被记住。 3 ROLES + 1 ENGINE
这是一道二选一都不行的题。
ACT 04
ENGINEERING
四个真实问题
接下来这一段，是声网对话式 AI 引擎 16 次迭代踩过的坑。四个问题，一个都绕不过去。
01 抽屉 02 角色 03 临场 04 工程 05 交付
来自一次 AMA · FROM THE FIELD22
这些问题来自我最近一次 AMA

真实世界的问题，往往不是模型问题。

OEM有办法让延迟感降到真的像跟人对话吗？OEM 产品负责人
端侧算法如何提高在嘈杂环境中的识别准确率？端侧算法工程师
玩具开发怎么拒识？周围人说话，或者使用者在和别人说话。智能玩具开发者
模型架构主流 voice agent 用 S2S 还是 STT-LLM-TTS？模型公司架构师
它们不是实验室里的问题，
是一旦进入生产环境就一定会遇到的问题。
工程问题 #1 · LATENCY23
ENGINEERING PROBLEM #1

对话感，死于等待。

GREEN · 活人感 0–200 ms 面对面对话的理想区间，大脑听不见任何延迟。 YELLOW · 可接受 ≈ 400 ms 电话区间。人在做延迟补偿，开始消耗注意力。 RED · 关系破裂 ≥ 1.5 s 不再是对话，是在等系统反应。一次失控，关系就裂一道。 任何一个工程环节多 200 MS，都是在杀死伙伴感 SOTA · OPENAI TOLAN: P90 < 1.5S
延迟不是性能指标，是关系指标。
工程问题 #2 · NOISE24
ENGINEERING PROBLEM #2

真正毁掉对话的，不是噪声。

嘈杂环境 ≠ 单一噪声。三类挑战，难度截然不同。
01稳态噪声STATIONARY · 空调、风噪、机械持续运行 —— 已解决。
02瞬态噪声TRANSIENT · 敲击、关门、犬吠 —— 部分解决。
03非对话人声NON-TARGET HUMAN · 电视、家人、路人、同事 —— 致命。
真正成熟的 Agent，不是把听到的都当输入。而是具备选择性注意力锁定 Selective Attention Locking —— 声网 ConvoAI v1.7 多模态升级。
工程问题 #3 · MULTIMODAL25
ENGINEERING PROBLEM #3

多模态，不等于多功能并列。

PARALLEL FUNCTIONS · 多功能并列 语音模块，独立跑 视觉模块，独立跑 传感器模块，独立跑 三条时间轴，谁也不知道对方发生了什么。 WOVEN ON ONE TIMELINE · 多模态编织 声 视 触 一次反应 在统一时间轴上同步，共同决定一次反应。 EXAMPLE · 你叹了一口气 —— 不是听到一个 AUDIO EVENT 而是同时看你的表情、判断你在哪儿，然后转头看你，问「怎么了」
这件事拼的是十年 SD-RTN 的时间轴对齐能力。
工程问题 #4 · ARCHITECTURE26
ENGINEERING PROBLEM #4

敢商用，才是架构的底线。

为什么我们坚持级联架构，不选端到端？
01 · OBSERVABLE
可观测
每一段延迟、每一个失败点，都能被定位。
02 · TUNABLE
可调优
ASR / LLM / TTS 可以独立替换、独立升级。
03 · RESILIENT
可兜底
出问题的时候，系统不会整体失控。
在消费机器人里，稳定性本身就是用户体验。一次失控的对话，比 10 次平庸的对话更伤关系。
MONEY QUOTE · 03 · 生死线
别听错。 别失控。 别让人等。
Don't mishear. Don't break. Don't make people wait. —— 消费级机器人交互设计的生死线，只有这三条。
MONEY QUOTE · 04
模型决定能力上限。 引擎决定体验下限。
MODELS SET THE CEILING. ENGINES SET THE FLOOR. —— 在对话即交互的时代。
ACT 05
HANDOFF
交到你手上
最后这一段讲清楚：这条工程路我们已经替你走过一遍，哪些交给你，哪些交给我们。
01 抽屉 02 角色 03 临场 04 工程 05 交付
里程碑 · MILESTONES29
CONVERSATIONAL AI MILESTONES

5 个节点，19 个月。

2024.10.01 全球首个 Realtime API OpenAI × Agora 2024.10.24 国内首个 Realtime API 声网 × MiniMax 2025.03.06 引擎 1.0 ConvoAI Engine 1.0 行业首个对话式 AI 引擎 2025.10.31 全栈发布 Studio + Engine 2.0 评测 3.0 2026.03.10 电话智能体 Phone Agent 全球版
我们已经替你把工程化这件事走过一遍了。
产品哲学四部曲 · FOUR THREADS30
引擎迭代的四条主线

从「能跑起来」走到「敢商用」。

01轮次与打断v1.4 → v2.0 → v2.4 → v2.6：把「听」和「打断」拆成两件事，引擎级架构重构。
02走向编排v1.1 RTM → v1.4 LLM → v2.4 MCP → v2.6 指令注入：引擎本身成为 Agent 框架。
03不可打断v2.3 metadata.interruptable → v2.5 暂停意图识别：法规播报与用户暂停的语义边界。
04供应商解耦v1.6 ASR 多供应商、v2.0 TTS 多供应商 + 凤鸣 ASR 拆出：能换、能比、能算账。
这 4 条主线回答的是同一个问题。商用底线不是某一个功能，是客户能不能自己换掉你的任何一环。
我们的位置 · WHERE WE SIT31
边界感很重要

声网在这一层，做什么，不做什么。

NOT US
不做角色定义
那是你的核心产品资产，我们不碰。
NOT US
不做模型
阶跃 / 通义 / 豆包 / GPT 都是搭档。
NOT US
不做芯片
瑞芯微在端侧把活儿干得比谁都好。
WHAT WE DO
做临场引擎
让「角色」在每一次对话里实时立得住。
ConvoAI Engine 2.6 · 16 次迭代 · 14 个月 · Production-Ready
Robotics 1 消费机器人开发套件：R1 Wi-Fi（2025.03.20 · BK7258）／ R1 4G（2025.09.26 · UNISOC 8910 Cat.1 一体化）
带走 · THREE ASKS32
给消费机器人厂商的 3 条建议

今天就能开始做的三件事。

1
先回答「值不值得被记住」
不是每个机器人都要做伙伴。Day 0 把定位想清楚，把伙伴感四维做成留存 KPI。
2
临场引擎外包，角色握在手里
RTE、模型、芯片各有专长。把研发预算和团队精力，留给只有你能做的事。
3
持续打磨体验基准
体验不是一次成型，是周周打磨。建立你自己的真实使用数据反馈闭环。
这三条的顺序不能换。定位错了，后面两件事都白做。
MONEY QUOTE · 05 · 产业判断
消费机器人今天解的题， 就是具身明天直接继承的能力。
不要把消费机器人看成一个小赛道 —— 它是整个 AI 硬件浪潮的第一站。
灵魂 21 G · 记忆 0.29 TB
从玩具到伙伴的距离， 就是从被使用到被记住的距离。
From toy to partner = from being used to being remembered.
谢谢

把消费机器人，
从玩具做成伙伴。

姚光华 Colin · 声网 AI 产品线负责人
场合RTE 2026 春夏巡游 · 深圳 · IoT 站
日期2026.05.16
相关档案12_2026-05-16_RTE春夏巡游_深圳_活人感伙伴
说明据 36 页现场稿重构 · 已剔除空页