0:000:00
<p>在深圳，大模型掀起的AI硬件创业潮正席卷大厂、初创公司和一些中等规模的软件企业。</p><p>这些新玩家们相信，大模型带来了全新的人机交互体验，而一个完整的交互解决方案，一定是软、硬一体的。</p><p>刘轶就是其中的一位。在对谈中，他引用了一个巧妙比喻：大模型是水，本身无形，需要载体——这是他决定投身硬件产业的重要原因。</p><p>另一部分原因，则来自一个语音AI行业老兵的经验之谈。</p><p>刘轶的背景横跨学界、产业界。他是港科大首位智能语音语言领域的博士，国家重大人才计划特聘专家。在清华任教期间，他所在的国家实验室后来走出了炙手可热的大模型公司智谱。</p><p>2014年刘轶博士决定离开高校，在深圳创立了北科瑞声，为行业提供语音AI的系统与服务，并很快在医疗、政务、交通等领域找到了垂直细分市场的机会，但也仍然面临企服市场定制化程度高、软件付费意愿不强等问题。</p><p>十年后，带着在垂直领域积累下的行业优势，刘轶决定在大模型时代再次出发。手机之外，高度依赖语音交互、“受限显示”的口袋式硬件，被寄予厚望。</p><p>不过，如何在这样一个小小的终端上平衡性能、算力和功耗三者的关系，是摆在每个新玩家面前的共同挑战。刘轶认为，这也恰恰说明在端侧仍大有可为。</p><p>【本期课代表】</p><p>刘轶，北科瑞声创始人、董事长，国家重大人才计划特聘专家</p><p>【课代表观点】</p><p>01:05，语音AI技术的进展和局限</p><p>04:54，中文和阿拉伯语的识别理解，哪个更难？</p><p>06:30，更好的大模型一定出现在工业界</p><p>08:51，微调(SFT)不是每个人都该去做的</p><p>12:13，大模型是水，一定要有载体</p><p>14:06，做硬件就是一个权衡的过程</p><p>16:37，GPT-4o离产业化还有一段路</p><p>17:20，受限显示的小硬件是个趋势</p><p>【补充知识点】</p><p>ASR自动语音识别（Automatic Speech Recognition） 基于深度学习技术，将音频中的语音转成文字。可用于识别多种音频编码格式、多种场景和不同长短的语音。广泛应用于智能客服质检、会议访谈转写、游戏语音输入、课堂内容分析等场景。TTS语音合成（Text-To-Speech）是一种将文本信息转化为...