Rokid 十年来持续探索AI与AR的融合路径，打造出涵盖语音交互、视觉识别、空间感知与边缘计算的“空间智能体”系统。随着多模态识别与大模型的发展，AR眼镜逐步从视觉呈现工具演化为认知、决策并行动的智能终端。本次演讲将结合Rokid在商业化产品上的经验，从Rokid AR Studio、Rokid AR Lite、Rokid Glasses等核心产品，从架构设计、产品落地到行业应用，系统讲解AI如何深度驱动AR硬件与操作系统演进，赋能文旅、教育、工业、车载等多场景的落地实践，兼顾toB，以及toC商业化场景落地，展示AI时代人机交互的新范式。

演讲提纲

1. Rokid的十年是AR的十年
   • Rokid聚焦AI+AR十年，具备软硬一体的产品体系
   • 已实现自研AR操作系统、光学模组与AI语音交互能力
   • 产品形态从语音助手演进至眼镜、空间计算平台
2. Rokid空间计算OS架构
   • 系统由视觉计算、语音引擎、边缘推理组成
   • 支持空间定位、场景识别、语义理解等关键模块
   • 万物互联未来下的OS，适配多终端（眼镜、车载、展厅等）
   • 平台支持AI语音输入、手势识别、内容生成等应用层
3. 产品矩阵与核心设备介绍
   • Rokid AR Studio 构建AI+沉浸空间体验
   • Rokid AR Lite 与Rokid Glasses 构建AI+轻空间体验
4. 核心技术模块拆解
   • 包含空间感知（SLAM/空间锚点）、语音识别、AI算法等
   • 多模态交互由视觉+语音双核驱动，系统提供稳定硬件平台支持边缘智能推理
   • 设计强调轻量化终端+强感知与空间融合能力
5. 行业应用案例展示
   • Rokid AR设备已应用于太空任务、智慧文旅与教育，提供医疗辅助、工业巡检、数字展厅、虚拟展览等方案
   • 支持3D空间交互、数字孪生、远程可视化协作
   • 落地强调系统稳定性、AI部署灵活性与场景适应能力
6. 开放拥抱全球生态与合作
   • 联合高校举办“空间计算挑战赛”“开发者创新大赛”等，奖金总额百万以上，推动高校与开发者参与空间计算
   • 搭建完整SDK与API体系，支持内容创作与工具调用
   • 开发者可通过平台参与应用落地与商业合作
7. 未来计划与开放合作方向
   • 空间计算生态逐步从“技术主导”向“场景驱动”转型
   • Rokid将拓展全球市场，重点发力教育、工业、出行方向
   • 寻求内容方、方案商、开发者的多层级合作模式
   • 持续开放平台，推动空间智能操作系统的行业标准化

您认为，这样的技术在实践过程中有哪些痛点？

• 轻量AR设备的算力瓶颈与AI能力需求矛盾
• 多模态交互在复杂场景中的稳定性与准确性
• 空间计算系统标准尚未统一，开发生态构建难

您的演讲有哪些前沿亮点？

• 系统性AR+AI Rokid空间计算架构
• 结合AI驱动的AR操作系统与产品协同落地经验
• 展示多行业落地案例，覆盖真实商用场景
• 深度解析AI如何成为AR产品的主控中枢

听众收益

• 了解AI+AR融合的技术栈与架构逻辑
• 掌握空间智能体设计的核心要素与关键路径
• 获取落地型产品从概念到规模化的实操经验

随着智能终端的场景化需求升级，传统耳机 “声音重放” 的单一功能已难以满足用户对个性化交互与主动服务的期待。在此背景下，AI 驱动的AI耳机正从硬件载体向 “听感交互中枢” 与 “超级传感器” 转型，通过技术重构实现范式突破。 作为 “可穿戴智能体” 的典型代表，AI 耳机预示人机交互从 “工具依赖” 迈向 “共生进化”，通过 “服务即穿戴，穿戴即体验” 的图景，成为连接个体与物理 / 数字世界的核心入口，推动消费电子从功能导向转向价值共生的新周期。

演讲提纲

1. 听觉入口的范式升级：突破传统耳机 “声音重放” 定位，强调 AI 驱动下耳机作为 “听感交互中枢” 的角色及如何实现技术落地
2. 可穿戴设备的 “感知触角” 价值
3. 消费新价值的三重重构：
   • 体验重构：从 “被动接收” 到 “主动服务”
   • 场景重构： “设备即服务”的生态协同；
   • 商业重构： “听觉营销” 新渠道
4. 人机关系的未来隐喻：AI 耳机作为 “可穿戴智能体” 的典型代表，预示着人机交互从 “工具依赖” 走向 “共生进化”—— 设备不仅是功能载体，更是用户延伸的 “数字感官” 与 “决策伙伴”，最终实现 “服务即穿戴，穿戴即体验” 的消费新图景。

您认为，这样的技术在实践过程中有哪些痛点？
AI 声学硬件产品在技术落地中面临多重痛点，涉及技术落地、用户体验、生态协同及商业化等多个维度。本质是技术前瞻性与用户真实需求、商业可行性、社会伦理的多重博弈。突破方向需聚焦轻量化算法优化（降低算力与功耗）、场景化服务的 “克制式设计”，以及行业标准共建，才能推动其从 “概念创新” 走向 “价值落地”。

听众收益

1. 跨学科技术落地的实战方法论 
2. 生态协同的技术架构设计思路
3. 未来技术趋势的战略预判与布局

本次分享将聚焦端侧大模型，深入探讨其落地过程中的挑战与实践。通过大模型摩尔定律及相关技术阐述原因，并对比端侧 AI 与云侧 AI 的优劣，介绍端侧 AI 应用场景及有道教育智能硬件特点。端侧大模型落地面临算力、内存、功耗、成本、算法质量、多应用部署等挑战，需平衡各项指标。以有道子曰大模型为例，分享云侧、云端结合、端侧 LLM 三种落地模式。在端侧大模型算法方面，详细介绍模型压缩技术及 LLM 带来的变化与新问题，通过实验确定蒸馏、DPO、词表裁剪、量化等方案，并对推理进行性能优化，端侧大模型成功落地有道词典笔 X7、X7 Pro，开启词典笔部署本地大模型新时代，未来还计划扩展功能。

演讲提纲

1. 有道智能硬件应用介绍
2. 端侧大模型面临的挑战
3. 有道子曰大模型的落地模式
4. 端侧大模型的算法优化与推理性能提升

您认为，这样的技术在实践过程中有哪些痛点？
端侧大模型落地面临多方面挑战。算力和内存上，与云侧相比差距大，如端侧 RK3562 芯片对比云侧 4090GPU，算力低千倍以上，内存低 20 多倍。功耗方面，端侧设备如手机、词典笔需考虑待机时长，优化底层 AI 引擎与上层 APP 功耗难度大。成本限制下，为有市场竞争力需降低成本，可能导致所选芯片更弱。此外，要保证模型质量，且端侧设备常部署多个应用，各模块抢资源，需综合优化满足用户体验。

您的演讲有哪些前沿亮点？
为解决端侧内存限制问题，采用模型压缩技术。以有道子曰大模型为例，运用蒸馏技术，引入片段级语料并确定合适训练集规模，有效提升模型效果。采用 DPO 算法进行强化学习，进一步优化模型性能。通过词表裁剪，在保证模型质量的同时减少内存占用，并选用 AWQ 量化算法，在量化过程中兼顾模型精度与内存优化 。

听众收益

• 理解端侧模型与硬件深度融合的关键路径，助力本地智能化部署。
• 了解端侧大模型的技术挑战与应对策略，掌握行业最新趋势。

从2017年第一次人工智能技术爆发，AIoT概念提出，智能语音技术和物联网技术相结合，带来了智能音箱、智能客服等多种产品形态的发展和落地，从而改变了传统的设备控制方式，让语音控制成为常态。2023年AI大模型的爆炸式发展为AIoT技术带来质变，更多新场景成为可能，相关产品开始进入爆发期，在新机遇面前，技术方案也面临新的要求，更低的对话延迟、更流畅的对话体验、更智能的对话能力、全球化的服务范围，如何解决这些技术难题是我们工程师的新挑战。

本研究将分享在近两年工作中遇到的新产品案例，并从产品整体方案架构，端云结合的角度，分析新场景下技术方案的实施框架，为从业者提供参考。

演进提纲

1. AIoT技术发展历史和现状
2. AI Agent为AIoT带来的新机遇
3. Agent+IoT创新产品实施案例
4. 新场景面临的技术挑战和解决方案
5. 展望：万物智联新时代

技术实践痛点
当前AI Agent在AIoT行业的实施方案，最大问题在于成本，要达到优质的体验效果，整体方案的服务成本较高。

前沿亮点
1、如何在有限资源下降低产品初期的成本投入；
2、低成本的全球化覆盖能力下，新产品的想象空间提升；

听众收益

1. 创新场景的产品机会，开放思维；
2. 端云一体的整体解决方案，降低产品成本的新路径；
3. 落地实践的技术方案分享，规避常见的技术坑洞。