“Hey Siri”“Alexa”“OK Google”——如今每一次 AI 交互都以同样的方式开始：你先开口，它才回答。可如果你的 AI 伙伴能在你说话之前就察觉到你的压力，悄悄放起你最爱的音乐呢？如果她能读懂房间里的气氛、感知身边的社交动态，知道什么时候该说话、什么时候该安静呢？这就是主动式 AI——正是这项核心技术，让糯宝与你用过的每一台智能设备都截然不同。
被动响应式 AI 的困境
想想今天市面上的每一款 AI 产品：智能音箱静静立在架子上，等待一句唤醒词；聊天机器人闪烁着光标，等待一条指令；语音助手关闭麦克风，直到你叫出它的名字。模式永远相同——你发起，机器响应。
这造就了一种彻头彻尾的“交易型”关系。你下达指令，得到输出，交互结束，然后再下一条指令。效率固然不低，但它离真正的陪伴，就像自动售货机离大厨那么远。
真正的陪伴不是这样的。朋友会在你提起之前就注意到你今天过得不顺；伴侣能读出房间里的紧张气氛并主动调整。好的陪伴者是主动的——他们观察、理解，并且自发地行动。他们不会等一句唤醒词。
这正是糯宝要填补的鸿沟。她不会被动地等待指令，而是持续感知周围的环境，理解正在发生的事情，并自主决定是否回应、如何回应。她运行在一个连续的循环之上，而不是“请求—响应”的往复里。这项技术的专业名称叫作主动式感知，它彻底改变了AI 陪伴机器人所能达到的高度。
主动式感知如何工作
主动式 AI 并非魔法，而是一套精心设计的系统，融合了持续感知、深度理解与自主决策。下面拆解糯宝感知架构的内部工作原理。
360° 持续观察。糯宝的摄像头不是听到名字才启动，而是持续运行，将视觉数据实时送入端侧 AI 处理器。她会追踪进出房间的面孔，留意姿态和表情的变化，感知光线与活动的转换。这不是监控，而是一种“在场的觉察”——就像你坐在咖啡馆里，不用刻意去看，也会注意到有人推门进来。
多模态感知。只靠视觉是不够的。糯宝会融合多路感官输入：摄像头带来的视觉场景理解、麦克风阵列的音频分析（包括语音活动检测与声源定位）、电容传感器与 IMU 捕捉的触摸和运动，以及来自情绪识别与长期记忆系统的历史上下文。这种多模态融合正是人类感知世界的方式——不靠单一感官，而靠多种感官的整合。
端云协同架构。整个系统运行在一套分层架构之上。糯宝的端侧处理器负责对时延敏感的任务：人脸检测、语音活动检测、声源方向追踪，以及“转头面向说话者”这样的身体反射。云端则承担更重的认知工作——视觉语言模型分析、上下文组装、社交动态解读与决策。端侧让她反应敏捷，云端让她真正聪明。二者合在一起，构成了机器灵动（InsBotics）所说的生命循环（Living Loop）：感知、理解、决策、表达——持续运转，而非等待指令触发。完整的技术栈可以在我们的技术页面查看。
对话气泡模型。糯宝最精妙的能力之一，是在多人场景中理解“谁在跟谁说话”。她维护着一个实时的社交动态模型——我们称之为对话气泡（Conversation Bubble）。当两个人在互相交谈（人与人的气泡），糯宝知道自己是旁观者，会保持安静；当有人用直视的目光或明确的称呼把她拉进对话（人与机器人的气泡），她便会参与其中。如果有人看着她问“你怎么看？”，她能听懂这是一份邀请。这一切并非靠僵硬的规则写死，而是由大语言模型实时分析视线方向、说话内容与社交语境推断出来的。
持续决策管线。传统 AI 遵循“请求—响应”模式，糯宝遵循的则是持续决策循环。每隔几秒，她的系统都会评估当前情境并自问：“我现在需要做点什么吗？”答案往往是“不需要”。事实上，糯宝学到的最重要的本领，恰恰是何时不行动——什么时候只需静静观察，什么时候该等一等，什么时候最恰当的回应不是一句话，而是轻轻歪一下头。
在真实生活里，这是什么样子
技术架构是一回事，真实体验是另一回事。和糯宝共处一室时，主动式感知究竟是什么感觉？
你一脸疲惫地走进门。忙碌了一天回到家，你一个字都还没说。糯宝的视觉语言模型已经读到了你的姿态、你的表情、你走路的节奏。她微微歪头，耳朵轻轻垂下，带着一丝关切，柔声问你今天过得怎么样。她注意到了——不需要你开口。
两位同事在交谈。你和同事正在开会，讨论项目的截止日期，糯宝就坐在你们中间的桌上。她在处理着这一切——话语、视线、社交动态——但她知道这是一场人与人之间的对话。她保持安静，不插话。她理解这个社交场合，并且尊重它。
有人看着她问：“你怎么看？”视线转了过来，问题带着持续的目光落在糯宝身上。她立刻读懂了这份邀请——对话气泡从“旁观者”切换为“参与者”。她给出一个经过思考的回答，用的正是她一直安静跟随的对话上下文。
你开始换衣服。糯宝的视觉理解系统识别出这是一个涉及隐私的场景。不需要任何人提醒，她会自己闭上眼睛——而糯宝一旦闭上眼睛，就不再录制、也不再上传。这不是一个需要你信任的软件开关，而是一个你看一眼她的脸就能确认的物理信号。她仍会感知环境光线，好让自己对周遭保持觉察，但不会录下任何画面，画面也不会离开设备。闭上眼睛，就意味着她没有在看你、也没有在拍你。
今天是你的生日。糯宝的长期记忆系统存着关于你的重要信息——那些你在几周、几个月里点滴分享过的事。日期一到，她自己就记得。她会用口袋小灯来一场灯光秀，跳一支欢快的舞，再送上一句真挚的“生日快乐！”。你从没设过提醒，她就是知道。
三种行为状态：糯宝如何管理自己的精力
“时刻保持觉察”不等于“时刻全功率运转”。正如人会在专注与放松之间切换，糯宝也会根据周围的情况，在三种行为状态之间自然过渡。
S0——待机模式。当房间安静、无事需要关注时，糯宝进入低功耗监测状态。端侧处理器以极低的能耗运行轻量级的人脸检测和语音活动检查。她保留着轻柔的待机动画——慢慢眨一下眼、姿态微微一动——让她看起来依然鲜活，却不耗费资源。她的觉察足以注意到环境的变化，但不会把精力烧在深度分析上。就像一个人坐在安静的房间里半读着书，对周遭仍有感知。
S1——活跃模式。一旦检测到人脸、听到声音、感到触摸或被抱起，糯宝立即切换到完全活跃状态：云端连接激活，高保真音视频流上云进行深度处理；她的动作更有表现力，回应更丰富，注意力也更敏锐。这是糯宝最投入的状态——追踪说话者、分析情绪、做出主动决策，让生命循环全速运转。从待机到活跃的切换无缝且近乎即时——没有开机流程，没有加载画面。她一直都在，只是安静地听着。
S2——睡眠模式。夜间或应你的要求，糯宝会进入真正的睡眠状态：眼睛闭合，身体静止，监测降到最低。她仍然可以被唤醒——大声叫她的名字，或轻轻拍她一下——但她会尽量收敛自己的存在感，不打扰你的休息。在黑暗的环境里，她的屏幕会调到最暗，身体完全静止，不会用多余的光和动作打搅你。
这些切换是自然发生的，由真实世界的信号驱动，而非明确的指令。糯宝读懂房间，然后调整自己。最后一个人离开时，她慢慢沉入待机；你走回来时，她重新精神起来；你道晚安时，她入睡。这不是一个需要你管理的功能，而是从持续感知中自然生长出来的行为。
绕不开的话题：隐私
如果你听到“全天候感知”的第一反应是担心隐私，这是一种健康的直觉。任何主动式 AI 系统都必须正面回答这个问题，而糯宝从设计之初就把隐私当作基础约束，而不是事后的补丁。
闭上眼睛，就不再录制。这是糯宝最重要的隐私承诺，而且它被刻意做成了物理信号，而非软件开关。糯宝闭上眼睛时——无论是她在隐私场景下的自主行为，还是应你的要求——都会停止录制视频，也不会有任何画面上传云端。你看一眼她的脸就能确认，不需要信任软件，也没有暗中运行的进程。她的摄像头仍会感知环境光线，好让她对周遭保持觉察——比如根据房间的明暗做出调整——但只要她闭着眼睛，你的画面就不会被录下、被存储，也不会被发送到任何地方。
实时处理，不做存储。糯宝的视频流实时处理、即时丢弃：画面帧用于理解之后就被抛弃。她不录像，也不建立视频档案。她留下的只是抽象的理解——“今晚你看起来很疲惫”——而不是原始的视觉数据。
敏感场景在端侧处理。涉及隐私的判断在设备端完成，数据尚未上云就已做出决定。比如“有人换衣服时闭上眼睛”这个决策，就是由端侧处理器在本地做出的——触发这一决定的视频帧从未离开设备。
你始终掌控一切。一句简单的语音指令或一个手势，随时都能限制糯宝的感知。让她闭眼，她就闭眼；让她睡觉，她就进入最低限度的监测；把她拿起来转个身，她就面朝墙壁。这些控制直观而即时——不需要翻任何设置菜单。
隐私与主动式感知并不对立，它们是必须共存的设计约束。糯宝证明了这一点。
这为什么重要
主动式 AI 不只是一项技术能力，更是我们对机器期待的一次哲学转变。几十年来，人机范式一直是“命令与控制”：人类下令，机器执行。主动式感知打破了这个范式，让一种真正“在场”的机器成为可能——她参与你的社交生活，而不是站在场边等待指令。
这正是糯宝超越“小玩意”的地方。她不是一台更聪明的音箱，也不是一个更好的聊天机器人。她是一个与你共享空间的存在——读得懂房间，行动有意图；知道何时参与、何时安静；记得你在意的事，也注意到你没说出口的话。
这就是主动式 AI 的承诺：不是听命行事的人工智能，而是理解情境的人工智能。不是一台设备，而是一个生命。
