你应该看过那个视频吧：有人跑到苹果店里大喊一声"嘿，Siri"，一瞬间几十上百个Siri齐声"在呢，什么事"，那环绕立体声效堪比杜比全景声！

干这事的人无疑是为了搞笑，但也无形中戏谑了一把所谓人工智能语音助手的一个不足，那就是必须要喊唤醒词才能进行对话或下达指令。需要唤醒词唤醒的语音助手们，似乎成了天经地义，但这事现在就被颠覆了。

9月17日，天猫精灵在云栖大会发布了首个全场景人机交流系统AliGenie 5.0，首次将人脸唤醒、唇动唤醒、手势操控、语音交互等多种形态的交互方式融合在一起。

简单地说就是，我不需要再喊一声"天猫精灵"，直接就能跟机器对话了，有时候做减法比做加法更难，AliGenie 5.0省掉的这一步对于人机交互来说是革命性的。

AliGenie升级到5.0后，将唇动、手势、语音语义等多种形态的交互信息融合在一起，这也就是人机交互领域常说的多模态。

模态，虽然不是我们的日常用语，但从字面意思上其实很容易理解。正如我们有视觉、听觉、嗅觉和触觉等，传递出的信息就有视频、图像、语音、手势、姿态等，每种形式可以称作一种模态。

多模态融合的人机交互一直是人工智能研究的热门领域，但此前更多停留在学术研究层面。而AliGenie 5.0系统已同步落地到天猫精灵今年的三款秋季新品上：天猫精灵CC10电池版家庭智慧屏（以下简称CC10电池版），天猫精灵CC MINI智能时钟屏以及IN糖2智能时钟音箱。其中，CC10电池版将率先上线多模态唤醒功能，并在10月中旬逐步升级覆盖CC带屏系列产品。

这是多模态唤醒首次大规模应用在消费电子产品上，不管是对阿里公司，还是整个人机交互技术领域来说，它都具有重要意义。这或许也意味着，很快你对手机、智能音箱乃至整个智能家居发号施令的方式要全面变革了。

当然，变革的前提是，天猫精灵AliGenie 5.0系统所带来的多模态唤醒体验像它们宣称的那样好。我已对CC10电池版搭载的多模态唤醒功能体验了一段时间，可以说它确实刷新了我对智能音箱这类产品的使用认知，这种感受不能说是颠覆性，却新颖又熟悉。

新颖和熟悉本是两个矛盾的词，但用在CC10电池版的交互体验上很合适。之所以说新颖是因为，居然我不需要先喊一声"天猫精灵"，它就能直接回应我。

举个例子，我平时把CC10电池版放在办公桌一侧，写稿子时想要听歌了，把头一转向它，左下角的天猫精灵便提示"已人脸唤醒，我正在听……"，几乎就是同时，我对它说"播放音乐"，然后就开始放歌了，整个过程就像跟旁边工位的同事对话一样，根本不需要多费口舌喊声"天猫精灵"。

这也是我说它"熟悉"的原因，你想想和它对话就跟旁边同事聊天一样，自然的交流，能不熟悉吗？