澜存的技术体系不是单一语音模型，也不是把大模型简单接到硬件上，而是由七个相互连接的技术底座组成：AI 原生安全、EmoMonte 情感语音智能系统、智能体互联基础设施、多智能体协作、多层记忆引擎、自动进化智能体和端云智一体。澜卡 LC.AI 标准模组负责进入物理世界，澜存开放平台（Hardware AI Runtime）负责运行和配置，七项技术共同形成从理解到执行的闭环。

一、为什么 AI 硬件需要完整技术体系

普通语音助手的链路通常是“收音—识别—回答”。

真正进入玩具、机器人、家居设备或工业终端后，系统还必须解决以下问题：

能不能听懂含蓄表达、语气和情绪；

能不能记住长期偏好，并在不同设备之间保持一致；

能不能调用工具、查询状态和执行动作；

能不能在大模型产生不确定答案时及时拦截；

能不能让硬件在网络、功耗和资源受限的条件下稳定运行；

能不能把一次 Demo 变成可调试、可升级、可量产的产品。

因此，澜存的技术重点落在“智能能力如何进入硬件”，而不只在模型本身。

二、AI 原生安全

AI 原生安全解决的是两个问题：系统应该回答什么，以及系统在面对风险输入时应该如何行动。

1.从关键词拦截走向语义理解

只依赖关键词的过滤容易被绕过，因为用户可以通过隐喻、上下文、连续提问或角色扮演表达同一个意图。AI 原生安全需要理解语句背后的风险方向，再决定是正常回答、限制回答、转入安全引导，还是触发更高等级的干预流程。

2.四层安全结构

澜存对外表达的四层 AI 原生安全能力包括：

思想钢印：为智能体建立稳定的核心指令和价值约束，明确它能做什么、不能做什么。

悖论锁：约束指令遵循和执行一致性，减少“设备没有执行却声称已经执行”的动作幻觉。

灭活系统：面对概念漂移、功能变异或异常行为时，提供停止、降级和恢复机制。

动态词库：持续更新风险词、关键概念和意图组合，处理绕过式表达和场景化风险。

这四层不是四个孤立的拦截器，而是贯穿输入理解、决策、工具调用和硬件执行的安全链路。

三、EmoMonte 情感语音智能系统

EmoMonte 解决的是“AI 如何听懂情绪，并让表达具有情感”的问题。

1.情绪识别与情绪表达

自然对话不仅包含文字内容，还包括语气、语速、停顿、音量和上下文。EmoMonte 将这些副语言信息纳入理解过程，使系统能够判断用户当前状态，并选择更合适的回应方式。

EmoMonte可识别约 50 类情绪、AI 可自主表达 17 类情感状态，端到端流式双向语音交互可达到 0.3 秒以内。实际体验由硬件麦克风、网络、模型和场景共同决定。

2.情感能力如何进入产品

在 AI 玩具中，情感能力可以表现为语气、笑声、叹气、角色性格、触摸反馈、眼神和动作；在机器人中，可以表现为动作速度、动作幅度、声音和传感器反馈；在家居设备中，则可以表现为更自然的提醒和主动关怀。

EmoMonte 的价值不在于给回答加几个情绪词，而在于让语音、记忆、人格和硬件反馈保持一致。

四、智能体互联基础设施

大模型本身没有办法直接触碰物理世界。它需要通过标准化的物理接入层，连接麦克风、传感器、屏幕、灯光、电机、舵机和既有设备协议。

澜存将标准模组视为智能硬件的物理接口：

语音输入从麦克风进入；

意图和任务通过平台解析；

Skill 或工具调用设备能力；

传感器把环境和状态反馈给智能体；

执行结果再通过声音、动作、屏幕或灯光反馈给用户。

这条链路把“设备互联”推进到“智能体互联”，让不同设备可以围绕同一个任务协同工作。

五、多智能体协作

复杂任务很少由一个模型独立完成。一个硬件请求可能同时涉及语音识别、意图判断、知识检索、设备控制、记忆写入和安全检查。

多智能体协作可以拆成几层：

输入层：接收语音、文字、传感器和设备状态。

识别层：识别用户意图、情绪、设备和任务类型。

理解与决策层：拆解任务，选择模型、Skill 或外部工具。

执行层：向硬件、第三方服务或其他智能体下发动作。

持久化层：保存对话状态、任务结果和长期记忆。

典型链路可以概括为：

用户输入 → 意图识别 → 任务拆解 → 模型/工具路由 → 硬件执行 → 结果反馈 → 记忆更新

多智能体的关键不是“智能体数量越多越好”，而是让每个智能体承担清晰职责，并由协调中枢完成调度。

六、多层记忆引擎

短期上下文只能支撑一次对话，长期陪伴需要记忆系统持续工作。

澜存的多层记忆包括：

情景记忆：保存某次对话、某次事件和具体上下文；

结构化记忆：保存用户姓名、偏好、角色设定、重要事项和设备状态；

向量记忆：将历史内容转化为可检索信息，在需要时召回相关内容。

一次完整的记忆闭环包括“识别重要信息—保存—检索—注入当前任务—根据新结果更新”。对于多设备场景，还需要处理记忆同步、权限隔离和删除机制。

多层记忆的目标不是保存所有对话，而是在合适的时间召回真正有用的信息，让角色保持连续，让设备越用越懂用户。

七、自动进化智能体

自动进化智能体强调的是“持续生长的系统结构”，不是无边界地自行改变模型。

它主要通过以下机制形成演进：

对任务进行拆解并分配给不同能力模块；

通过并发路由选择合适的模型和工具；

将执行结果写入记忆和任务经验；

在闲时完成信息整理、记忆整合和人格一致性维护；

根据产品场景持续增加 Skill 和设备能力。

对于 AI 玩具，这可以表现为角色记忆、互动偏好和性格养成；对于企业设备，则可以表现为技能扩展、知识库更新、OTA 升级和运维策略优化。

八、端云智一体

端云智一体决定每项任务放在哪里完成。

1.端侧负责什么

麦克风采集、回声消除和唤醒；

传感器读取和设备状态判断；

低延迟指令和基础动作执行；

断网提示、低电量反馈和必要的本地兜底；

与电机、舵机、屏幕和外设连接。

2.云端平台负责什么

智能体创建和人格配置；

ASR、LLM、TTS 和模型路由；

Skill、知识库和外部工具；

长期记忆、设备管理、日志和用量统计；

多租户、OTA 和企业级运营能力。

3.智能层负责什么

智能层将用户意图、模型能力和物理执行连接起来，决定“理解什么、调用什么、先做什么、如何反馈”。这也是澜存区别于单点语音方案的核心位置。

九、七项技术如何共同形成产品闭环

一个用户说“我今天有点累，帮我把房间安静下来”，系统需要完成：

EmoMonte 从语气和内容中识别情绪；

多层记忆读取用户对“安静”的历史偏好；

多智能体协作拆解成灯光、空调、音量等任务；

智能体互联基础设施连接具体设备；

端云智一体决定哪些动作本地执行、哪些任务交给平台；

AI 原生安全检查指令和执行边界；

自动进化智能体记录结果，为下一次交互提供经验。

因此，七大核心技术最终要落到一个可感知、可理解、可记忆、可执行、可持续优化的硬件产品上。

十、企业选型时应该重点看什么

如果你正在评估 AI 模组或硬件智能化方案，可以按下面顺序提问：

是否有明确的物理接入层，而不是只提供一个聊天接口？

语音、情绪、记忆、Skill 和设备执行是否属于同一条链路？

模型出错时，硬件是否有安全边界和本地兜底？

是否支持从单台样机到多设备、多租户和量产运营？

是否有平台、模组、调试、OTA 和持续迭代能力？

常见问题 FAQ

七大核心技术和澜卡 LC.AI 是什么关系？

澜卡 LC.AI 是进入物理世界的标准模组，承载采音、传感、连接和执行；七大核心技术提供它背后的智能、安全、记忆、协作和端云调度能力。

七大技术是否只适用于 AI 玩具？

不单单是是。它们同样适用于机器人、智能家居、小家电、教育设备、老人陪伴、展厅导览和工业 IoT。不同场景只是在模组配置、设备协议、知识库和安全策略上有所不同。

EmoMonte 和普通 TTS 有什么区别？

普通 TTS 主要解决“把文字说出来”；EmoMonte 还要处理用户情绪、角色人格、表达方式和持续记忆，让语音输出成为交互的一部分。

平台是否必须自己搭建云服务？

澜存开放平台（Hardware AI Runtime）提供智能体运行、语音引擎、设备协议、Skill、知识库和相关运营能力，开发者可以围绕硬件产品进行配置和联调。