Virtual Assistant

虚拟助手是一种能够理解口头或输入请求并执行相应操作的软件：回答问题、设置计时器和提醒、发送消息、播放媒体、控制智能家居设备，以及在应用中完成任务。数字助理和 AI 助手是同义词，而语音助手则是人们通过说话进行交互的助手。Siri 将这个概念带入大众市场：它最初是 SRI International 获 DARPA 资助的 CALO 研究项目分拆出的初创公司，Apple 于 2010 年收购了这家公司，随后 Siri 于 2011 年 10 月随 iPhone 4S 一同推出。Amazon Alexa 于 2014 年 11 月随 Echo 音箱推出，Google Assistant 于 2016 年推出；智能家居音箱让语音成为控制灯具、恒温器和门锁的常见方式。在商业领域，这个词也指代处理行政事务的远程人类工作人员。

虚拟助手的工作原理#

经典语音助手会运行一套固定流程。设备上的小型模型会监听唤醒词，因此只有在听到“嘿 Siri”或“Alexa”之后，音频才会离开设备。语音识别会转录请求，自然语言理解（NLU）会将请求映射到带有槽位的意图：“明天 7 点叫醒我”会变成包含时间槽位的设定闹钟意图，其提取方式与命名实体识别（NER）类似。对话管理器会询问缺失的信息，请求会通过应用或设备 API 执行，最后由文本转语音读出结果。

基于意图的助手只能处理开发者预先设想的请求，因此遇到陌生请求时，它们会进行网络搜索或道歉。基于大型语言模型 (LLM)构建的助手可以理解开放式请求，并通过函数调用访问相同的设备和应用 API，因此一句话就能按顺序触发多个操作。Amazon 于 2025 年 2 月推出基于 LLM 的 Alexa+；2025 年 3 月，Google 宣布 Gemini 将取代大多数移动设备上的 Google Assistant。GPT-4o 等语音到语音模型于 2024 年 5 月发布，省去了单独的转录和合成步骤，从而降低响应延迟，并使助手能够听懂和表达语气。多模态助手还可以接收摄像头输入，使用视觉语言模型 (VLM)回答有关手机或智能眼镜所见内容的问题。

助手会听取并处理个人数据，因此数据隐私决定了各个处理步骤在哪里运行。唤醒词检测在本地运行，边缘 AI则让更多处理流程转移到设备上：自 2021 年 iOS 15 发布以来，搭载 A12 Bionic 或更新芯片的 iPhone 默认会在设备上处理许多 Siri 请求的音频。

软件中的助手#

请求、操作和回复这一模式同样适用于单个产品，此时助手使用的工具就是该产品的功能。Ultralytics Platform 的询问 AI可以接收“在这个数据集上训练 YOLO26n，并将运行命名为 xview-baseline”或“在此项目中部署验证 mAP 最佳的已完成模型”等请求，并使用用户自己的 Platform API 密钥执行任务，包括查找和克隆数据集、为图像自动标注、启动和比较YOLO26训练运行，以及导出或部署模型。

虚拟助手与相关术语的比较#

• 聊天机器人：通过文本或语音进行对话的程序，通常局限于某个网站或应用，并专注于回答问题。虚拟助手可以跨应用和设备工作，并以完成的任务来衡量效果。
• AI 智能体：任何通过选择并执行操作来实现目标的系统。虚拟助手是为处理个人日常请求而构建的智能体，通常一次处理一个请求；而智能体工作流可以无人值守地运行长时间、多步骤的任务。
• 智能音箱：Amazon Echo 或 Google Nest 音箱等硬件，搭载语音助手，并配有经过调校的远场麦克风，能够在房间各处拾取唤醒词。