Claw智能體的語音入口戰悄悄打響

作者 | 鄭敏芳

編輯 | 松壑

日前，小米宣布基于MiMo大模型推出“miclaw”并部署于音箱等終端，支持語音喚醒與多輪對話。

這有望突破小愛同學“聽不懂、接不上”的理解瓶頸，通過近乎“零門檻”的自然語義交互，推動大眾市場的AI體驗實現實質性提升。

依托龐大的IoT設備基數，小米有望規模化捕獲高價值的“決策軌跡數據”，為MiMo大模型的調用提供訓練場；

從行業層面來看，這一趨勢并非個例。除了小米，華為、百度等都在積極接入claw音頻互動功能，以此提升用戶調用Agent的積極性。

在“入口驅動數據生成、交互反哺模型優化”的邏輯下，一場圍繞語音入口、執行能力與數據閉環的競爭正在加速展開。

一

軌跡數據的稀缺性

智能音箱或語音助手早已不是新物種。

行業面臨的現實尷尬是，“小愛同學”等語音助手受限于傳統技術，過去往往只能充當執行“定鬧鐘”、“切歌”等單向指令工具。

一旦用戶的表達模糊或需求復雜，這些語音助手就容易暴露出“聽不懂、接不上”的短板，導致智能體驗大打折扣。

隨著大模型技術的應用，這一行業現狀正在發生實質性改變。

小米基于MiMo大模型推出的“miclaw”，不僅覆蓋了PC與Mac端，還將其部署在其有屏音箱上。

音頻版的“miclaw”首要解決的痛點便是提升產品體驗的智能化程度。

小米音箱計劃最新上線的miclaw已支持用戶通過一句話下達復雜任務指令，具備語音喚醒與多輪對話的功能，并支持調用手機、PC執行。

這意味著，未來的小米音箱將不再只是機械的“一問一答”式指令接收器，有望結合上下文記憶，深度挖掘并理解用戶的“言外之意”，進而在復雜、日常甚至口語化的語境中，執行更為復雜的任務。

除了小米，百度小度音箱、華為的小藝claw等均已在不同維度上接入了語音交互功能。

在不少行業人士看來，大廠相繼在硬件中接入音頻版claw底層的商業邏輯是這種不需要學習菜單，不需要注視屏幕的近乎“零門檻”交互，可以最大限度地降低AI的交互門檻，真正打入大眾市場的基本盤。

“這樣的話會使得整個入口更加自然，使用門檻降低，相當于家庭成員都可以體驗，AI能夠盡快融入到生活日常中。”北京某大廠的架構師向全天候科技解釋。

事實上，為了支撐這種近乎“零門檻”的自然交互，小米本身也在積極加入對音頻等多維度數據的底層訓練。

早在小米2025年12月發表的一篇名為《Xiaomi MiMo-VL-Miloco Technical Report》的文章中就明確指出：未來，小米將進一步依托其硬件生態，將音頻、毫米波信號等更多感知模態納入統一的多模態學習框架。通過對多類異構感知輸入進行聯合推理，最終實現全方位的家居場景理解與精細化空間感知。

要實現從多模態感知到端側部署的全面落地，離不開海量硬件設備所提供的數據土壤與應用環境，而這確實是小米的優勢。

截至2025年末，小米AIoT平臺已連接的IoT設備數（不包括智能手機、平板及筆記本電腦）達到10.79億臺，同比增長19.3%，同期米家APP、小愛同學的月活躍用戶數分別1.13億、1.6億。

龐大的設備基數所帶來的規模效應，使得小米更有利于實現對高價值“決策軌跡數據”的規模化抓取與持續沉淀。

在真實的物理世界中，Agent調用工具、執行設備控制的決策軌跡數據極為稀缺。

傳統的軟件系統或基礎智能家居，往往只記錄最終的“執行狀態”，但真正能夠驅動AI自主運行的是捕捉“為什么這么做”的決策鏈條。

高價值的決策軌跡數據不僅包含執行結果，更涵蓋了觸發該動作的完整上下文。

例如理想情況下，系統記錄下“由于光線傳感器識別到環境變暗，且門鎖日志顯示用戶剛剛歸家，因此決定開啟客廳燈光并拉上窗簾”。

這種融合了多模態環境輸入、觸發規則和動作輸出的完整信息，是指導Agent進行復雜決策的關鍵素材。

要獲取這類數據，系統必須身處用戶的“執行路徑”之中，才能在決策發生的第一時間完成捕獲。

小米龐大的AIoT設備網絡，實質上構成了消費級物理世界中覆蓋面極廣的執行路徑。通過海量設備的日常協同，這些單次的決策軌跡被持續沉淀，有望交織成一張動態的“上下文圖譜”。

這能夠客觀呈現用戶在不同時空下的作息規律、溫度偏好及跨設備調用習慣。隨著數據閉環的不斷完善，系統便具備了更高的預判能力。

不過有效數據的實際產出率仍然取決于用戶的使用情況，例如用戶是否有足夠的動力設置復雜自動化場景等。

二

新的入口戰

圍繞語音等交互入口，各類claw產品正加速落地。

百度claw、華為小藝claw等均在不同硬件上實現了語音交互能力的接入，并逐步從單輪指令響應，向多輪對話與任務執行能力演進。

阿里旗下的天貓精靈雖未冠以“claw”之名，但也在其全屋智能2.0方案中深度融合通義大模型能力，構建出“空間智能Agent”，進行智能化決策。

當語音入口逐漸被Agent化，缺席即意味著在下一代人機交互體系中失去關鍵位置。

這一輪集中布局背后是一次圍繞“使用門檻與數據積累”的前置競爭。

作為最接近自然語言的交互方式，語音本質上承擔著降低用戶使用成本、提升滲透率的角色，讓設備交互變得更加無縫。

只有當用戶在日常場景中頻繁使用Agent，各家廠商的模型才能持續獲得真實的任務請求與執行反饋，從而不斷優化決策與執行能力。

正因如此，當前階段的核心在于是否能夠讓用戶“先用起來”，通過高頻使用形成數據閉環，再反向推動能力迭代。

在這一過程中，入口演化為連接用戶行為與模型進化的關鍵基礎設施，這已經在部分產品形態中出現苗頭。

在一些頭部廠商的實踐中，語音不再只是觸發單一設備或功能，而是開始承接跨設備的連續任務。

例如，用戶用一句相對模糊的表達發起請求，系統會在后臺拆解意圖，并聯動多個終端完成一整套動作。

在這一過程中，被調用的不再是某一個具體設備，而是一整條由系統組織起來的執行鏈路。

當交互從“點狀指令”轉向“任務鏈路”后，語音的角色不僅局限于降低使用門檻的入口，還成為實際承擔任務調度的起點。

用戶不再顯式選擇應用或設備，而是將需求交由系統統一分發。

這也使得入口競爭的重心發生偏移。廠商爭奪的不僅限于用戶是否開口使用語音，而是這些請求最終由誰來拆解、由誰來決定調用路徑。

一旦這一環節被第三方承接，即便硬件仍在原廠商手中，服務分發與用戶決策路徑也可能逐步外移。

不過，在多方競逐之中，不同廠商的底層稟賦差異開始放大。

和小米類似，華為的重要優勢在于更加自研化的操作系統與硬件生態，早在2024年鴻蒙生態設備規模便已進入9億級量級，小藝能力覆蓋手機、平板、可穿戴及智能家居等多類終端，形成跨設備的統一交互網絡。

這種“入口即數據、設備即執行”的競爭邏輯也在反向塑造互聯網廠商的策略選擇。

例如字節跳動在大模型與應用層具備優勢，但在終端入口與系統級調度能力上相對薄弱。

由于在Agent逐步從“對話能力”走向“執行能力”的過程中，僅依賴App形態難以深度嵌入用戶的日常決策路徑，也難以獲取高頻、連續的任務反饋數據，字節跳動去年以來便頻繁與手機廠商洽談“豆包手機”的合作路徑。

2026年，AI能力的比拼正在從“交互競爭”走向“執行競爭”。

*本文為全天候科技原創作品，未經授權不得轉載，如需轉載，請在后臺回復“轉載”二字，獲取轉載格式要求。

點“在看”，變好看哦。