截至 2026-07-12 UTC，微软研究院这支由沈向洋（Harry Shum）出镜、全长五分半的视频，最耐人寻味之处在于它开场略过了什么。基准测试表、参数量、上下文窗口主张，以及对高难度 prompt 的戏剧性作答，都被留在开场之外。沈向洋从人说起：有多少人在和小冰交谈，对话延续了多久，社交机器人可以调用哪些感知渠道，以及情绪智能为何关系到对话能否持续。[1]
短片由此成为观察中国 AI 历史的一处清晰切面。小冰由微软一支扎根中国的团队起步，于 2014 年在中国推出；这条产品线随后在 2020 年成为独立公司。[5] 它所追问的核心，超过机器能否给出正确答复这一层，进一步落到人是否愿意接着说下一轮。微软后来把这个目标正式定义为单次会话对话轮数（conversation-turns per session，CPS），并将对话策略描述成一个以长期互动为优化目标的决策过程。[2]
这一区分今天仍有分量。一个为完成任务优化的模型、一个为给出有据可查答案优化的搜索助理，以及一个为维系关系优化的社交聊天机器人，即使共享语言技术，也属于不同产品。各自采用的指标会把记忆、时机、人格、安全和界面设计牵向不同方向。这段视频值得看，因为它记录了那个分岔点；那时，当今的模型词汇还未将每一种对话系统都描述为同一个 prompt 输入框的变体。[1][2]
约 0:17，规模体现目标，无法证明智能
沈向洋几乎立刻从对话式 AI 的一般概念，转向小冰在中国触及的用户规模与每次交流的长度。[1] 这些规模数字随系统扩张不断变化。微软 2016 年 12 月的报道给出超过 4000 万用户、平均每次会话 23 轮；2018 年技术报告给出的用户数超过 6.6 亿，平均 CPS 仍为 23。[2][3] 这些都是厂商自行报告的阶段快照，受控的智能对比需要另一套证据。它们的价值，在于揭示团队选择衡量什么。
CPS 奖励对话的延续。提升它牵涉事实检索之外的能力：机器人要保留足够的上下文，避开明显的重复；辨认用户此刻想闲聊还是办理事务；维持稳定的人格；给下一轮留下可继续回应的余地。研究论文描述了一套为解决这个问题搭起的技术栈，包括对话管理器、核心聊天、专长技能和共情计算模块。[2] 因此，这项指标从产品末端的仪表盘一路进入系统架构，参与定义了后者。
这项指标的适用范围同样重要。23 轮只能证明交流继续了；真实性、益处、安全性，乃至满足感，都要另行衡量。这项数字确认的是持续本身。参与度由此成为一项有意义的行为指标，对质量的覆盖却不完整。视频着重呈现行为上的延续，书面研究则让其中的取舍浮现。[1][2]
约 1:44，声音与视觉成为对话状态的一部分
镜头转向小冰同系社交机器人所用的 AI“感官”，其中包括语音识别与图像识别；这一段的重点超过微软汇集多项感知演示这件事。[1] 社交智能体需要这些输入来改变下一步对话。一张图片可以带来话题。语气与时机可以提示系统立即回答、稍作等待、给予安慰，或是改变方向。感知信号要由对话策略带进后续轮次，才能真正发挥作用。
微软 2018 年对小冰全双工语音感知的介绍，让这套逻辑走到了更具体的一步。系统的设计目标包括：让听与说摆脱语音助理常见的僵硬对讲机节奏，预测何时以及如何回答，允许用户打断，并在处理另一项请求后回到暂时搁置的话题。[4] 这些功能把工程重心放在互动上：话轮时机、状态保留与恢复。知识库规模属于另一条轴线。
这里也构成了视频与当前多模态系统最紧密的连接。“多模态”可以只描述一类能够接收多种文件格式的模型；对于可以长久使用的助理，输入兼容性只是起点。它还需要一套策略，用来决定哪些信号此刻最重要、哪些内容应当保留，以及机器何时应让出话轮。小冰的早期贡献，是让这些选择成为对话产品的一部分，从文本生成外围的装饰走进产品核心。[1][2][4]
约 2:51，“EQ”成为产品要求，也成为一道棘手的指标难题
沈向洋的核心主张出现在他区分智力能力与情绪智能之时，他认为后者让对话得以持续。[1] 这个说法覆盖面很宽，研究报告则把它拆成具体的系统设计问题。小冰的共情计算模块用于表征用户状态与意图的部分特征，整个系统再以长期互动为目标选择回答。[2]
把“EQ”转写成可衡量目标，既是一项成就，也发出一则警告。其成就在于，对温情的笼统描述由此变成系统设计问题：推断状态，记住相关细节，选择合适的技能，并管理一段跨越时间的对话。警告则来自替代指标：它在持续优化中会越过原本要代表的人类价值。系统能够学会某种回答会延长对话，至于延长眼前这次对话是否有助于用户，目标函数没有给出答案。
微软 2016 年的发布背景也承认了这种张力。微软的叙述指出，Zo 会从人类互动中学习，同时也要接受防止恶意利用的检查。[3] 短片把互动数据视为进步的动力；今天重看，它同时提出了参与度系统至今面对的治理问题：哪些互动适合用来教会智能体，哪些应触发克制，以及一套为持续交谈而设计的系统应在何时选择结束？
约 3:13，数据循环才是真正的竞争资产
接近三分钟处，沈向洋把更好的反应与回答，同来自人类互动的数据联系起来。[1] 这也解释了小冰为何超出本地化界面的范畴。长对话会产生连续证据，记录话题转折、失败回答、情绪线索、再次投入对话以及记忆。2018 年报告称，团队分析了大规模在线日志，并将回答选择表述为马尔可夫决策过程；孤立问答对的集合不足以说明这一过程。[2]
由此得到的战略含义属于推断，证据却很扎实：一旦目标是持续互动，分发与学习就会互相加强。分发渠道越多，对话就越多；对话越多，越能显出策略在哪些地方失去用户；这些信号又能改善下一版策略。微软 2016 年的报道将中国的小冰、日本的 Rinna 与美国的 Zo 放在相近的技术栈上，可见公司尝试把这套学习方式带进不同市场，同时调整人格与渠道。[3]
后来的公司沿革还说明，中国业务从一开始就超出了美国助理语言包的定位。小冰官方公司历史记载，团队于 2013 年 12 月在中国成立，2014 年扩展到日本，并在 2020 年 7 月从微软分拆独立，在北京、苏州和东京设有团队。[5] 这条谱系跨越国界，产品实验的起点仍是中国用户与中国平台环境。
重看时留意什么
留心沈向洋说出这些名词的次序：用户、对话、感官、情绪智能、互动数据。[1] 模型内部细节大多隐在台后。这正是论点在演示形式中的缩影。小冰以关系导向型系统的面貌被介绍给公众，持续互动的证据自然比一次孤立的语言才智展示更受重视。
今天的评测自有其作用。AI 中国观察从中得到的长久启示，是评测目标会悄然变成产品蓝图。以答案准确率为优化目标，系统会把资源投向知识与核验。以任务完成为目标，系统会投入工具、规划与恢复。以开启下一轮对话为目标，系统会投入记忆、时机、人格与情感线索。小冰把这个选择说得格外明白。视频保存了一个历史瞬间：“留在对话里”从智能的附带效果，转而成为一项独立的工程目标。[1][2]
来源
- 微软研究院，“Harry Shum discusses chatbots and conversational AI”，官方 YouTube 视频。
- Harry Shum、Jianfeng Gao、Di Li 与 Li Zhou，“The Design and Implementation of XiaoIce, an Empathetic Social Chatbot”，微软研究院技术报告 MSR-TR-2018-42（2018 年 12 月）。
- 微软新闻，“Microsoft's AI vision, rooted in research, conversations”（2016 年 12 月 13 日）。
- Allison Linn，“Like a phone call: XiaoIce, Microsoft's social chatbot in China, makes breakthrough in natural conversation”，微软新闻中心（2018 年 4 月 3 日）；题图照片的来源页面。
- 小冰，“About Us”（中文一手公司历史，涵盖团队在 2013 年成立及 2020 年从微软分拆独立）。