第三，同是“连横”的其他端设备的竞争。可以列举的有：家用机器人、家庭网关/智能路由器、电视机、智能挂件等。这些设备中，家用机器人的优势是地点无需固定，家庭网关的优势是永远开机，电视机的优势是大屏、智能挂件（如画框、雕塑、钟表、体重计等）的优势是不占地方。个人感觉，智能音箱面对这些“连横”的竞争者并没有什么胜算。

　　综上所述，Echo-Alexa 的成功，具有很强的叠加特点。它本质上是亚马逊商业体系的成功，而不是智能家居设备或者语音助手技术的成功。忽略商业体系的作用，高估家庭入口的价值，单纯东施效颦地仿制或者跟随智能音箱，是没有出路的。个人觉得，智能手机作为移动互联时代的入口载体，其地位仍然是不可撼动的。

　　语音交互时代真的到来了吗？

　　IT巨头们关注 Alexa 还有一个重要的理由，就是由 Alexa 所代表的语音交互，或许开启了人机交互的一种新型范式的兴起。当年，无论是点击模式的兴起还是触摸模式的兴起，都引发了人机交互范式的革命性变化，直接决定了IT巨头的兴亡。点击模式决定了 wintel 的崛起，触摸模式决定了 wintel 被苹果的颠覆，这些我们都以亲身经历见证过了。如果语音交互真的代表了下一代人机交互范式，那么 Alexa 就有了人机交互范式的代际转换方面的象征意义，不由得巨头们不重视。

　　然而个人认为，单纯的语音交互还构不成“代际转换”的分量。理由有三：

　　第一，语音本身并不构成完整的人机交互场景。人的信息摄入，百分之八十以上是视觉信息，在说话的时候，经常要以视觉信息为基本语境，通过使用指示代词来完成。比如指着屏幕上一堆书当中的一本说“我要买这本”。就是说，语音所需要的语境，有相当部分来自视觉的呈现，来自针对和配套可视化对象的手势、触摸或眼动操作。这至少说明，我们需要multi-modal人机交互，而不是用语音来取代其他人机交互手段。

　　第二，目前语音输入还过不了方言关。中国是一个方言大国，不仅方言众多，而且方言区的人学说普通话也都带有方言区的痕迹。“胡建人”被黑只是这种现象的一个夸张的缩影。要想惠及占全国总人口一半以上的方言区，语音技术还需要经历进一步的发展和成熟阶段。

　　第三，目前语音输入还很难解决“转义”问题。所谓转义问题就是当语音指令的对象是语音输入本身的时候，系统如何做出区分的问题。人在发现前一句说的有问题需要纠正的时候，有可能需要用后一句话纠正前一句话，这后一句话不是正式的语音输入的一部分；但也有可能后一句话并不是转义，而是与前一句话并列的一句话，这时它就是语音输入的一部分。这种“转义”语音内容的识别，需要比较高级的语义分析技术，目前还不那么成熟。

　　所以，以语音输入目前的水平，谈论语音输入的“代际转换”或许还为时尚早。甚至，语音可能只是一个叠加因素，而并不是颠覆因素。说未来会进入multi-modal输入的时代，说不定更加靠谱一点。

　　语义落地是粘性之本

　　语义这个字眼，似乎被某些人玩得很滥，好像会分词了就摸到语义了，其实不然。语义的水很深。

　　从学术上说，语义分成两个部分，一个叫“符号根基”，讲的是语言符号（能指）与现实世界（也包括概念世界）中的对象（所指）的指称关系；另一个叫“角色指派”，讲的是语言符号所指的现实或概念对象之间的结构性关系。符号根基的英文是“symbol grounding”，其中的 grounding 就有落地的意思。所以，我们说的语义落地，无论学术上还是直观上，都是一致的。Siri 在通信录、位置、天气等领域首开了在移动互联设备上实现语义落地的先河，这几年语义落地的范围越来越广。