Recognition（识别）是人工智能领域的一项基础能力，指让机器从语音、图像、手势或文本等输入中判断并提取出特定内容或模式的技术方向。它既包括成熟的语音识别（ASR）、图像与手势识别，也延伸到模型内部状态的识别等新研究议题，是当前大模型与端侧 AI 落地的重要支撑。近期，识别技术呈现出语音方向持续突破、端侧本地化推理增强、以及从“识别外部输入”扩展到“识别模型内部状态”三并行的趋势。
语音识别与多语言识别的近期进展
图像、手势与端侧识别能力
识别技术的新边界：从外部输入到模型内部
当前焦点与观察点
综合来看，Recognition 相关工作的争议与看点集中在三个层面。其一是隐私与端侧化：苹果发布 Siri 音频智能功能隐私保护文档，叠加微软推动本地推理，语音与视觉识别的“数据不出设备”路线正在成为厂商竞争点。其二是多语言与低资源场景：Meta 的多语种 ASR 与德语音系分词研究都指向识别能力向更多语种、更多领域扩散。其三是安全性：当识别技术能读取模型内部状态或判断危险内容时，它既是护栏工具，也带来新的滥用与误判风险。此外，苹果在 CVPR 展示的 14 篇 AI 论文 中也包含多项识别相关研究，为后续系统级功能铺路。对于关注该方向的人，值得持续观察的是：多模态大模型会在多大程度上取代专用识别模型，以及端侧识别与云端识别的边界如何重新划分。