在7月31日举行的ChinaJoy AI未来生态大会上，模思智能联合创始人、CEO 李世民围绕“联接 AI、人与物理世界”，分享了对下一代人机交互的判断：
当交互从文本、PC 和手机走向语音、视觉、空间及环境信号，模型要理解的已不只是一条指令，而是更长、更复杂、更多元的真实情境。
围绕“情境智能”，模思智能正在构建面向真实世界的 MOSS 系列大模型。
语音方向，MOSS-Audio 面向声音与音频情境理解；MOSS-Transcribe-Diarize 聚焦嘈杂、重叠和多说话人场景，让模型更准确地识别“谁在什么时候说了什么”；MOSS-TTS Family 则覆盖自然语音生成、音色克隆、长文本、多人对话、实时流式语音与声音设计。
视觉方向，MOSS-VL-Realtime 可在连续视频流中边看、边理解、边回应，实现更及时的主动交互。
从声音切入，走向全模态理解与生成；
从开放模型，到 MOSS Create 与 MossAPI；
模思智能正让 AI 不只识别信息，更能理解情境，自然联接人与世界。