視覺中國

　　“語言交互是智能音箱的核心功能。智能音箱的銷量劇增，大量的語音交互會帶來多樣化的數(shù)據(jù)樣本，目前研究界都在試圖突破自然語言處理的難關(guān)，雖然從事這項研究的人比以前多很多，研究條件也很好，但理論的瓶頸、語言理解的語義鴻溝問題，不是一時半會能解決的。”

　　近日，谷歌在I/O開發(fā)者大會上展示了備受爭議的Duplex AI，它通過電話完成了飯館、發(fā)廊的預(yù)約，并沒被對方“識破”。但過于干凈的對話環(huán)境，也引發(fā)了一些人對于視頻真假的爭論。

　　語音合成技術(shù)已經(jīng)可以“以假亂真”?語音交互取得了突破性進展?人和機器可以對答如流?這段展示之后，圍觀者的驚喜、質(zhì)疑、擔(dān)憂紛至沓來。

　　技術(shù)加持 智能音箱爆發(fā)式增長

　　“相對于觸摸、按鈕等操縱，語音交互直接、方便、快捷。受惠于人工智能行業(yè)飛速發(fā)展，語音和語義的識別已經(jīng)愈發(fā)準確。”智能設(shè)備廠商負責(zé)人趙明對科技日報記者表示。技術(shù)進步為智能音箱的產(chǎn)品化提供了支撐。

　　智能音箱的基本功能是為與人類語言互動、播放媒體音頻和智能家居提供統(tǒng)一入口，其中語言交互是核心功能。對于用戶來說，智能音箱可以用來查詢天氣、聽音樂、進行一些簡單問答等。對于廠商來說，智能音箱意義更大：在語音時代，它是重要的流量入口，生產(chǎn)大量數(shù)據(jù)，并把用戶牢牢穩(wěn)固在自己的生態(tài)鏈上。

　　從2014年亞馬遜的智能音箱Echo面世，這種智能家居產(chǎn)品在過去幾年爆發(fā)式增長，巨頭紛紛入場，智能音箱發(fā)展史上的重要產(chǎn)品不斷出現(xiàn)：國外的谷歌Home、蘋果HomePod、微軟Invoke，國內(nèi)的京東叮咚、聯(lián)想音箱、喜馬拉雅小雅、阿里巴巴天貓精靈、小米小愛同學(xué)等。據(jù)趙明介紹，全球智能音箱市場規(guī)模在過去幾年迅速增長，從2015年的255萬臺到2017年的3000萬臺。去年中國智能音箱市場達到176萬臺的銷量，銷售額4.9億元，市場潛力明顯。

　　對標Echo 產(chǎn)品功能初級單一

　　據(jù)趙明介紹，作為智能音箱領(lǐng)域的頭部廠商，亞馬遜通過接入Alexa語音助手以連接其他硬件軟件服務(wù)，在先發(fā)優(yōu)勢和技術(shù)壁壘下，已經(jīng)形成一定業(yè)務(wù)體系。亞馬遜具有深厚的電商基礎(chǔ)，并在內(nèi)容、硬件、平臺、云計算、物流倉儲等領(lǐng)域布局，通過智能音箱整合軟件、硬件、平臺及內(nèi)容資源，進一步盤活電商資源。

　　“亞馬遜Alexa平臺及云計算平臺為打通多個服務(wù)鏈條奠定了基礎(chǔ)，在硬件操作、軟件應(yīng)用及內(nèi)容觀看收聽中的海量數(shù)據(jù)被有效收集并整理，實現(xiàn)內(nèi)容與服務(wù)的個性化。”趙明表示，亞馬遜在中文語音識別方面缺少布局，目前沒有進入中國市場，但其發(fā)展為中國市場提供了借鑒，多數(shù)廠商以Echo為對標，布局智能音箱。

　　但據(jù)趙明介紹，目前智能家居行業(yè)還處于整體發(fā)展的中前期，行業(yè)標準尚未形成，巨頭之間難以統(tǒng)一的平臺標準為智能家居的普及造成了巨大困難。“目前的AI水平較為有限，很多智能家居實現(xiàn)了基本的AI功能，但都比較初級單一，用戶使用體驗并不理想。”

　　此外，中科院自動化所研究員王金橋表示，中文語音交互存在更多特殊障礙：中文的方言和口音種類過多，交流非常困難，語義鴻溝難以跨越。“市面上的智能音箱都‘傻乎乎’的，只能用來搜索和問答一些條條框框的問題，無法理解邏輯、上下文關(guān)系等，大家買回家玩幾天，新鮮勁兒一過就閑置了。全國三百多家智能音箱廠商，沒有一家賺錢的。”王金橋說。

　　靈隆科技CEO魏強也曾對媒體表示，目前消費者普遍反饋智能音箱存在遠場識別差、誤喚醒率高、連續(xù)對話功能不穩(wěn)定和語義理解能力差、音質(zhì)不好等問題，看似火爆的智能音箱行業(yè)正在面臨創(chuàng)新能力弱、產(chǎn)品體驗差、內(nèi)容和技能不足、用戶認知度低等諸多挑戰(zhàn)。

　　水平有限 仍是簡單場景的人機交互

　　谷歌演示Duplex AI的過程引發(fā)了真實與否的爭議：人們注意到，這些通話中的兩位女性員工都沒有在電話上提到自己公司的名稱，另外這兩個錄音中也都沒有環(huán)境噪音。不過谷歌并沒有對是否編輯過電話錄音的問題發(fā)表評論。

　　對于Duplex AI的表現(xiàn)，王金橋表示：“這只是展示了一個效果，不能說機器通過了圖靈測試，也不代表理論上的突破。況且真實性沒有驗證。如果是真實的，那確實是先進的自然語言理解，這說明大家都在往自然語言處理的方向努力。”

　　思必馳副總裁、語音交互科學(xué)家初敏表達了類似的觀點。“這個預(yù)約的過程難度不大，是一個簡單場景的人機交互。只是角色置換了一下，不是我們常見的‘人問機器’，而是‘機器問人’，引發(fā)了大家的熱議。”初敏說。

　　初敏表示，谷歌展示的“機器預(yù)約餐廳、發(fā)廊”一定是可以實現(xiàn)的，沒有被對方聽出來說明語音合成的效果不錯，但整體來看，全程“沒有展現(xiàn)有挑戰(zhàn)性的問題”——如多任務(wù)切換、跨場景、噪音、上下文邏輯理解等。她同樣表達了對視頻真實性的懷疑：“餐廳聽起來應(yīng)該是亂七八糟的，但視頻中沒有背景噪音，所以不排除表演的可能。”

　　要想質(zhì)變 需要自然語言處理技術(shù)突破

　　自然語言處理是語音交互的核心技術(shù)，也是三十年來幾乎沒有突破的痛點。通俗來說，這項技術(shù)就是“讓機器理解人”。據(jù)王金橋介紹，自然語言處理的核心是理解，希望機器能理解人的語言和目的。但每個人都是個性化的，說話的輕重緩急、重音位置，看到夕陽西下時或開心或傷感的個人感受，這些都是目前的機器無法理解的。尤其是在中文語境下，常見的一語雙關(guān)、倒裝、句式簡化等，人有時候都理解不了，對機器來說更是難上加難。

　　初敏表示，在語音交互背后，是語音識別、自然語言理解、對話管理、自然語言生成等諸多環(huán)節(jié)，各環(huán)節(jié)充分配合才能實現(xiàn)良好的交互效果。“相比于谷歌展示的預(yù)約，我們已經(jīng)可以處理更復(fù)雜的交互，只是效果沒那么好。”初敏說。

　　“機器的認知推理和理解是一個系統(tǒng)的處理工程，是各種復(fù)雜算法的結(jié)合，不是單項技術(shù)能解決的。”王金橋表示。目前比較可行的限定場景下的自然語言處理，比如兒童陪伴、學(xué)科細分的語料庫，可以實現(xiàn)智能化交互。中國科學(xué)院院士譚鐵牛也在兩院院士大會期間談到人工智能正處在從“不能用”到“可以用”的技術(shù)拐點，距離“很好用”還有諸多瓶頸。“像‘那輛白車是黑車’‘能穿多少是多少’一類的表述，機器無法準確理解和翻譯。”譚鐵牛說。

　　語言交互是智能音箱的核心功能。智能音箱的銷量劇增，大量的語音交互會帶來多樣化的數(shù)據(jù)樣本，“目前研究界都在試圖突破自然語言處理的難關(guān)，雖然從事這項研究的人比以前多很多，研究條件也很好，但理論的瓶頸、語言理解的語義鴻溝問題，不是一時半會能解決的。”王金橋說。(實習(xí)記者 崔 爽)