未來(lái)機(jī)器智能時(shí)代：如何讓機(jī)器聽懂世界

語(yǔ)言承載了人類文化，人類需要通過(guò)語(yǔ)言學(xué)習(xí)知識(shí)和傳遞信息，這是人類區(qū)別于動(dòng)物界最重要的特性之一。

因此，未來(lái)的機(jī)器智能時(shí)代，機(jī)器也必然需要通過(guò)語(yǔ)言實(shí)現(xiàn)與人類之間的交互，似乎最近的科幻片都已經(jīng)暗示了這個(gè)問(wèn)題。

現(xiàn)在的科幻就是未來(lái)的現(xiàn)實(shí)，因此，讓機(jī)器聽懂世界，這是未來(lái)機(jī)器智能時(shí)代的關(guān)鍵問(wèn)題，也是人類一個(gè)更大的夢(mèng)想，但是，我們距離人類的這個(gè)夢(mèng)想還有多遠(yuǎn)呢？

01讓機(jī)器聽懂世界承載了人類千年夢(mèng)想

首先明確一個(gè)概念，讓機(jī)器聽懂世界，這里面其實(shí)蘊(yùn)含了多個(gè)歷程，包括聽懂人類語(yǔ)言，進(jìn)而聽懂動(dòng)物叫聲，甚至聽懂自然聲音，亦或類似地球的耳朵LIGO那樣聆聽宇宙的“聲音”。

所有這些都是極其復(fù)雜的過(guò)程，因?yàn)槲覀內(nèi)祟悓?shí)際上也沒有達(dá)到這種能力，但是我們期望機(jī)器能夠延伸人類的能力，從而實(shí)現(xiàn)人類的夢(mèng)想。所以語(yǔ)音智能事實(shí)上承載的是幾千年來(lái)人類的偉大夢(mèng)想。

那么，如何才能讓機(jī)器聽懂人類語(yǔ)言呢？這需要解決三個(gè)核心關(guān)鍵問(wèn)題：聽見、聽準(zhǔn)和聽懂，從技術(shù)角度來(lái)看，就是拾音、識(shí)別和理解三個(gè)關(guān)鍵技術(shù)環(huán)節(jié)。

拾音是最為基礎(chǔ)的環(huán)節(jié)，必須保證讓機(jī)器聽得見聲音，這部分主要是聲學(xué)問(wèn)題；

識(shí)別是將符合要求的聲音轉(zhuǎn)化成文字，這部分主要是語(yǔ)音識(shí)別的問(wèn)題；

理解則是根據(jù)識(shí)別出來(lái)的文字，準(zhǔn)確理解人類的指令甚或情感。

鑒于語(yǔ)音智能設(shè)備已經(jīng)大量出現(xiàn)在我們生活場(chǎng)景之中，當(dāng)前技術(shù)的核心關(guān)鍵就是聲學(xué)問(wèn)題和語(yǔ)義理解。

02近場(chǎng)語(yǔ)音是機(jī)器聽懂人類的率先嘗試

近場(chǎng)語(yǔ)音交互主要是指人類距離機(jī)器不超過(guò)30厘米范圍的語(yǔ)音識(shí)別技術(shù)，這項(xiàng)技術(shù)利用距離巧妙回避了真實(shí)場(chǎng)景下復(fù)雜的聲學(xué)問(wèn)題，可以理解為一種實(shí)驗(yàn)室理想環(huán)境下的語(yǔ)音交互技術(shù)。

近場(chǎng)語(yǔ)音識(shí)別從上世紀(jì)五十年代就開始研究，但是長(zhǎng)期沒有實(shí)質(zhì)性進(jìn)展，直到蘋果在2010年推出Siri的應(yīng)用，這才引起了全球的關(guān)注。到現(xiàn)在為止，近場(chǎng)語(yǔ)音交互技術(shù)已經(jīng)比較成熟，平均識(shí)別率可以達(dá)到95%以上。

但是近場(chǎng)語(yǔ)音交互受到了真實(shí)場(chǎng)景的巨大制約，并沒有展現(xiàn)出來(lái)語(yǔ)音交互可以解放雙手的先進(jìn)性，因此在很多場(chǎng)景中，事實(shí)上近場(chǎng)語(yǔ)音交互都是雞肋一般的存在，并沒有發(fā)揮出真正的威力。

直到遠(yuǎn)場(chǎng)語(yǔ)音交互技術(shù)的出現(xiàn)，成功解決了真實(shí)場(chǎng)景下的復(fù)雜聲學(xué)問(wèn)題以后，至少技術(shù)達(dá)到了用戶認(rèn)可的門檻，語(yǔ)音交互才真正出現(xiàn)了替代鍵盤鼠標(biāo)和觸摸屏的可能性。

03遠(yuǎn)場(chǎng)語(yǔ)音將語(yǔ)音智能落地到真實(shí)場(chǎng)景

遠(yuǎn)場(chǎng)語(yǔ)音交互主要解決30厘米到5米范圍內(nèi)的語(yǔ)音交互問(wèn)題，這個(gè)范圍事實(shí)上就是人類之間溝通交流的最佳距離，距離太近容易觸發(fā)自我保護(hù)意識(shí)，而距離太遠(yuǎn)則會(huì)增大交流難度。

注意語(yǔ)音交互并非只是語(yǔ)音問(wèn)題，人類的交互其實(shí)是一個(gè)綜合的過(guò)程，包括了表情、眼神、肢體動(dòng)作等等一系列影響因素。

遠(yuǎn)場(chǎng)語(yǔ)音交互的歷史是比較短暫的，這項(xiàng)技術(shù)以前長(zhǎng)期沒有實(shí)質(zhì)性突破，直到2016年末，全球才真正開始重視這項(xiàng)技術(shù)，并且短短一年時(shí)間，引領(lǐng)全球市場(chǎng)都進(jìn)入了激烈博弈的階段。

遠(yuǎn)場(chǎng)語(yǔ)音交互的代表產(chǎn)品自然就是智能音箱，盤點(diǎn)一下全球巨頭在智能音箱的布局就可窺得一二。亞馬遜的Echo發(fā)布四年已然影響深遠(yuǎn)，谷歌的Home劍走偏鋒以技術(shù)做博弈，微軟的Invoke則仍然堅(jiān)持工程師定義產(chǎn)品的文化......

注意，這里還是特別強(qiáng)調(diào)智能音箱只是遠(yuǎn)場(chǎng)語(yǔ)音交互的突破口，并非什么語(yǔ)音的唯一入口，因?yàn)槲磥?lái)的機(jī)器智能時(shí)代，比如電視、冰箱、汽車都有可能成為重要入口。但是智能音箱又是非常重要的，因?yàn)椴还墚a(chǎn)品形態(tài)怎樣變化，其本質(zhì)的核心其實(shí)還是智能音箱的技術(shù)架構(gòu)。

04聽懂世界還有哪些必須解決的問(wèn)題？

若讓機(jī)器聽懂世界，遠(yuǎn)場(chǎng)語(yǔ)音交互技術(shù)也僅是個(gè)嘗試而已，事實(shí)上遠(yuǎn)場(chǎng)語(yǔ)音技術(shù)本身也只是剛剛起步，即便5米以內(nèi)，其噪聲抑制、回聲抵消、混響去除、遠(yuǎn)場(chǎng)喚醒和遠(yuǎn)場(chǎng)識(shí)別等核心技術(shù)還存在諸多缺陷。

但是技術(shù)一直在迭代發(fā)展，特別是當(dāng)技術(shù)落地場(chǎng)景以后，源源不斷的真實(shí)數(shù)據(jù)和客戶需求將帶動(dòng)技術(shù)更加快速的發(fā)展。

從技術(shù)層面來(lái)看，讓機(jī)器聽懂世界涉及了數(shù)學(xué)、物理學(xué)、語(yǔ)言學(xué)、醫(yī)學(xué)、計(jì)算機(jī)學(xué)等各學(xué)科的知識(shí)，很難一一枚舉出來(lái)，但是若從應(yīng)用場(chǎng)景來(lái)看，則相對(duì)比較簡(jiǎn)單，讓機(jī)器聽懂世界包括了人類語(yǔ)言、人類情感、動(dòng)物聲音和自然聲音。

讓機(jī)器聽懂世界的技術(shù)正在全球快速的演化，相信不久的將來(lái)，我們肯定能看到更加智能的機(jī)器。

因此，既不要抨擊當(dāng)前的人工智能技術(shù)，也不要盛贊現(xiàn)在的基礎(chǔ)科技技術(shù)，保持一顆平靜的心，正確給予科技界和產(chǎn)業(yè)界的支持才是對(duì)于未來(lái)最大的投資。