由B12、觀數(shù)·涂子沛頻道主辦，智東西、良倉加速器、騰訊大浙網(wǎng)、創(chuàng)享基金聯(lián)合主辦的第二屆萬物互聯(lián)創(chuàng)新大會(huì)「創(chuàng)業(yè)下一潮水：大數(shù)據(jù)與智能時(shí)代」在杭州召開。本次大會(huì)邀請國內(nèi)外的尖端大腦，用一場盛大的跨界聚會(huì)，帶你突破人類延伸的極限，探索人工智能的未來，創(chuàng)造腦洞大開的生產(chǎn)力。

圖1 思必馳VP雷雄國演講現(xiàn)場

你一定有所意識，人工智能的應(yīng)用已經(jīng)逐漸滲透到生活的方方面面，并開始影響、改變?nèi)藗兊母鞣N習(xí)慣。在人工智能覆蓋的眾多應(yīng)用里，語音識別無疑是最接地氣也是落地最快的，例如，語音助手已經(jīng)成為了智能手機(jī)的標(biāo)配。

不過，語音識別的下一個(gè)戰(zhàn)場并不是智能手機(jī)行業(yè)，國內(nèi)外企業(yè)已經(jīng)紛紛把目光投向了市場空間更大的物聯(lián)網(wǎng)領(lǐng)域，這是語音識別乃至人工智能領(lǐng)域的一個(gè)最新的動(dòng)向。在昨天的第二屆萬物互聯(lián)創(chuàng)新大會(huì)上，思必馳副總裁雷雄國分享了語音識別公司的下一個(gè)突破口以及面臨的挑戰(zhàn)。

語音識別將成為萬億級的物聯(lián)網(wǎng)設(shè)備的標(biāo)配

其實(shí)上午有聊到很多的例子，訊飛聽見的語音識別其實(shí)已經(jīng)達(dá)到一個(gè)很高的水平。怎么樣才能讓未來機(jī)器為人服務(wù)，能夠幫人完成任務(wù)這件事情，事實(shí)上還有很長的路要走。我們回頭來看互聯(lián)網(wǎng)以及交互方式的發(fā)展，能夠看到一個(gè)比較清晰的脈絡(luò)。

我們已經(jīng)完成了從PC互聯(lián)網(wǎng)到移動(dòng)互聯(lián)網(wǎng)的跨越，下一個(gè)階段將是物聯(lián)網(wǎng)（IoT），而在這個(gè)發(fā)展過程中，用戶數(shù)基數(shù)是呈倍數(shù)增長的。雷雄國認(rèn)為，圍繞硬件形態(tài)以及聯(lián)網(wǎng)的形態(tài)，在上述轉(zhuǎn)變過程中，交互模式也在不斷的發(fā)生變化。

傳統(tǒng)的PC端，無外乎網(wǎng)頁的搜索，文字形的。再到手機(jī)端是通過觸屏的方式，甚至有一些帶語音交互的APP，甚至包括手機(jī)自帶的一些語音服務(wù)，都逐步從實(shí)驗(yàn)室走向大眾消費(fèi)者。舉個(gè)例子，蘋果早在iPhone 4s上就加入了語音工具siri，在此之后，siri在每一代iPhone中都有質(zhì)的提升。從最開始命令式的控制，到最后聊天式，再到現(xiàn)在蘋果未來大的方向，它真正能夠達(dá)到一個(gè)助理、個(gè)人秘書的產(chǎn)品發(fā)展方向。

不過，智能手機(jī)市場已經(jīng)遇到了天花板，語音識別公司也必須做出戰(zhàn)略上的改變。那么手機(jī)之后，還有什么設(shè)備會(huì)集成語音識別的功能呢？

雷雄國給出的答案是所有物聯(lián)網(wǎng)設(shè)備，小至智能音響，大到汽車、風(fēng)力發(fā)電機(jī)，這些設(shè)備的交互方式都會(huì)因語音識別在未來得到改變。而這樣的改變也是必然趨勢，“因?yàn)樗赡軟]有屏幕，或者屏幕非常小，這個(gè)時(shí)候語音的交互顯得尤為重要。”

毫無疑問，如果每一臺物聯(lián)網(wǎng)設(shè)備都植入語音識別功能，那么以萬億級出貨量的物聯(lián)網(wǎng)市場來算，這將會(huì)是一個(gè)巨大的市場空間。

挑戰(zhàn)：如何從聽見到聽懂？

這和語音交互密不可分，可以說語音交互第一個(gè)入口就是語音識別，語音交互能夠得到快速的發(fā)展得益于聲學(xué)模型、語言模型以及聲學(xué)處理這三個(gè)核心技術(shù)的逐步成熟，以及移動(dòng)互聯(lián)網(wǎng)時(shí)代收集的大量數(shù)據(jù)。

不過，雷雄國也坦言，雖然語音識別已經(jīng)達(dá)到非常高的可用化程度，但要從聽見到聽懂，還有很多挑戰(zhàn)要克服。例如，對于人說話習(xí)慣的適應(yīng)，以及在人使用這個(gè)設(shè)備時(shí)不同的場景，不同的噪音環(huán)境都會(huì)有比較大的條件。在這些深入垂直領(lǐng)域需要更多的技術(shù)人員，以及創(chuàng)業(yè)的團(tuán)隊(duì)，甚至像BAT這些大公司投入比較大的力量，把這些核心技術(shù)攻關(guān)掉。

從學(xué)術(shù)角度講，有一種語義不確定性，即同一句話，它能夠代表的意思根據(jù)上下文，根據(jù)你所在的用戶使用場景，會(huì)是非常大的不一樣。

雷雄國表示，圍繞這個(gè)不確定性，在學(xué)術(shù)界語音識別公司要從語義，以及從多輪交互上，甚至在統(tǒng)計(jì)模型上做一些比較深入的解決方案出來，才能準(zhǔn)確的識別信息；另外，深度神經(jīng)網(wǎng)絡(luò)也將在語音識別問題上發(fā)揮重要作用。

除此之外，在機(jī)器人以及其它形態(tài)的智能硬件中，因?yàn)榻换ゾ嚯x會(huì)比手機(jī)更遠(yuǎn)，所以還需要加入一些遠(yuǎn)場降噪的核心技術(shù)，同時(shí)在應(yīng)用場景上需要把一些回聲對消做上去，這樣使得整個(gè)交互場景更加的人性化，體驗(yàn)會(huì)更好。

具體來講，從聽見到聽懂的過程就是人機(jī)對話。雷雄國表示，人機(jī)對話可以分成三類：第一類，閑聊式的，舉個(gè)例子，用戶說“我餓了”，siri會(huì)跟你說，你餓了就去吃飯唄，它的應(yīng)用場景非常有限；第二是問答式對話，例如，用戶問現(xiàn)在是幾點(diǎn)鐘了，語音助手就會(huì)給出確定的回答；第三類是最熱的任務(wù)式對話，它會(huì)結(jié)合你個(gè)人很多信息，然后綜合去判斷接下來怎么樣去做歸零，完成一個(gè)任務(wù)。

這是一個(gè)完全不同的場景，例如你還是說我餓了，任務(wù)式對話會(huì)問你要吃什么菜，什么口味，大概是什么價(jià)位，以及你能夠承受送貨的時(shí)間是多少，等等這一系列的對話，通過這種對話式交互之后，最后才幫你解決問題，這是對話式交互核心要素。

雷雄國介紹，在任務(wù)對話模式下，要完成“我餓了”到實(shí)現(xiàn)定餐的閉環(huán)，有兩個(gè)核心點(diǎn)：第一是語義，一定要理解“我餓了”，他并沒有說要買什么東西，一定要理解他在這個(gè)情景下需要定餐；第二，對于這個(gè)意圖的跟蹤，多輪次的交互要結(jié)合上下文，甚至在縱向緯度需要結(jié)合你的日常，例如，未來我們可能會(huì)和阿里后臺一些數(shù)據(jù)做一些對接，對于你餓了的習(xí)慣做一些多緯度的決策依據(jù)，做更人性化的自然語言交互。

這和傳統(tǒng)一輪式的語音交互（語音輸入進(jìn)去，理解后給一個(gè)反饋）有很大的區(qū)別，我們需要有關(guān)于對話的管理，以及對于環(huán)境和當(dāng)前對話所在的知識理解更為系列的后臺知識庫，圍繞這些知識庫做不同的反饋。最終的效果就是，不同的人說相同的話，機(jī)器也能給出不同的反饋。

??中國為何造不出Echo？?

在眾多語音識別和智能硬件的結(jié)合案例里，亞馬遜的Echo無疑是最受追捧的一個(gè)產(chǎn)品。但遺憾的是，中國有大量的智能硬件公司，也有不少優(yōu)秀的語音識別企業(yè)，卻并沒有一款像Echo這樣的產(chǎn)品。

雷雄國認(rèn)為這主要有兩個(gè)原因：

其中一個(gè)很重要的原因是交互并沒有做好，我們知道亞馬遜在做Echo這件事情上面投入非常大，第一是2C產(chǎn)品本身的事情上。萬眾創(chuàng)新，雙創(chuàng)的這兩年里死了非常多的創(chuàng)業(yè)企業(yè)，這里說明一件事情，要把硬件2C產(chǎn)品做好是非常難的一件事。

第二，人工智能整個(gè)語音交互，以及它背后不僅僅是語音識別，包括語義，包括你們聽懂它之后，里面的內(nèi)容和服務(wù)都是非常大的挑戰(zhàn)。我們能夠欣喜的看到國內(nèi)有出類似的產(chǎn)品，但是并沒有把這個(gè)熱潮，把這個(gè)產(chǎn)品做成一個(gè)爆款。

綜合這兩個(gè)原因，我們可以理解為語音識別的落地需要以模式創(chuàng)新和技術(shù)創(chuàng)新為基礎(chǔ)，盡管要做到這兩點(diǎn)道阻且長，但可以確定的是，未來語音識別將無處不在，也是最有效地交互方式之一。