智能音箱從能聽(tīng)到會(huì)看，多模態(tài)交互將成為趨勢(shì)。

8 個(gè)月時(shí)間，在天貓精靈 X1 智能音箱從發(fā)售到銷量 200 萬(wàn)后，阿里巴巴人工智能實(shí)驗(yàn)室舉行了 2018 年的第一場(chǎng)發(fā)布會(huì)（3 月 22 日），而這一次發(fā)布的核心產(chǎn)品，有點(diǎn)出乎大家意料。

用一個(gè) 49 元的手機(jī)支架，和幾乎人人都有的智能手機(jī)，天貓精靈進(jìn)行了一次變身，不但變得比以前更加聰明，還擁有了全新的“多模態(tài)感知系統(tǒng)”。作為 2017 年的行業(yè)黑馬，本次發(fā)布會(huì)上讓人激動(dòng)的這件新品不再是硬件，而是重量級(jí)的系統(tǒng)升級(jí)——AliGenie 2.0，我們不妨先來(lái)看看這段官方視頻演示：

AI 變奏曲：智能音箱從能聽(tīng)到會(huì)看

毫無(wú)疑問(wèn)，當(dāng)天發(fā)布會(huì)上的主角正是阿里巴巴人工智能實(shí)驗(yàn)室的 AliGenie 2.0，它加入了最新的 AI 視覺(jué)系統(tǒng)，并嘗試去融入更多情感操作。阿里巴巴人工智能實(shí)驗(yàn)室負(fù)責(zé)人淺雪稱之為“天貓精靈火眼”。和去年 7 月推出的 AliGenie 1.0 最大的不同在于，2.0 版本從原本能聽(tīng)能說(shuō)，變成了如今的能看能聽(tīng)能說(shuō)。

能看是系統(tǒng)升級(jí)的重點(diǎn)，“從觸覺(jué)到聽(tīng)覺(jué)，再到視覺(jué)，最后是情感反饋，多模態(tài)交互是 AliGenie 2.0 的核心”，對(duì)于此次系統(tǒng)升級(jí)，淺雪認(rèn)為它最大的不同是人機(jī)交互的變化，尤其是因此產(chǎn)生的與眾不同的用戶體驗(yàn)。

阿里巴巴人工智能實(shí)驗(yàn)室負(fù)責(zé)人 淺雪

搭載“火眼”的天貓精靈，在原本的天貓精靈 X1 上增加了一個(gè)手機(jī)支架，通過(guò)把手機(jī)連接到天貓精靈 App，手機(jī)屏幕出現(xiàn)了一只可以交互的“天貓”，通過(guò)手觸摸，它可以簡(jiǎn)單和人互動(dòng)。

這只“寵物貓”擁有 AI 識(shí)圖能力。依靠手機(jī)前置攝像頭，天貓精靈有了能“看懂”周圍事物的“眼睛”，它可以識(shí)別 2D 和 3D 信息。具體來(lái)說(shuō)，有三個(gè)重要能力加入。

第一，當(dāng)你手拿兒童故事書，或者識(shí)字卡靠近，詢問(wèn)天貓精靈“這是什么”時(shí)，它可以“看到”并立即為你朗讀卡片和故事書的內(nèi)容。

其次，通過(guò)連接阿里健康的數(shù)據(jù)信息，天貓精靈有了“判斷”藥品的能力，可以迅速識(shí)別 40000 種中國(guó)家庭常用藥。當(dāng)你手拿藥品盒子在手機(jī)攝像頭前詢問(wèn)時(shí)，這只“貓”會(huì)手拿藥盒，告訴你它的名稱，功效甚至有效周期。

第三，同時(shí)也是最讓人驚訝的能力，天貓精靈具備了基礎(chǔ)的 3D 圖像識(shí)別的能力。當(dāng)手持蔬菜、水果等物品靠近攝像頭詢問(wèn)時(shí)，它可以很快告訴你這是什么物品。

和前兩種的 2D 圖像識(shí)別不同，3D 識(shí)別物體要做到的是不論你用何種角度拿著物品靠近攝像頭，它都能判斷出物體是什么，按照產(chǎn)品總監(jiān)釋空的解釋，這（難度）要比 2D 識(shí)別大得多。

因?yàn)?3D 識(shí)別不僅在考驗(yàn)系統(tǒng)對(duì)周圍環(huán)境光線的適應(yīng)、同時(shí)也要對(duì)你手持物體角度進(jìn)行準(zhǔn)確把握，還要有足夠的數(shù)據(jù)信息可以搜尋出物體。比如在你拿著一個(gè)已經(jīng)發(fā)霉變色的西蘭花時(shí)，要想被識(shí)別出來(lái)，就必須知道這還是西蘭花，這對(duì)于機(jī)器來(lái)說(shuō)并不容易。所以目前，天貓精靈能識(shí)別出的蔬菜水果不多，只有幾十種，但這種能力卻對(duì)于將來(lái)識(shí)別更多物品（包括商品），甚至于人臉都具有重要意義。

此外，發(fā)布會(huì)很重要的一部分在于天貓精靈的邊界擴(kuò)展，看到前面幾個(gè)功能也許有人能猜到，閱讀故事書，教人讀書寫字，這是面向兒童的能力。而幫你識(shí)別藥品，告訴你藥品功效，再告訴你還有多久會(huì)過(guò)期，這是更貼近老人的能力。

因此天貓精靈不但聯(lián)合了國(guó)內(nèi) 12 家少年兒童出版社，對(duì)市面上 117 套兒童讀物以及繪本進(jìn)行了有聲讀物化，還將通過(guò)馬云公益基金會(huì)將天貓精靈帶到更多偏遠(yuǎn)地區(qū)，為當(dāng)?shù)貙W(xué)校教育以及兒童陪伴問(wèn)題提供新的解決思路。

盡管發(fā)布會(huì)還另外帶來(lái)了阿里巴巴人工智能實(shí)驗(yàn)室的路由器、投影儀以及迷你版天貓精靈，但最核心的主角無(wú)疑就是全新升級(jí)的 AliGenie 2.0 系統(tǒng)。這不由得令人好奇，當(dāng)國(guó)內(nèi)外廠商紛紛升級(jí)了帶屏幕的智能音箱時(shí)，為何阿里巴巴選擇了這樣一個(gè)“非常規(guī)”的升級(jí)方式？不是通過(guò)賣新的產(chǎn)品，而是用 App 和用戶自己的手機(jī)，這樣一個(gè)更加“軟著陸”的方式來(lái)使用新產(chǎn)品（也是新系統(tǒng)）呢？

殊途同歸的多模態(tài)交互

一個(gè)現(xiàn)狀是，帶有屏幕的智能音箱價(jià)格與人們期望存在差距。市面上帶屏幕的智能音箱，少則近千元，多則數(shù)千元?？梢哉f(shuō)在目前階段，當(dāng)用戶考慮用數(shù)千元買一個(gè)帶屏幕的智能音箱時(shí)，他們會(huì)猶豫，并會(huì)和一些其它成熟產(chǎn)品（如 iPad 等）比較其是否值得？

這也是擺在包括淺雪在內(nèi)的團(tuán)隊(duì)成員面前同樣的問(wèn)題，因此需要考慮的就是：如何用極低的成本，盡量做到現(xiàn)階段能實(shí)現(xiàn)的最優(yōu)體驗(yàn)？團(tuán)隊(duì)內(nèi)部對(duì)此曾出現(xiàn)過(guò)分歧，用釋空的說(shuō)法，最終他們認(rèn)為，由于目前階段帶屏幕的智能音箱產(chǎn)品不具有足夠的議價(jià)，因此就做出了用手機(jī)來(lái)完成這些的方案。

這讓人想起了谷歌在 VR 推進(jìn)早期曾大力推行的產(chǎn)品“CardBoard”。

紙板做的廉價(jià) VR 眼鏡——Google CardBoard

在 VR 產(chǎn)業(yè)剛剛起步階段，市面上 VR 產(chǎn)品不但價(jià)格貴，體驗(yàn)也并不優(yōu)秀，于是谷歌采取了用廉價(jià)紙盒做 VR 眼鏡的策略，滿足了大家在好奇期的想法，并成功向大眾普及了 VR 這一概念，這種方式不得不說(shuō)是有其必要性的。

“我們最關(guān)注的事情是如何讓每個(gè)用戶用最低的成本入門就能完全體驗(yàn)?！睖\雪說(shuō)，這種觀點(diǎn)最終指向的目標(biāo)是給每個(gè)人做有用有價(jià)值的人工智能，所以嘗試出這樣的方案在意料之中。

但在大方向上，智能音箱不應(yīng)該僅僅只有語(yǔ)音交互，應(yīng)該是語(yǔ)音、視覺(jué)、情感多模態(tài)交互的觀點(diǎn)，這卻是 AliGenie 系統(tǒng)，乃至整個(gè)智能音箱領(lǐng)域目前達(dá)成的一個(gè)基礎(chǔ)共識(shí)。

的確，智能音箱優(yōu)點(diǎn)很多，但嘗試過(guò)的用戶都會(huì)認(rèn)為它不夠完美，聲音交互的特性讓它在很多場(chǎng)景中不夠靈活，而要解決這個(gè)問(wèn)題，利用屏幕也許是一個(gè)途徑，今年開(kāi)年來(lái)，伴隨 CES 2018 展會(huì)，我們見(jiàn)到了國(guó)內(nèi)外眾多帶有屏幕的智能音箱，谷歌甚至組建了一個(gè)“Smart Display”聯(lián)盟，想要讓這一趨勢(shì)迅速蔓延開(kāi)來(lái)。

從左到右，LG、聯(lián)想、JBL 的 Smart Diaplay 產(chǎn)品

在淺雪看來(lái)，阿里人工智能系統(tǒng) AliGenie 2.0 系統(tǒng)升級(jí)，它的“能力比一塊屏幕更重要”。目前階段下，通過(guò)一個(gè) App 和手機(jī)就能體驗(yàn)到的事情，既能讓用戶擁有更好的心理預(yù)期，又能在吸取經(jīng)驗(yàn)進(jìn)一步打磨未來(lái)產(chǎn)品，這樣的嘗試能讓更多用戶理解，有了屏幕交互的智能音箱不同于 iPad，語(yǔ)音控制和屏幕觸控也不是互相替代，而是互補(bǔ)關(guān)系。

一旦有了這種體驗(yàn)，大家就會(huì)發(fā)掘出自己真正需要的到底是怎樣的智能音箱。如發(fā)布會(huì)現(xiàn)場(chǎng)演示的功能一樣，教育兒童，可以通過(guò)看到卡片和圖書來(lái)給孩子講故事；幫助老人，可以通過(guò)看到藥品盒子就說(shuō)出功能功效和截止日期。這種輕度體驗(yàn)?zāi)茉谏钪新囵B(yǎng)人們對(duì)于智能音箱的新的認(rèn)知。

如果說(shuō) 2017 年是國(guó)內(nèi)智能音箱競(jìng)賽元年，那么站在賽道上的阿里巴巴無(wú)疑通過(guò)雙 11 的 100 萬(wàn)臺(tái)銷量成為了行業(yè)黑馬。而隨著 AliGenie 2.0 的推出，2018 年人工智能產(chǎn)品將更具擴(kuò)展性，多模態(tài)，讓人更自如的交互無(wú)疑將成為接下來(lái)各大廠商關(guān)注的重點(diǎn)。