2月16日有兩條關(guān)于百度的消息很有意思：一條是收購渡鴉團隊，一條是把度秘團隊升級為度秘事業(yè)部，兩邊都向陸奇匯報工作。這種軟硬融合的戰(zhàn)略選擇是極其正確的。

　　這并不是馬后炮，我在2016年10月發(fā)的《雖然很投入，但李彥宏可能正在錯過人工智能》里核心觀點之一就是：百度是國內(nèi)對人工智能投入力度最大的公司，但其不碰硬件的戰(zhàn)略很可能導(dǎo)致它最終錯過人工智能里對它最關(guān)鍵的部分。雖然大方向正確，但如果互聯(lián)網(wǎng)公司真想學(xué)亞馬遜，就還差了那么一點東西。

　　語音賽道的AI到底需要解決什么問題

　　國內(nèi)絕不缺和Echo類似的產(chǎn)品，但此前的命運都是折戟沉沙，這里的關(guān)鍵在于對什么是這類產(chǎn)品上要解決的核心問題認知不清。自由交流，喚醒詞，速度，方言，內(nèi)容，習(xí)慣等每個似乎都可以成為要解決的核心問題，但實際上所有這個賽道上玩家最核心的問題是：在語義、方言這些剛性約束不突破的條件下打造出速度、精度、內(nèi)容相匹配的產(chǎn)品。

　　智能語音也就是說要解決的并非寬適配問題，而是要在面對主流人群真在技術(shù)上下功夫，把體驗做好。語音交互上糊弄的空間極小，兩句話就能感受出體驗咋樣。這里面最受關(guān)注的是語義的問題，因為人們總是向往自由的交流，語義肯定是交互的一個瓶頸，但我們可以把語音交互根據(jù)語義的技術(shù)進展分解為兩個階段：

　　第一階段是語義并沒有核心突破，也就是說最理想狀態(tài)也就達到75分。這時候打造產(chǎn)品的根本出發(fā)點是不指望自由語言交流，而讓語音交互偏命令控制，但也打造出極為優(yōu)秀的用戶體驗。Echo大的定位就是這樣一種產(chǎn)品。這時候產(chǎn)品的核心瓶頸是前端的聲學(xué)（麥克風陣列＋聲學(xué)算法），這是眼下的問題，不解決產(chǎn)品體驗不可能好?；谶@判斷我在2015年末開始使了很大力氣為公司尋找公司，最終這也是我2016年投資聲智科技的核心原因，當時邏輯很簡單：這個問題顯然中科院聲學(xué)所更擅長解決，而聲智科技幾乎是聲學(xué)所人員所創(chuàng)辦的唯一的一家AI企業(yè)。

　　第二階段是語義真的取得突破，這無疑會更大的擴展語音交互的應(yīng)用范圍，一旦這個點得以突破，語音交互會變的無處不在，但我們必須承認什么時候語義能夠徹底解決仍然不確定，這是屬于未來的事情。

　　這種時間軸上的錯亂是很可怕的，那樣就會在現(xiàn)有產(chǎn)品上挑戰(zhàn)不可能解決的問題，比如不用喚醒詞，指望Echo這類產(chǎn)品什么都能干等。

　　總結(jié)來看我們可以這樣講：如果真想做出Echo那樣的產(chǎn)品，聲學(xué)（麥克風陣列＋算法），語音識別，語義三層里面眼下的瓶頸是聲學(xué)，未來的瓶頸是語義，前者影響現(xiàn)在產(chǎn)品賣不賣的出去，后者影響適用范圍的大小。但即使只是前者這也是一個足以對標Pad的新品類。

　　差的那么一點點

　　真走軟硬融合的道路，顯然的關(guān)鍵要素是：良好的產(chǎn)品定義，足夠成熟的技術(shù)要素，系統(tǒng)整合產(chǎn)品的能力（其實還有通暢的銷售渠道）。系統(tǒng)整合一項要求一個公司整合軟硬團隊，否則不同利益訴求會導(dǎo)致軟硬團隊很難高度配合，而在產(chǎn)業(yè)初期，不同層次間接口標準化很差，容易導(dǎo)致產(chǎn)品夭折。產(chǎn)品定義則高度依賴于個人，就看當事人的能力，對公司而言需要一點運氣。

　　這樣一來唯一欠缺的是足夠成熟的技術(shù)要素。這是非常麻煩的一點，對于互聯(lián)網(wǎng)公司尤其艱難，因為真往這條路上走欠缺的并非是計算機算法上的認識，也還牽扯物理，這對于互聯(lián)網(wǎng)公司是個大大的盲點。

　　從這個視角正好可以理解蘋果和Google的差別，蘋果是要高度關(guān)注物理層面的東西的，比如材料、電池、屏幕、傳感器等，Google顯然會更關(guān)注算法。所以蘋果的云端技術(shù)始終不好，而Google做產(chǎn)品就也總是一般。喬布斯萬眾矚目所以大家看到的是他的偏執(zhí)、癲狂乃至藝術(shù)氣息，但實際上他背后是有一坨人在幫他解決物理上的麻煩事的，現(xiàn)在的庫克就是其中之一。

　　這并不只是百度一個公司的問題，而是新時代趨勢對互聯(lián)網(wǎng)公司的一種系統(tǒng)型挑戰(zhàn)。我在之前的文章中曾經(jīng)提到過，一個行業(yè)的興起事實上是三個大的階段：

　　第一階段是Enabling技術(shù)的成熟，類比的話就是手機上的高通和MTK，在語音產(chǎn)業(yè)鏈上聲智科技扮演類似的角色。

　　第二階段是硬件產(chǎn)品的成熟，類比的話就是Apple II或者iPhone 1代，在語音產(chǎn)業(yè)鏈上就是Echo。需要注意Echo是起點而不是終點，是剛跨過可用線的一款產(chǎn)品。

　　第三階段才是新硬件平臺上軟件應(yīng)用的成熟，比如PC上就是Office，手機上就是微信。在語音產(chǎn)業(yè)鏈上這點還沒展開。

　　互聯(lián)網(wǎng)縮短了第一階段和第二階段間的過渡過程，相當于兩者在同步發(fā)生，也正因此才需要軟硬融合。但互聯(lián)網(wǎng)公司獨自解決第一個問題能力會偏弱，這就是欠缺的那一點點。

　　硝煙會從今日起

　　也許是為了提振股價，百度十分高調(diào)的公布了這件事情。這也很有意思，因為百度這樣做很可能會引起連鎖反應(yīng)。在這之前，大家基本都處于觀望狀態(tài)，當其中一個真的下注后，別的人就會開始系統(tǒng)考慮這件事情別人做成了對我會有什么樣的影響。

　　這事一旦開始推敲，騰訊、阿里就會認識到這是自己輸不起的戰(zhàn)爭。這點我在之前的文章里提到過，但很有必要在百度采取行動的時候再次重述：

　　我們先做個基本的假設(shè)，那就是Alexa獲得了巨大成功（Echo、智能音箱、Alexa有關(guān)聯(lián)，但其實是不同的東西，這點在之前文章中有說，這里不再重復(fù)），滲透到各種設(shè)備之中，包圍了人們的生活，人們有50％的時間在通過語音和設(shè)備打交道，并且日活逼近Android。

　　那這時候一定會衍生這樣的需求，用戶會說：Alexa，幫我通知下馬化騰，明天我不見他了。這時候就需要有一種通訊的IM來實現(xiàn)這種需求。這時候亞馬遜就有兩個選擇：第一它接入一種已有IM，比如Whatsapp，或者Skype。第二種是自己做一個嵌在Alexa里面。亞馬遜至少有一半的幾率會選擇后者，而不是把這種基礎(chǔ)設(shè)施開放給別人，因為前兩種要么屬于Facebook，要么屬于微軟。如果在中國是阿里巴巴做成了Alexa，那估計百分百不會選擇對接微信。

　　這樣一來配合一個語音交互的核心特征，顛覆性的事情就出現(xiàn)了：語音交互背后隱藏的各種應(yīng)用具有唯一性。

　　我們很難想象這種語音交互方式：Alexa幫我用Whatsapp給馬化騰留個消息，明天我不見他了。在語音交互中WhatsApp這類應(yīng)用的標識很可能會被優(yōu)化掉。如果Alexa還只是百萬級、千萬級DAU的應(yīng)用時那這個特性還不關(guān)鍵，但如果它是10億DAU的系統(tǒng)，那這個特性的影響就會被無限放大，也就說搜索、IM、電商很可能都只有一家，而不是像現(xiàn)在雖然少，但還有個1，2，3名。

　　小結(jié)

　　今天幾乎已經(jīng)沒人再懷疑語音交互的成立了，有意思的事情是這種變化只發(fā)生在過去不到半年的時間里?，F(xiàn)在看2017年的熱鬧很可能在這里發(fā)生，這是件牽連極廣的事情：它會牽涉人工智能（聲學(xué)、語音語義公司），它會升級智能硬件公司，原本的智能硬件其實已經(jīng)被鄙視了，但Echo顯然不是什么萬物互聯(lián)賽道而是人工智能賽道。好吧，想做的要盡快進來，不想做這個行業(yè)的，可以搬個板凳看熱鬧了。