互联网技术为语音交互指新路

比尔·盖茨退休前，于2006年的拉斯维加斯CES展上曾做过一次演讲。他认为大家普遍看好的未来人机交互技术中，三大方向最有可能实现应用突破：第一是语音；第二是触摸；第三是虚拟视觉，即手势、表情等等。现在，触摸技术已经普及，语音技术也在苹果siri的面市后，成为当前市场热切关注的焦点。智能360、语点、Airi、Ciriis等类siri产品跟风推出，一时营造出智能语音应用的繁荣景象。然而，由于获得的用户体验差强人意，它们还仅仅停留在娱乐和跟随时尚潮流的阶段。

那么，瓶颈在哪？中科院自动化研究所副所长徐波告诉《中国电子报》记者：“语音只是人机交互的接口。如果抛开语音，还可以换成文本接口。要实现人机交互，重点还是在对自然语言的理解和对话上。而现在搜索、大数据处理等技术又为突破理解障碍提供了新思路。”



自然语言理解是关键

人工智能核心问题——思考可以归结为自然语言理解，解决了这个问题，才能真正能听、能看。



动动嘴巴，可以遥控电视机、空调和室内灯等等设备，这是小i机器人呈现的人机交互的场景。其总裁袁辉介绍，小i机器人并不是实体机器人，它是通过互联网、无线互联网等渠道以及人机交互手段进行虚拟化互动的智能软件，可以听懂人说的话，判断人的意愿，给出符合意向的答案。

在siri的技术中，语音部分采用美国公司Nuance的技术，包括语音识别和合成，响应、判读和给出结果则是siri。如果说Nuance语音识别占到整个技术的20%%，起到信息采集和输出的作用，而80%%则是大脑——siri来控制。袁辉认为，他的小i机器人就是和siri一样的大脑。

那么，这个“大脑”需要具备什么功能？袁辉告诉《中国电子报》记者：“它需要有人类的思维模式，也就是自然语言的算法。当一句话说出来时，必须准确地理解这句话的意思。人类表达同一个问题的方式很多，比如当我们问百度：今天北京下雪了吗？这些问题都是问和天气相关的内容，通过搜索技术可能会给三种不同的答案。但从人类的思维看，答案只会是一个。所以智能机器人必须像人一样回答，达到能听会说、自然交互、有问必答的程度。这个过程就要求智能机器人通过1次或者2次交互，就能准确地理解。”

光有理解还不够。袁辉认为，还要从知识库中找到与问题相关的准确答案。一方面，知识库本身就需要大量的时间去积累。目前的搜索引擎都是依靠信息进行检测的，但关键词的检索所呈现出来的是信息的无序性和重复性。信息再往上就是知识，而知识则是唯一的、不重复的。“就像仓库里摆放整齐的东西，我给你问题之后，你可以迅速地找到答案。”他说，“另外，机器人的知识库要具备自我学习的能力。海量信息进来以后，进行大量的知识储备，需要长时间积累。”据他介绍，小i机器人10年用户超过1亿，有100亿次以上的交互，并应用于通信、金融、政府、电子商务、智能家电和汽车等行业，在商用领域有超过200多家商业用户，积累了庞大的行业知识库、百科知识库。

徐波也持类似的观点。他举例道：“siri的厉害之处就是集成了很多技术开发商和服务商。当用户询问一个问题时，它可以直接给出一个答案，而不是给出很多个搜索结果。这里面很大一部分是靠知识处理，链接到第三方的知识引擎和知识库，语音只是接口。”

在徐波看来，人机交互和人工智能走向融合，核心问题是能听、能看和能思考，其中思考是最主要的部分。思考最核心的又可以归结为自然语言理解，后者是共性的。解决了这个问题，才能真正能听、能看。



互联网技术提供新思路

互联网技术(搜索等)、大数据出现后，原来需要很深刻推理的东西，现在就可以比较容易地找出来。



然而，即使是siri这样优秀的人工智能应用，也仅仅只是达到了初级的智能水平。

记者试用过siri等语音产品，当询问这些语音应用类似“今天天气怎么样”时，我们可以得到所在地天气情况，但是当换成“下周二成都天气怎么样”这个问题时，机器的表现就会令人失望。这就是当前自然语言理解技术的尴尬。

徐波认为，学术界对自然语言理解研究多年，近些年并没有大的突破。传统的研究方式是在限定语境下作自然语言理解，例如订票的语境、查天气的语境等。应用的语音产品主要是设定了较多特定语境下的语言模板，响应用户的问话。用的人越多，设定的问答越多，模板越大，用户初用起来感觉会比较自然，但是稍复杂一些的问题，一般就解决不了了。如果换成另外一个用户用得很少的语境，机器更听不懂了。

“目前国内的自然语言理解一般知识颗粒度比较粗，问答式的和特定应用的是多数，经过三、四层推理还能够得到正确理解的应用没有，最多的是一步推理。”徐波表示，“模板类似于知识库，大规模知识库是自然语言理解的基础。传统的人工智能研究路径是研究人类的思维模式、对自然语言理解的模式，需要构建庞大的知识库。而这个库之庞大、包含的知识之多，又是任何一个研究团队都无法完成的任务。互联网技术(搜索等)、大数据出来后，要实现的技术路线改变了。原来需要很深刻推理的东西，现在有了互联网就可以比较容易地找出来，可能不需要推理就能得出结果。”

达到完全自然的人机交互需要很长过程，中间会有很长的过渡阶段。徐波又指出了另一种过渡路径，即仍遵循传统自然语言理解技术路径，换成机器发问、用户回答的模式，那么交互方式就不是完全自然，而是妥协了。用这种妥协的方式，需要主要解决的就变成语音识别问题，例如可以用于机器订票、汽车导航、家居控制等等。“但是，即使是机器主动发问的方式，也需要一个个领域的解决方案能很快移植，从而产业化，这同样是一个技术挑战。”



国内企业应抓住细分市场机会

国内中小企业应选择深入行业应用，避开与大公司直接竞争的锋芒，做细做深。



眼下，大腕级国际IT企业迅速跟进人工智能技术，正逐步将最新研究成果应用到各个领域。

IBM的沃森机器人能搜索和分析大量的非结构化数据，得出用户需要的结果。虽然沃森并没有一步步分析自然语言，但是给出的结果表明它做到了理解。在移动终端上，IBM也试图移植沃森系统。不过，这不是他们的重点，IBM更关注的是在各行业应用领域使用沃森。例如全美最大型的保健服务供货商WellPoint公司，就采用沃森所衍生的智能系统，透过从数百万的医疗记录、期刊文献和最新医学研究结果中，获取和患者症状匹配的资料来简化并加速医疗诊断。“IBM的这套系统应用在各领域，知识的颗粒度、精细程度都很高。”徐波评价。

谷歌的Voice Action和近期推出的知识图谱，都在不同层面上接近人工智能；微软的Kinect所代表的体感技术，同样是缩短人与机器距离的强大力量，Kinect结合的语音功能也在不断提升中。

解剖Siri的后台技术，我们会发现它不是某一种独立的技术，而是将若干现有技术进行了整合。包含了以Google为代表的网页搜索技术；以Wolfram Alpha为代表的知识搜索技术；以维基百科为代表的知识库技术；以Yelp(可以理解为国外的大众点评网)为代表的问答以及推荐技术。根据用户的请求调用最匹配的技术，给出结果。

反观国内的类siri应用，背后多数是小型公司运作。艾瑞咨询产研部分析师曹笛告诉《中国电子报》记者，对于类似siri语音助理的产品，需要强大的数据库和运营平台，来储存用户的资料、搜索答案、响应用户请求。中小型企业无法提供相应的服务，只有大型企业才能达到优质的量级。

袁辉表示：“如果未来百度、腾讯等国内巨头从不同的点切入，将面临着一场激烈的竞争。但其中的技术壁垒并不是一朝一夕能够攻克的，需要长期的技术积累和特定领域的专注。”

徐波认为，虽然大家跟风做类siri软件，但是涉足垂直领域深入人机交互解决方案的厂商还不多。例如中科院研发的在线语音翻译系统，小i机器人的客服机器人系统等等，都是选择深入行业应用，避开与大公司直接竞争的锋芒，做细做深。