很多人可能使用過(guò)手機(jī)上帶的語(yǔ)音助手，比如Siri，常用的人大概可以感受到它確實(shí)越來(lái)越精準(zhǔn)，但也還是不能盡如人意，現(xiàn)在我們來(lái)大致拆解下這樣的一種系統(tǒng)。

這種語(yǔ)音助手基本由以下三個(gè)部分構(gòu)成：

第一部分是語(yǔ)音識(shí)別，這相當(dāng)于要求語(yǔ)音助手能精準(zhǔn)地聽(tīng)出來(lái)用戶在說(shuō)什么，這部分的難點(diǎn)是要能適應(yīng)各種嘈雜的環(huán)境，適應(yīng)各種口音和方言等。如果安裝了攝像頭，那么這種助手獲取信息的渠道就不只是聽(tīng)到了什么，還包含看到了什么，這就會(huì)牽涉到計(jì)算機(jī)視覺(jué)。

第二部分是語(yǔ)義識(shí)別，只是聽(tīng)清還不夠，還要理解用戶到底想干什么，說(shuō)的是什么意思。這部分在正常情況下也要負(fù)責(zé)關(guān)聯(lián)上下文進(jìn)行會(huì)話，不能前言不搭后語(yǔ)。

第三部分則是信息獲取，這和傳統(tǒng)搜索比較相似，但要求有更高的精度，因?yàn)榫炔桓呔蜁?huì)導(dǎo)致這種語(yǔ)音助手顯得很傻，要說(shuō)很多句話才能完成一個(gè)買東西這種本身并不太復(fù)雜的行為，一旦如此大家是不愿意用的。

為了達(dá)成第三部分中搜索變得更精準(zhǔn)的目的，其實(shí)還有兩種技術(shù)會(huì)變得越來(lái)越重要，那就是根據(jù)人的歷史行為來(lái)對(duì)他進(jìn)行畫像，比如你偏好川菜，有很好的消費(fèi)能力等；也要能盡可能精確地感知到當(dāng)前的情境，比如你在北京，天氣不錯(cuò)等。這些都相當(dāng)于為語(yǔ)音助手補(bǔ)足信息，否則單純地面對(duì)“給我來(lái)杯咖啡”這樣的請(qǐng)求，那么就一定會(huì)產(chǎn)生多輪的會(huì)話，而輪數(shù)越多，智能語(yǔ)音助手就會(huì)顯得越傻。只有知道這個(gè)人喜歡黑咖啡，常去星巴克，當(dāng)前又在798，那才可能一次給出答案，展現(xiàn)出比用觸屏或者鼠標(biāo)還高的效率。

這樣的技術(shù)結(jié)合起后端的數(shù)據(jù)處理能力會(huì)為我們解決非常多的問(wèn)題，那么相關(guān)的各種技術(shù)到底發(fā)展到了怎樣的一種程度呢？截至2016年3月，人工智能在語(yǔ)音和圖像上已經(jīng)取得了階段性成果，但語(yǔ)義上暫時(shí)還看不到能徹底解決的跡象。

這是一個(gè)最近幾年基本已經(jīng)被深度學(xué)習(xí)攻克的領(lǐng)域，只要花足夠的錢，識(shí)別精確度甚至可以達(dá)到99％。在語(yǔ)音識(shí)別這種領(lǐng)域，最后幾個(gè)點(diǎn)精度的提升很可能比前面達(dá)成90％的精度還要費(fèi)勁，但最后這幾個(gè)點(diǎn)的精度往往正是跨越能用和不能用的關(guān)鍵。沒(méi)有深度學(xué)習(xí)之前，人們已經(jīng)嘗試攻克語(yǔ)音識(shí)別很多年，一般來(lái)講1952年貝爾實(shí)驗(yàn)室研究的第一個(gè)能識(shí)別10個(gè)英文數(shù)字發(fā)音的語(yǔ)音識(shí)別系統(tǒng)被認(rèn)為是語(yǔ)音識(shí)別的起點(diǎn)，這樣算起來(lái)人類已經(jīng)在這件事上努力了60多年。隨后人們?cè)?0世紀(jì)70年代搞定了小詞匯量的語(yǔ)音識(shí)別，在80年代搞定了大詞匯量的語(yǔ)音識(shí)別，然后精度就卡在那里了，大概在85％徘徊，一卡就接近30年。微軟、IBM當(dāng)年都曾經(jīng)嘗試把這項(xiàng)技術(shù)應(yīng)用起來(lái)，但顯然沒(méi)什么效果，好多人甚至不記得它們干過(guò)這件事情。深度學(xué)習(xí)應(yīng)用于語(yǔ)音識(shí)別后，事情有了根本性的變化，現(xiàn)在只要有足夠的數(shù)據(jù)進(jìn)行訓(xùn)練，大多數(shù)公司自己都可以訓(xùn)練出足夠精確的語(yǔ)音識(shí)別模型。這項(xiàng)技術(shù)基本上要貨品化了，越來(lái)越可以認(rèn)為這是一種不要特別多的投入就可以搞定的技術(shù)。

這也可以認(rèn)為是一個(gè)基本已經(jīng)被攻克的領(lǐng)域，但實(shí)現(xiàn)起來(lái)比語(yǔ)音要費(fèi)勁一些。圖像識(shí)別比語(yǔ)音識(shí)別要麻煩，因?yàn)檎Z(yǔ)音識(shí)別的對(duì)象總是各種有限的語(yǔ)言。但圖像里人臉和貓的識(shí)別在具體實(shí)現(xiàn)上還不能用一個(gè)通用的方法來(lái)處理。當(dāng)前的狀態(tài)是如果選定一個(gè)點(diǎn)比如人臉識(shí)別，砸入幾十個(gè)PhD、幾百塊GPU，還能找到落地點(diǎn)不斷獲得數(shù)據(jù)，那么花個(gè)一兩年就可以做到非常高的精度（99％以上），但這種精度眼下還沒(méi)辦法一下子就覆蓋到其他領(lǐng)域，比如人臉就不能很容易地遷移到貓臉上，只能一個(gè)點(diǎn)一個(gè)點(diǎn)來(lái)搞定。像人臉這種領(lǐng)域因?yàn)橛星袑?shí)的落地場(chǎng)景（銀行等），所以一下子就發(fā)展起來(lái)了，其他的領(lǐng)域要想都達(dá)到同樣的水平，還需要一點(diǎn)時(shí)間。

和語(yǔ)音識(shí)別與圖像識(shí)別不一樣，語(yǔ)義理解處在一種基本沒(méi)搞定的狀態(tài)。我們看演示的時(shí)候時(shí)常能看到一個(gè)機(jī)器人或智能型產(chǎn)品與人進(jìn)行流暢的交流。達(dá)到這種狀態(tài)有兩種可能：一種是作弊，后面放了個(gè)人，屬于人工的人工智能；另一種是對(duì)話被限定在特定的場(chǎng)景下，比如在汽車?yán)锎螂娫?，讓地圖導(dǎo)航等。語(yǔ)義理解的難度與所要處理的概念數(shù)有關(guān)，當(dāng)要處理的概念數(shù)在幾千個(gè)以下的時(shí)候，針對(duì)特定場(chǎng)景按照基于規(guī)則的方式還是可能搞定的，會(huì)做得比較流暢。但是一旦這個(gè)范圍擴(kuò)大到整個(gè)社會(huì)生活，那么最多也就是Google Now和Siri那個(gè)樣子。與這點(diǎn)密切相關(guān)的應(yīng)用，一個(gè)是各種智能語(yǔ)音助手在對(duì)話時(shí)的智能程度，另一個(gè)則是翻譯。

由于這個(gè)點(diǎn)往往是面向企業(yè)的業(yè)務(wù)，所以大眾會(huì)比較陌生，但其實(shí)在美國(guó)這是落地最多的方向。這個(gè)方向的狀態(tài)和圖像有點(diǎn)像，在每一個(gè)垂直的方向都可以優(yōu)化出很有用的系統(tǒng)，但沒(méi)辦法做出通用的系統(tǒng)。比如有的公司會(huì)根據(jù)醫(yī)療診斷數(shù)據(jù)以及你的財(cái)務(wù)狀況直接提供性價(jià)比最高的治療方案，但這樣的系統(tǒng)就不能擴(kuò)展用來(lái)做金融欺詐檢測(cè)。這個(gè)方向其實(shí)比上面所有的方向都更能吸引投資，因?yàn)樗氖找嫱又苯?。換個(gè)視角，這種后端數(shù)據(jù)整合工作也可以看成是在為前端的智能助手等儲(chǔ)備能量，一旦它成熟到一定程度，并接入某個(gè)終端比如亞馬遜的Echo，那么Echo的力量就會(huì)瞬間增強(qiáng)。圖4－1是到2015年年底風(fēng)險(xiǎn)投資在各個(gè)與人工智能相關(guān)領(lǐng)域的投資分布統(tǒng)計(jì)，看了之后，我們會(huì)驚訝地發(fā)現(xiàn)最主要的投資確實(shí)是落在企業(yè)和行業(yè)應(yīng)用（下圖中標(biāo)為黃色的領(lǐng)域）這些我們不太關(guān)注的領(lǐng)域里，這可以從側(cè)面證明這個(gè)領(lǐng)域確實(shí)是整個(gè)人工智能圖譜中成熟度最高的。

這也就意味著當(dāng)前非語(yǔ)義識(shí)別的領(lǐng)域已經(jīng)接近成熟，但語(yǔ)義識(shí)別上離成熟還比較有距離，非常多的對(duì)話程序依賴于規(guī)則匹配，也就是說(shuō)查關(guān)鍵詞來(lái)確定你到底要的是什么，這種方式解決開(kāi)燈、關(guān)燈這類需求是可以的，解決幫我訂杯咖啡就有點(diǎn)難，解決我想看趙本山2011年的小品就基本搞不定了。

所以說(shuō)一般的認(rèn)識(shí)是人類暫時(shí)還做不出來(lái)通用型的語(yǔ)義理解、對(duì)話系統(tǒng)，只能在特定場(chǎng)景下進(jìn)行優(yōu)化，比如車?yán)锩娣乓魳?lè)、打電話。如果場(chǎng)景變大，比如一個(gè)視頻網(wǎng)站的所有內(nèi)容，那就需要針對(duì)這個(gè)場(chǎng)景建立知識(shí)圖譜，用這種方式就有可能建立特定場(chǎng)景的精確對(duì)話系統(tǒng)。如果我們把問(wèn)題劃分為一般人能搞定的問(wèn)題、牛人能搞定的問(wèn)題、頂尖科學(xué)家能搞定的問(wèn)題、沒(méi)人能搞定的問(wèn)題，那么這個(gè)領(lǐng)域?qū)儆陧敿饪茖W(xué)家能部分搞定的問(wèn)題，如果非要?dú)w類的話則必須歸在沒(méi)人能搞定的那一類問(wèn)題里。

假設(shè)上述問(wèn)題搞定了，我們真的如愿做出了某種小機(jī)器人，人類很喜歡它，走到哪里都帶著，但突然有一天把它帶到九寨溝，它就像死了一樣，再也沒(méi)反應(yīng)了，這時(shí)候體驗(yàn)無(wú)疑也會(huì)很差。這個(gè)問(wèn)題背后隱含了人工智能的第二個(gè)難點(diǎn)，這個(gè)難點(diǎn)和上面的純技術(shù)有點(diǎn)不一樣，它牽涉到硬件。

這個(gè)難點(diǎn)可以簡(jiǎn)單總結(jié)為終端上的計(jì)算速度和智能問(wèn)題。深度學(xué)習(xí)通常需要大的基于GPU的計(jì)算能力和非常多的數(shù)據(jù)。一旦需要放到小的終端上，比如一個(gè)攝像頭或者小機(jī)器人上，那就會(huì)因?yàn)橛?jì)算能力不夠而產(chǎn)生麻煩。有的公司現(xiàn)在嘗試做一種可以在小的終端上跑機(jī)器學(xué)習(xí)的芯片，如果這種東西出現(xiàn)，那么無(wú)疑會(huì)讓人工智能和智能硬件的結(jié)合更加容易，但是單靠一塊芯片實(shí)質(zhì)上不可能解決深度學(xué)習(xí)在終端上跑的問(wèn)題。形象地講，如果上述現(xiàn)象成為可能，則會(huì)違背能量守恒定律，本來(lái)那么多GPU耗費(fèi)很多電量跑下來(lái)才能搞定的問(wèn)題，怎么可能用一小塊芯片搞定。這種芯片實(shí)質(zhì)上在做的東西更像是小型化的GPU，這種小型化其實(shí)是極有價(jià)值的，它確實(shí)可以讓某些依賴于端的算法跑得更好。與此完全對(duì)立的另一種思路則是不用深度學(xué)習(xí)，而起用只需要少量數(shù)據(jù)的學(xué)習(xí)方法，這在語(yǔ)音識(shí)別上也有人在嘗試。

上面說(shuō)的這個(gè)難點(diǎn)對(duì)于有些人工智能落地產(chǎn)品而言并非什么大問(wèn)題，比如IBM沃森系統(tǒng)，這種系統(tǒng)整合醫(yī)療數(shù)據(jù)，給醫(yī)生提供診療意見(jiàn)，因?yàn)檫@種應(yīng)用只會(huì)在限定場(chǎng)合發(fā)生，網(wǎng)絡(luò)條件是可以確保的，所以完全可以依賴于當(dāng)前的深度學(xué)習(xí)方法獲得更好的結(jié)果。但必須連接網(wǎng)絡(luò)這一條件對(duì)于機(jī)器人、無(wú)人機(jī)這類所處位置不確定的產(chǎn)品就會(huì)造成比較大的障礙，在這些場(chǎng)景下當(dāng)下的網(wǎng)絡(luò)環(huán)境還無(wú)法保證時(shí)時(shí)暢通的連接，以支持連接到云端進(jìn)行處理的要求。

如果不連網(wǎng)，就一點(diǎn)智能沒(méi)有，那么機(jī)器人這類位置不固定的人工智能應(yīng)用產(chǎn)品就很可能被卡住。遺憾的是，現(xiàn)在還比較難以揣測(cè)究竟什么時(shí)候能徹底解決上述兩個(gè)問(wèn)題，關(guān)鍵就在于人工智能仍然還沒(méi)走完自己從0到1的過(guò)程，仍然處在一種盲人摸象的狀態(tài)。