亚马逊的Alexa到底神奇在哪里(2)

所以Amazon选择了稳妥的从音箱品类进行升级，当然苹果也选择了从耳机进行升级。这就特别要注意，传统品类升级的时候一定要避免与其他品类的冲突，比如假设给Echo加上屏幕，用户会把这个品类看成音箱还是平板?我想Amazon更愿意用户把Echo看作为音箱，即便他们非常不情愿。

事实上，国内很多创业公司都在验证Amazon的眼光有多么独到，因为我们已经看到太多配置屏幕的机器人和智能音箱，甚至还有不少耳机产品。其销量为什么不好?为什么不换个角度想想，这种场景下，用户买个iPad Mini是不是会是更好的选择?

4当前阶段用户真的需要多轮对话?

Toni Reid的观点很明确，Alexa暂时不需要多轮对话，因为这会让早期用户的体验更糟糕。笔者也坚持这个观点，但是有几点是必须补充的。

首先来看，现在的语音交互实际上都是语音控制，确实这个阶段我们真的很难让计算机理解人类语言。在这个前提下，真正的多轮对话实际上很难做到，当前更多的是解决基于场景的搜索问题。当不能真正理解用户思想的时候，多出的对话若不能解决用户的需求，反而是用户极其反感的地方。简单想想，真正使用一个产品的时候，面对着冷冰冰的机器，难道让用户和机器沟通要比和女朋友沟通还要费劲吗?抱歉，即便作为用户，笔者也只是想要一个绝对听从于我指令的音箱而已，声智科技经常会测试各个厂商的Demo，但凡偶尔唤不醒或者一句没听懂我就挺恼火的。

其次来看，我们怎么理解多轮对话?Toni Reid提到不希望Alexa问到第三遍，这实际上还不是一个多轮对话的问题，而是问答反馈的问题。也就是说，真正的多轮对话可能不需要，但是问答反馈还是必须得，我们知道Echo由于没有了屏幕，先天丢失了用户交互过程中的反馈途径，这个时候语音的反馈就显得比较重要。但是这是一个很大的坑，到底该如何把握这种问答反馈，既让用户快速获取满意的答案，又能在模糊的时候通过一次问答来解决用户问题，我想这个方面真的需要仔细研究Echo，Echo的成功就是仔细思考和打磨了每个细节。

事实上，可以连续唤醒的单轮问答对话才是智能音箱的核心技术所在，简单可以理解为智能音箱的唤醒是第一优先级的，必须支持连续的无数次唤醒，做到有问必答，也就是说用户可以随时唤醒并且打断其他对话直接唤醒，而且必须保障唤醒率和虚警率，虚警率太高显然不行，这会让设备总是莫名其妙自动对话。当然，声智科技的这项技术当前还主要针对大客户定制，开发板暂时还不支持这项功能。

5深度学习真解决了语音交互问题?

这个问题实在不好解释了，引用微软首席研究员刘铁岩的一句话，顺便也推荐感兴趣的同学看看刘研究院所做的《人工智能的挑战与机遇》演讲，这给国内火热的人工智能泼了一盆冷水，但是我相信所有从事这个行业的技术人士都是有清晰认识的。

“所谓深度学习实验室，就是一批会调参的人，没有他们深度学习就没那么好用。虽然是句玩笑，但是深度学习要调的东西确实太多了，比如说训练数据怎么来，怎么选，如果是分布式运算怎么划分，神经网络结构怎么设计，10层、100层还是1000层，各层之间如何连接，模型更新的规则是什么，学习率怎么设，如果是分布式运算各个机器运算出来的结果怎么聚合，怎么得到统一的模型，等等，太多需要调的东西，一个地方调不好，结果可能就大相径庭。这就是为什么很多论文里的结果是不能重现的，不是说论文一定不对，但至少人家没有把怎么调参告诉你，他只告诉了你模型长什么样而已。”

那么，从上面几个问题继续引申，我们到底应该怎么看待持续火热的Alexa和Echo?国内公司该是怎样理解和思考人工智能，笔者拙见，也提几点个人的看法和建议，期望AI能在理性的环境中成长。AI是未来的趋势，创业者长期的事业，绝对不是一蹴而就的事情。

1 AI最大的问题是不懂人脑机制

上面也提到了深度学习的问题，我们大量的工作其实就是工程师所做的事情，不断调参优化，这是一个持续优化的过程，最终结果不可能是颠覆性的。因此，不能指望理论上所不能证明的事情，通过调优就能实现。

所以AI最大的问题还是会归结于最原始的哲学问题，人类的智慧是怎么来的? AI根本不懂人脑的机制，怎么超越人脑?这点就从笔者最熟悉的声学来看，这个领域为啥大家都不爱进入，甚至本科都不开设这个专业?甚至声智科技成立以前，很多大众媒体同学都不知道还有个中科院声学所。

因为声学100多年没有啥实质性理论突破了，虽然在水声领域我们国际上也很领先，但是和深度学习类似，我们也是在做大量实验和调优的工作，这就很难产生颠覆性的贡献。这么久没有理论上的突破必然会导致公众的遗忘，甚至再过百年都看不到诺贝奖的希望，谁还来搞呢?毕竟学子年轻的时候都充满了希望，但是怎么做到呢?

2 语音识别的最大瓶颈在于声学

前面提到，语音识别最大的落地还是在场景之中，这涉及了语音交互用户场景的变化，当用户从手机切换到类似Echo智能音箱或者机器人的时候，实际上麦克风面临的环境就完全变了，这就如同两个人窃窃私语和大声嘶喊的区别。

前几年，语音交互应用最为普遍的就是以Siri为代表的智能手机，这个场景一般都是采用单麦克风系统。单麦克风系统可以在低噪声、无混响、距离声源很近的情况下获得符合语音识别需求的声音信号。但是，若声源距离麦克风距离较远，并且真实环境存在大量的噪声、多径反射和混响，导致拾取信号的质量下降，这会严重影响语音识别率。而且，单麦克风接收的信号，是由多个声源和环境噪声叠加的，很难实现各个声源的分离。这样就无法实现声源定位和分离，这很重要，因为还有一类声音的叠加并非噪声，但是在语音识别中也要抑制，就是人声的干扰，语音识别显然不能同时识别两个以上的声音。

显然，当语音交互的场景过渡到以Echo、机器人或者汽车为主要场景的时候，单麦克风的局限就凸显出来。为了解决单麦克风的这些局限性，利用麦克风阵列进行语音处理的方法应时而生。麦克风阵列由一组按一定几何结构(常用线形、环形)摆放的麦克风组成，对采集的不同空间方向的声音信号进行空时处理，实现噪声抑制、混响去除、人声干扰抑制、声源测向、声源跟踪、阵列增益等功能，进而提高语音信号处理质量，以提高真实环境下的语音识别率。

但是仅靠麦克风阵列提供的这些技术还是不够的，这只能解决部分远场化的问题。事实上，真实场景下我们需要更复杂的识别技术，能不能不依赖于云端?能不能同时追踪和识别多个人讲话?能不能识别语调和情感?等等这些环节，都是急需要解决的问题?而很多技术的瓶颈就在于声学能否也有一个较大的突破。

3 语音助手核心在于场景和性格

（编辑：ASP站长网）