很多人可能使用過手機上帶的語音助手，比如Siri，常用的人大概可以感受到它確實越來越精準，但也還是不能盡如人意，現(xiàn)在我們來大致拆解下這樣的一種系統(tǒng)。
這種語音助手基本由以下三個部分構(gòu)成：
第一部分是語音識別，這相當于要求語音助手能精準地聽出來用戶在說什么，這部分的難點是要能適應各種嘈雜的環(huán)境，適應各種口音和方言等。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到了什么，還包含看到了什么，這就會牽涉到計算機視覺。
第二部分是語義識別，只是聽清還不夠，還要理解用戶到底想干什么，說的是什么意思。這部分在正常情況下也要負責關(guān)聯(lián)上下文進行會話，不能前言不搭后語。
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，因為精度不高就會導致這種語音助手顯得很傻，要說很多句話才能完成一個買東西這種本身并不太復雜的行為，一旦如此大家是不愿意用的。
為了達成第三部分中搜索變得更精準的目的，其實還有兩種技術(shù)會變得越來越重要，那就是根據(jù)人的歷史行為來對他進行畫像，比如你偏好川菜，有很好的消費能力等；也要能盡可能精確地感知到當前的情境，比如你在北京，天氣不錯等。這些都相當于為語音助手補足信息，否則單純地面對“給我來杯咖啡”這樣的請求，那么就一定會產(chǎn)生多輪的會話，而輪數(shù)越多，智能語音助手就會顯得越傻。只有知道這個人喜歡黑咖啡，常去星巴克，當前又在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)處理能力會為我們解決非常多的問題，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，人工智能在語音和圖像上已經(jīng)取得了階段性成果，但語義上暫時還看不到能徹底解決的跡象。
如圖
（1）語音識別。
這是一個最近幾年基本已經(jīng)被深度學習攻克的領域，只要花足夠的錢，識別精確度甚至可以達到99％。在語音識別這種領域，最后幾個點精度的提升很可能比前面達成90％的精度還要費勁，但最后這幾個點的精度往往正是跨越能用和不能用的關(guān)鍵。沒有深度學習之前，人們已經(jīng)嘗試攻克語音識別很多年，一般來講1952年貝爾實驗室研究的第一個能識別10個英文數(shù)字發(fā)音的語音識別系統(tǒng)被認為是語音識別的起點，這樣算起來人類已經(jīng)在這件事上努力了60多年。隨后人們在20世紀70年代搞定了小詞匯量的語音識別，在80年代搞定了大詞匯量的語音識別，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當年都曾經(jīng)嘗試把這項技術(shù)應用起來，但顯然沒什么效果，好多人甚至不記得它們干過這件事情。深度學習應用于語音識別后，事情有了根本性的變化，現(xiàn)在只要有足夠的數(shù)據(jù)進行訓練，大多數(shù)公司自己都可以訓練出足夠精確的語音識別模型。這項技術(shù)基本上要貨品化了，越來越可以認為這是一種不要特別多的投入就可以搞定的技術(shù)。
（2）圖像識別。
這也可以認為是一個基本已經(jīng)被攻克的領域，但實現(xiàn)起來比語音要費勁一些。圖像識別比語音識別要麻煩，因為語音識別的對象總是各種有限的語言。但圖像里人臉和貓的識別在具體實現(xiàn)上還不能用一個通用的方法來處理。當前的狀態(tài)是如果選定一個點比如人臉識別，砸入幾十個PhD、幾百塊GPU，還能找到落地點不斷獲得數(shù)據(jù)，那么花個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辦法一下子就覆蓋到其他領域，比如人臉就不能很容易地遷移到貓臉上，只能一個點一個點來搞定。像人臉這種領域因為有切實的落地場景（銀行等），所以一下子就發(fā)展起來了，其他的領域要想都達到同樣的水平，還需要一點時間。
（3）語義理解。
和語音識別與圖像識別不一樣，語義理解處在一種基本沒搞定的狀態(tài)。我們看演示的時候時常能看到一個機器人或智能型產(chǎn)品與人進行流暢的交流。達到這種狀態(tài)有兩種可能：一種是作弊，后面放了個人，屬于人工的人工智能；另一種是對話被限定在特定的場景下，比如在汽車里打電話，讓地圖導航等。語義理解的難度與所要處理的概念數(shù)有關(guān)，當要處理的概念數(shù)在幾千個以下的時候，針對特定場景按照基于規(guī)則的方式還是可能搞定的，會做得比較流暢。但是一旦這個范圍擴大到整個社會生活，那么最多也就是Google Now和Siri那個樣子。與這點密切相關(guān)的應用，一個是各種智能語音助手在對話時的智能程度，另一個則是翻譯。
（4）數(shù)據(jù)挖掘。
由于這個點往往是面向企業(yè)的業(yè)務，所以大眾會比較陌生，但其實在美國這是落地最多的方向。這個方向的狀態(tài)和圖像有點像，在每一個垂直的方向都可以優(yōu)化出很有用的系統(tǒng)，但沒辦法做出通用的系統(tǒng)。比如有的公司會根據(jù)醫(yī)療診斷數(shù)據(jù)以及你的財務狀況直接提供性價比最高的治療方案，但這樣的系統(tǒng)就不能擴展用來做金融欺詐檢測。這個方向其實比上面所有的方向都更能吸引投資，因為它的收益往往更加直接。換個視角，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備能量，一旦它成熟到一定程度，并接入某個終端比如亞馬遜的Echo，那么Echo的力量就會瞬間增強。圖4－1是到2015年年底風險投資在各個與人工智能相關(guān)領域的投資分布統(tǒng)計，看了之后，我們會驚訝地發(fā)現(xiàn)最主要的投資確實是落在企業(yè)和行業(yè)應用（下圖中標為黃色的領域）這些我們不太關(guān)注的領域里，這可以從側(cè)面證明這個領域確實是整個人工智能圖譜中成熟度最高的。
這也就意味著當前非語義識別的領域已經(jīng)接近成熟，但語義識別上離成熟還比較有距離，非常多的對話程序依賴于規(guī)則匹配，也就是說查關(guān)鍵詞來確定你到底要的是什么，這種方式解決開燈、關(guān)燈這類需求是可以的，解決幫我訂杯咖啡就有點難，解決我想看趙本山2011年的小品就基本搞不定了。
所以說一般的認識是人類暫時還做不出來通用型的語義理解、對話系統(tǒng)，只能在特定場景下進行優(yōu)化，比如車里面放音樂、打電話。如果場景變大，比如一個視頻網(wǎng)站的所有內(nèi)容，那就需要針對這個場景建立知識圖譜，用這種方式就有可能建立特定場景的精確對話系統(tǒng)。如果我們把問題劃分為一般人能搞定的問題、牛人能搞定的問題、頂尖科學家能搞定的問題、沒人能搞定的問題，那么這個領域?qū)儆陧敿饪茖W家能部分搞定的問題，如果非要歸類的話則必須歸在沒人能搞定的那一類問題里。
假設上述問題搞定了，我們真的如愿做出了某種小機器人，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，再也沒反應了，這時候體驗無疑也會很差。這個問題背后隱含了人工智能的第二個難點，這個難點和上面的純技術(shù)有點不一樣，它牽涉到硬件。
這個難點可以簡單總結(jié)為終端上的計算速度和智能問題。深度學習通常需要大的基于GPU的計算能力和非常多的數(shù)據(jù)。一旦需要放到小的終端上，比如一個攝像頭或者小機器人上，那就會因為計算能力不夠而產(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器學習的芯片，如果這種東西出現(xiàn)，那么無疑會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質(zhì)上不可能解決深度學習在終端上跑的問題。形象地講，如果上述現(xiàn)象成為可能，則會違背能量守恒定律，本來那么多GPU耗費很多電量跑下來才能搞定的問題，怎么可能用一小塊芯片搞定。這種芯片實質(zhì)上在做的東西更像是小型化的GPU，這種小型化其實是極有價值的，它確實可以讓某些依賴于端的算法跑得更好。與此完全對立的另一種思路則是不用深度學習，而起用只需要少量數(shù)據(jù)的學習方法，這在語音識別上也有人在嘗試。
上面說的這個難點對于有些人工智能落地產(chǎn)品而言并非什么大問題，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，因為這種應用只會在限定場合發(fā)生，網(wǎng)絡條件是可以確保的，所以完全可以依賴于當前的深度學習方法獲得更好的結(jié)果。但必須連接網(wǎng)絡這一條件對于機器人、無人機這類所處位置不確定的產(chǎn)品就會造成比較大的障礙，在這些場景下當下的網(wǎng)絡環(huán)境還無法保證時時暢通的連接，以支持連接到云端進行處理的要求。
如果不連網(wǎng)，就一點智能沒有，那么機器人這類位置不固定的人工智能應用產(chǎn)品就很可能被卡住。遺憾的是，現(xiàn)在還比較難以揣測究竟什么時候能徹底解決上述兩個問題，關(guān)鍵就在于人工智能仍然還沒走完自己從0到1的過程，仍然處在一種盲人摸象的狀態(tài)。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
