“本文經(jīng)AI新媒體量子位(公眾號(hào) ID: QbitAI)授權(quán)轉(zhuǎn)載,轉(zhuǎn)載請(qǐng)聯(lián)系出處” 如果技術(shù)不能讓每個(gè)人無差別使用,,不能幫助人去適應(yīng)變化…… 這是程序員的恥辱,。 這就是阿里達(dá)摩院技術(shù)大牛、天貓精靈首席科學(xué)家,、程序員聶再清,,在被問及近期熱議話題時(shí)的表態(tài),。 最近,一則討論引發(fā)了兩種認(rèn)知的割裂,。 智能手機(jī)給多數(shù)人的生活帶來了種種便利,,但也有少數(shù)人被“落下”——許多老人不會(huì)用、不善用智能手機(jī),,沒有健康碼,,技術(shù)的快速鋪開,反而給他們的生活造成了一定困擾,。 于是問題來了:在這個(gè)科技日新月異的時(shí)代,,如果有人跟不上技術(shù)迭代的節(jié)奏,怎么辦,? 有人言辭激烈:科技倒逼人類進(jìn)步,,跟不上發(fā)展就要被淘汰,這是時(shí)代在懲罰不主動(dòng)學(xué)習(xí)的人,。 也有人堅(jiān)決反對(duì):技術(shù)的發(fā)展,,不應(yīng)該讓每個(gè)人能無差別使用嗎? 而阿里達(dá)摩院的大神程序員聶再清,,就是后者的堅(jiān)定支持者,。 作為前微軟亞洲研究院首席研究員、如今的阿里天貓精靈首席科學(xué)家,,聶再清當(dāng)前正在不斷推進(jìn)的正是新一代人機(jī)交互方式——AI語音交互,。 所以在他看來,讓所有人無差別使用最新技術(shù),,技術(shù)應(yīng)該幫助人去適應(yīng)變化,,是每一個(gè)程序員、工程師再正常不過的使命,。 當(dāng)然,,體現(xiàn)到他帶隊(duì)的最新技術(shù)和產(chǎn)品應(yīng)用中,聶再清也是這樣做的,。 技術(shù)應(yīng)該讓每個(gè)人能無差別使用7月5日,,天貓精靈剛好邁過三周年。 對(duì)于聶再清而言,,過去半年,,疫情改變了工作形態(tài),但沒有改變工作目標(biāo)——一種新的語音模組正在加快沖刺,。 每天清晨,,他習(xí)慣在自家小區(qū)400米一圈的院子里,跑到汗水浸透全身,,再回到家中,,與各種家用設(shè)備改裝的AI實(shí)驗(yàn)儀器為伴,。 而這新一代語音模組的關(guān)鍵算法,正是要實(shí)現(xiàn)云端一體化后,,讓不同用戶“無差別使用”,。 所以在剛過去的618消費(fèi)季中,雖然天貓精靈孵化的智能家居設(shè)備,,出現(xiàn)了100個(gè)千萬級(jí)銷售爆款,。 但讓聶再清最開心的一則新聞,則是這樣一則“社會(huì)新聞”——在杭州,,一位孫女為自己奶奶打造了無障礙的家,。 視頻中,這位70多歲的老人通過智能音箱,,語音操控家中的空調(diào),、窗簾、電視,。 這也是對(duì)聶再清團(tuán)隊(duì)持續(xù)“無差別實(shí)驗(yàn)”,,尤其是特殊疫情環(huán)境下堅(jiān)持的回報(bào)。 新冠疫情發(fā)生后,,聶再清和天貓精靈產(chǎn)品團(tuán)隊(duì)的“無差別實(shí)驗(yàn)”,,險(xiǎn)些面臨停擺。 首先,,天貓精靈自身對(duì)新算法的測試流程,,過去有大量外包設(shè)備廠商和測試員完成,新冠疫情導(dǎo)致2月基本無法復(fù)工,。 更困難的是,,預(yù)計(jì)要在618成為新品的掃地機(jī)、跑步機(jī),、按摩儀、水果榨汁機(jī),、集成灶等等智能設(shè)備,,正處在廠商與天貓精靈智能語音模組對(duì)接測試,即將量產(chǎn)的關(guān)鍵階段,。這些家電普遍運(yùn)行聲量偏大,,對(duì)智能語音識(shí)別頗有挑戰(zhàn)。 由于疫情影響,,人們也在家居環(huán)境中更高頻購買和使用這些產(chǎn)品,。讓技術(shù)的門檻持續(xù)降低,讓先進(jìn)科技能夠覆蓋到更多人群,。 這是天貓精靈三周年的目標(biāo)之一,,也是聶再清整個(gè)職業(yè)生涯,,希望以語音助手作為一個(gè)突破點(diǎn)去實(shí)現(xiàn)的“無差別”價(jià)值。 因?yàn)檎Z音對(duì)話,、眼神手勢(shì)交流,,無疑是更為自然的交互方式,這就在技術(shù)層面,,降低了用戶觸達(dá)前沿科技的門檻,,用更簡單的方式滿足人們的科技需求,讓科技普惠到更多人的生活,。 去年,,聶再清曾用業(yè)余時(shí)間打造了一個(gè)“爆款”,阿里反騷擾電話AI“二哈”,。 而這半年以來,,聶再清團(tuán)隊(duì)則投入精力,針對(duì)老人,、兒童這樣的弱勢(shì)群體,,嘗試進(jìn)一步擴(kuò)寬智能語音助手的“基站”覆蓋范圍,降低使用門檻,。 比如,,天貓精靈上線的方言功能,讓不會(huì)說普通話,、普通話不標(biāo)準(zhǔn)的老人也能方便地和語音助手交互,。甚至還能合成四川話語音,實(shí)現(xiàn)與老人的鄉(xiāng)音交流,。 一般來說,,一個(gè)智能產(chǎn)品的推出,往往會(huì)選擇先覆蓋最主流,、最具購買力的群體,。但這一次,聶再清團(tuán)隊(duì)卻是著重針對(duì)老人,、兒童的功能進(jìn)行了優(yōu)化,,背后的考量,與商業(yè)價(jià)值有關(guān),,卻也與商業(yè)價(jià)值無關(guān),。 聶再清認(rèn)為,智能音箱,,應(yīng)該是智能網(wǎng)時(shí)代的助手,,其實(shí)是第三代的互聯(lián)網(wǎng)。 他打了這樣一個(gè)比方,在移動(dòng)互聯(lián)網(wǎng)時(shí)代,,手機(jī)的通信依靠基站,,哪個(gè)地方有基站覆蓋,信號(hào)連上了,,這個(gè)地方的人就能夠享受到手機(jī)的服務(wù),。 而對(duì)于語音技術(shù)來說,能否發(fā)揮最大價(jià)值,,最終也是要看覆蓋多少人群,。 解決覆蓋人群的問題,就像是在建基站,。最終,,只有百分百的覆蓋,才能說,,智能語音真正成為了第三代互聯(lián)網(wǎng)助手,。 音素編碼上的語義理解單純站在技術(shù)的角度,聶再清說,,科研的出發(fā)點(diǎn)很簡單,,就是讓用戶在使用的過程中,感受到的是“人工智能”,,而非“人工智障”,。 核心需要解決的問題,就是如何讓數(shù)字世界里天貓精靈這樣的語音助手,,“聽懂”物理世界里用戶的需求,。 傳統(tǒng)的做法,分為三個(gè)階段: 首先,,把語音信號(hào)接入,,做語音識(shí)別,將語音轉(zhuǎn)化成文本,; 然后,,對(duì)文本進(jìn)行語義理解; 最后,,用抽取出關(guān)鍵詞,,在知識(shí)庫里做實(shí)體鏈接。 這樣的方法,,其實(shí)存在很多問題。比如,,一旦語音識(shí)別階段出現(xiàn)決策失誤,,在后續(xù)的流程中就沒有辦法糾正,就會(huì)影響到識(shí)別的精度,。 另外,,實(shí)體鏈接也是很大的挑戰(zhàn),。因?yàn)閷?shí)體的名字經(jīng)常是“反語言模型”的。比如說陳奕迅的《圣誕結(jié)》,,在正常的語言模型中,,就很容易被識(shí)別成“圣誕節(jié)”。 那么,,能不能不轉(zhuǎn)成文字,,直接根據(jù)語音做語義理解呢? 答案是,,可以,。聶再清介紹,語音語義一體化的關(guān)鍵,,在于音素,。 音素,是根據(jù)語音的自然屬性劃分出來的最小語音單位,,基于人的發(fā)音動(dòng)作來分析,,一個(gè)動(dòng)作構(gòu)成一個(gè)音素。 聶再清解釋,,比如輸入“l(fā)iangzhu”這個(gè)語音信號(hào),,通過聲學(xué)模型,就可以計(jì)算出一個(gè)音素后驗(yàn)矩陣,。在這個(gè)時(shí)候,,模型并不需要馬上判斷“l(fā)iangzhu”到底是指音樂里的“梁祝”,,還是建筑里的“梁柱”,,而是可以在音素后驗(yàn)的基礎(chǔ)上去做意圖分類、語義分類,。 這樣,,就避免了一步錯(cuò)步步錯(cuò)的情況。 也就是說,,基于音素,,語義理解、實(shí)體鏈接都可以放到一個(gè)統(tǒng)一的優(yōu)化模型中進(jìn)行優(yōu)化,。 這一成果發(fā)表在了ICASSP 2020上,。聶再清介紹,實(shí)驗(yàn)表明,,該方法在公開數(shù)據(jù)集上超越了此前的SOTA模型,,同時(shí)在天貓精靈上線解決了大概30%的語義實(shí)體鏈接錯(cuò)誤。 這就真正讓智能語音助手在“聽懂”人類的道路上更進(jìn)一步。 語音+眼神,,讓交互更自然而聶再清思考的另一個(gè)問題,,是如何讓新一代語音助手跟人們之間的交互更自然。 交互方式越自然,,學(xué)習(xí)成本就越低,,使用的門檻就越低,越能服務(wù)到更多的人,。 當(dāng)帶屏音箱越來越受到市場的認(rèn)可,,視覺技能點(diǎn)的點(diǎn)亮,就給智能語音助手帶來了更多可能性,。 比如,,多模態(tài)喚醒。 比起每次都要喊“天貓精靈”這樣的喚醒詞,,如果給智能音箱一個(gè)眼神,,它就能知道你是在跟它對(duì)話,那這樣的交互就更符合人們的習(xí)慣,,更加自然直接,。 聶再清介紹,這其中的難點(diǎn)在于,,智能音箱需要判斷一段語音到底是不是在跟它進(jìn)行對(duì)話,,如果反復(fù)出現(xiàn)誤喚醒,那就太“人工智障”了,。 于是,,他們采用了視覺 + 聲音 + 全雙工自然對(duì)話三管齊下的方式,來對(duì)“喚醒”這個(gè)動(dòng)作進(jìn)行優(yōu)化,。 并且,,這三個(gè)條件只要有兩項(xiàng)滿足,多模態(tài)喚醒就能夠?qū)崿F(xiàn),。也就是說,,即使是在無屏音箱上,這項(xiàng)技術(shù)也能讓對(duì)話更加自然,。 就像這樣:喚醒智能音箱,,要求它打開空調(diào)后,無需再次喚醒,,只要說“調(diào)到20度”,,語音助手就能結(jié)合上下文,判斷出這句指令是對(duì)它說的,。 云端一體化,,讓每個(gè)人都享受同樣智能從實(shí)驗(yàn)室到落地終端,,用戶最終的體驗(yàn)又是如何保證的呢? 天貓精靈產(chǎn)品部資深專家孫堯介紹說,,一方面,是針對(duì)特定用戶的樣本測試,。 比如,,老人可能存在語言能力退化、口音重的問題,,就需要定向采集相關(guān)的語料和錄音,,來提升老年人語音識(shí)別的準(zhǔn)確性。 另一方面,,則是聶再清提到的關(guān)鍵詞,,云端一體化。 依靠云端的能力,,就可以把硬件端的產(chǎn)品做到更便宜,,讓更多人用得起,但在智能體驗(yàn)上并不會(huì)有所損失,。 這樣的方式,,也降低了AI能力接入硬件的門檻。 去年,,天貓精靈就推出了AI語音模組,,把實(shí)現(xiàn)智能功能的一些設(shè)備集成到一個(gè)板子上。這樣,,電器廠商只要在產(chǎn)品中留出標(biāo)準(zhǔn)接口,,就能輕松把天貓精靈的AI能力接入到產(chǎn)品中。 就在疫情期間,,天貓精靈工程師們還用這樣的AI語音模組打造了一個(gè)有趣的“業(yè)余項(xiàng)目”—— 給園區(qū)里的電梯接入語音助手,。 他們把天貓精靈的智能模組抽出來,業(yè)余時(shí)間自己買電路板進(jìn)行了一番DIY,、離線算法優(yōu)化,,以便接入電梯。大概兩周時(shí)間,,這個(gè)方案就上線到了園區(qū)電梯里,,喊一聲“我要去XX樓”,電梯就能無接觸式完成操作,。 甚至還能更酷,。 孫堯介紹了這樣一個(gè)新的應(yīng)用場景:小區(qū)接入天貓精靈后,高層住戶只需在家中讓語音助手叫一下電梯,,語音助手就能幫你隔空“按”電梯,。 這樣換完鞋子出門時(shí),,電梯差不多也就到了。 科技的發(fā)展,,當(dāng)然會(huì)給人們的生活帶來改變,。但在這種變化之中,人們的習(xí)慣和技術(shù)本身也不應(yīng)該是對(duì)立的,。 聶再清表示:
即使是在改變的過程中,,技術(shù)也能夠輔助人們適應(yīng)變化,,而不是跟人對(duì)立起來,造成所謂的“淘汰”,。 做智能助手,,遵循的就是這樣的邏輯:用跟人一樣打交道的模式,為更多人提供前沿科技帶來的便利,。 聶再清還打了個(gè)比方:
千人千面的AI從端到端的口語理解,,到多模態(tài)的自然交互,聶再清也坦承,,從技術(shù)的角度上,,語音助手的進(jìn)步空間還很大。 談及語音交互的未來形態(tài),,聶再清描繪了這樣一個(gè)場景: 身處北京的你有一個(gè)智能音箱,,當(dāng)你飛到杭州出差,在另一臺(tái)設(shè)備上,,智能助手依然能一眼就認(rèn)出你,,按照你的習(xí)慣調(diào)出所有需求。 屆時(shí),,終端便只是一個(gè)載體,,而你的定制語音助手,將如影隨形,。 何時(shí)能夠?qū)崿F(xiàn),? 聶再清笑答:5年可以有,3年也是可以期待的,。 本文系網(wǎng)易新聞·網(wǎng)易號(hào)特色內(nèi)容激勵(lì)計(jì)劃簽約賬號(hào)【量子位】原創(chuàng)內(nèi)容,。 |
|