扎克伯格日前公開(kāi)了他自己打造的 AI 管家，從演示結(jié)果看，其語(yǔ)音識(shí)別功能差強(qiáng)人意，而語(yǔ)音識(shí)別技術(shù)卻在今年各大公司報(bào)道中屢次取得突破，是當(dāng)前 AI 發(fā)展代表領(lǐng)域之一。這就涉及到一個(gè)深層次的問(wèn)題：本次 AI 熱潮起于深度學(xué)習(xí)的突破，但真要想創(chuàng)造價(jià)值并不能停步在深度學(xué)習(xí)技術(shù)本身——AI創(chuàng)造價(jià)值的鏈條比較長(zhǎng)，必須打破軟硬的邊界，補(bǔ)全整個(gè)鏈條，價(jià)值才會(huì)體現(xiàn)出來(lái)。

近來(lái)扎克伯格向記者公開(kāi)演示了他 2016 年的作品，一個(gè)類似 Jarvis 的人工智能助手，從記者的描述來(lái)看，這人工智能助手大部分時(shí)候還比較不錯(cuò)，但在語(yǔ)音交互環(huán)節(jié)則不太理想，對(duì)此騰訊科技做了如下報(bào)道：

扎克伯格還建立了響應(yīng)語(yǔ)音指令的系統(tǒng)，并通過(guò)定制iOS應(yīng)用控制。但這部分展示不太理想，他重復(fù)了四次指令才讓系統(tǒng)弄明白：天黑前不要開(kāi)燈。扎克伯格略顯尷尬地說(shuō)：“喔，這應(yīng)該是它最失敗的表現(xiàn)了！”。不過(guò)，Jarvis播放音樂(lè)的展示還算成功。扎克伯格下令：“給我們放段音樂(lè)吧！”幾秒鐘后，大衛(wèi)·庫(kù)塔（David Guetta）的《Would I Lie to You》 開(kāi)始通過(guò)客廳揚(yáng)聲器響起來(lái)。他說(shuō)了兩次“把音量調(diào)高”后，系統(tǒng)照做無(wú)誤。最后，他同樣說(shuō)了兩次才讓系統(tǒng)停止播放。

這非常有意思，因?yàn)閺男侣剚?lái)看“天黑前不要開(kāi)燈”和“把音量調(diào)高”的失誤顯然都不是命令理解（語(yǔ)義）上有問(wèn)題，否則你說(shuō)八百遍 Jarvis 該不好使還是不好使。如果不是語(yǔ)義的問(wèn)題，那顯然就會(huì)和各大公司所宣稱的已經(jīng)被解決的問(wèn)題——語(yǔ)音識(shí)別有關(guān)。

標(biāo)準(zhǔn)環(huán)境解決≠真實(shí)效果好

關(guān)于語(yǔ)音識(shí)別的精度今年官方的報(bào)道一般是這樣的：

11月21日到23日，搜狗、百度和科大訊飛三家公司接連召開(kāi)了三場(chǎng)發(fā)布會(huì)向外界展示了自己在語(yǔ)音識(shí)別和機(jī)器翻譯等方面的最新進(jìn)展。值得注意的是，這三家公司幾乎在同一時(shí)段宣布了各自中文語(yǔ)音識(shí)別準(zhǔn)確率達(dá)到了97%。

類似的報(bào)道也會(huì)發(fā)生在微軟等的身上，我們假設(shè)Facebook做的不是太差，水平也與此類似達(dá)到97%的準(zhǔn)確率。97%的具體含義是100個(gè)單詞上只有3個(gè)錯(cuò)誤（刪除、被替換、被插入），那么問(wèn)題就來(lái)了，如果真實(shí)環(huán)境里真的達(dá)到了這個(gè)精度，那么小扎的演示絕對(duì)不應(yīng)該是上面這個(gè)樣子。

那問(wèn)題出在那里？

關(guān)鍵問(wèn)題并不復(fù)雜，扎克伯格用手機(jī)當(dāng)做家庭里的終端，這樣距離稍微一遠(yuǎn)，環(huán)境稍微嘈雜一點(diǎn)，那再好的手機(jī)也沒(méi)辦法幫Jarvis聽(tīng)清楚你在說(shuō)什么。手機(jī)本身是設(shè)計(jì)給近場(chǎng)用的，手機(jī)上的語(yǔ)音識(shí)別基本也是給近場(chǎng)優(yōu)化過(guò)的，怎么也不能彌補(bǔ)遠(yuǎn)場(chǎng)上帶來(lái)的不適應(yīng)。

扎克伯格對(duì)此非常坦誠(chéng)，他在博客這么寫(xiě)道：

In the case of Jarvis, training an AI that you'll talk to at close range is also different from training a system you'll talk to from all the way across the room, like Echo. These systems are more specialized than it appears, and that implies we are further off from having general systems than it might seem.（原文：

https://www.facebook.com/notes/mark-zuckerberg/building-jarvis/10154361492931634/）

上面這段英文簡(jiǎn)單來(lái)講就是，語(yǔ)音識(shí)別更多時(shí)候是專門(mén)場(chǎng)景下好用，想做一個(gè)萬(wàn)能的版本仍然還很遙遠(yuǎn)。語(yǔ)音識(shí)別只能做限定場(chǎng)景的最佳。

但事實(shí)上扎克伯格仍然只認(rèn)識(shí)到了部分問(wèn)題，因?yàn)閱渭兛扛纳普Z(yǔ)音識(shí)別比如做一個(gè)匹配遠(yuǎn)場(chǎng)的版本也還是解決不了他遇到的問(wèn)題（上面說(shuō)的重復(fù)指示幾次系統(tǒng)才起作用問(wèn)題）。我們可以注意到開(kāi)始播放音樂(lè)之后，報(bào)道中提到的兩條命令都需要重復(fù)兩次，這很可能是音樂(lè)自身對(duì)語(yǔ)音識(shí)別形成了干擾，這種情形下單純的優(yōu)化語(yǔ)音識(shí)別（不管遠(yuǎn)場(chǎng)還是近場(chǎng)）是解決不了問(wèn)題的。

扎克伯格接下來(lái)的路

如果扎克伯格不放棄這事，而是持續(xù)對(duì)此進(jìn)行改善，那下面會(huì)發(fā)生什么？他可能會(huì)掉到坑里面。他用了150小時(shí)做到上面那程度，但很可能再花1500小時(shí)，效果并沒(méi)有實(shí)質(zhì)性改善。

整個(gè)語(yǔ)音交互事實(shí)上依賴于三層：聲學(xué)的信號(hào)處理（麥克風(fēng)陣列+聲學(xué)算法），語(yǔ)音識(shí)別（SR），自然語(yǔ)言理解（NLU）。扎克伯格演示時(shí)的問(wèn)題核心原因不在于自然語(yǔ)言理解（語(yǔ)義），而在于聲學(xué)與語(yǔ)音識(shí)別。聲學(xué)和語(yǔ)音識(shí)別的關(guān)系可以大致類比成耳朵和大腦，如果聲學(xué)部分的信號(hào)很差，那相當(dāng)于耳朵不好使，基本語(yǔ)音識(shí)別的算法再怎么好也不可能把命令是什么弄清楚。

扎克伯格如果要優(yōu)化效果，那么基本方法有下面幾類：

一種可能是扎克伯格覺(jué)得真實(shí)場(chǎng)景下的信號(hào)優(yōu)化（聲學(xué)、硬件等）也沒(méi)什么，找?guī)讉€(gè)人做做就完了，如果這么想 Facebook 可能會(huì)自己組建個(gè)硬件、聲學(xué)團(tuán)隊(duì)來(lái)做Echo Dot那樣的終端。但這么做很可能短期就不會(huì)有下次演示了。因?yàn)樽屨Z(yǔ)音識(shí)別匹配前端聲學(xué)信號(hào)是容易的，但反過(guò)來(lái)讓牽涉硬件和物理的聲學(xué)來(lái)適應(yīng)語(yǔ)音識(shí)別則基本會(huì)做掛。而在互聯(lián)網(wǎng)公司里通常后端偏算法的勢(shì)力會(huì)大，所以很容易走到前面那條路上去（這事情國(guó)內(nèi)至少做掛了兩撥人了）。國(guó)內(nèi)的大公司很容易走上這條路，但從分工習(xí)慣來(lái)看，國(guó)外公司更愿意在技術(shù)棧上卡住特定位置，非自己核心的部分會(huì)更愿意開(kāi)放給其它人，所以扎克伯格這么干的可能性不高，除非他覺(jué)得自己也得搞Amazon Echo那種產(chǎn)品了。

一種可能是扎克伯格和深度學(xué)習(xí)科學(xué)家思路一致，認(rèn)為所有東西都可以通過(guò)深度學(xué)習(xí)在云端算法層面來(lái)解決。這種思路下，就會(huì)通過(guò)深度學(xué)習(xí)來(lái)做降噪等信號(hào)層面的工作，用算法挑戰(zhàn)各種物理層面的問(wèn)題。如果走上這條路，那估計(jì)短期也不會(huì)有下次演示了，因?yàn)樗龅降膯?wèn)題并非單純的降噪問(wèn)題，回聲抵消、Beamforming、降噪、聲源定向這些東西是關(guān)聯(lián)在一起的，指望深度學(xué)習(xí)短期突破這些問(wèn)題更像科研上的一種設(shè)想而非工程上的一種實(shí)踐?！霸O(shè)想”是說(shuō)可以成為一種探索的思路，但結(jié)果完全沒(méi)譜，高度不確定，相當(dāng)于把不確定性引入產(chǎn)品開(kāi)發(fā)之中。

一種可能是扎克伯格走下一步的時(shí)候想的很清楚，知道自己這類公司的能力邊界，因此把這部分開(kāi)放出去，讓專業(yè)的人做專業(yè)的事。物理的事情歸物理，算法的事情歸算法，這樣的話就會(huì)滿世界找聲學(xué)和遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別供貨商，但這反倒是最快的一種方式。

不知道扎克伯格具體會(huì)走那條路，如果是最后一種，我們聲智科技這樣的公司應(yīng)該會(huì)很快收到消息。

打破原子與比特的邊界

扎克伯格這件事情事實(shí)上也提供了一個(gè)跳出來(lái)看AI的機(jī)會(huì)。

下圖是 Jarvis 的系統(tǒng)架構(gòu)圖：

一般來(lái)講，從產(chǎn)品體驗(yàn)上可以看出技術(shù)水平，從架構(gòu)圖則可以看出來(lái)認(rèn)知上的差異。

根據(jù)上圖，顯然在扎克伯格這里 Jarvis 被理解成了一個(gè)命令控制型的系統(tǒng)，但感知這環(huán)節(jié)被忽略了，盡管扎克伯格自己在文章里也提到感知上下文是非常關(guān)鍵的一個(gè)環(huán)節(jié)（Understanding context is important for any AI）。

這種理解在互聯(lián)網(wǎng)企業(yè)那里很可能非常有代表性，但問(wèn)題就在于感知恰恰是打造一個(gè)初級(jí)的Jarvis這樣的系統(tǒng)時(shí)最難的環(huán)節(jié)。因?yàn)楦兄偸且虼┰雍捅忍氐倪吔?。Language Processing、Speech Recognition、Face Recognition 總是立刻可用的，只受限于算法的發(fā)展程度和數(shù)據(jù)，但感知部分不是這樣，不單要算法行，器件、生產(chǎn)都要行才能有好的結(jié)果。比如說(shuō)麥克風(fēng)陣列，你算法再好但MEMS麥克風(fēng)不給力，那你一樣抓瞎。如果要說(shuō)的短板的話，在深度學(xué)習(xí)突破后，感知這一環(huán)節(jié)才是真的短板。

這就涉及到這次AI突破的一個(gè)深層次問(wèn)題：這次的AI起于深度學(xué)習(xí)的突破，但真要想創(chuàng)造價(jià)值并不能停步在深度學(xué)習(xí)本身。關(guān)鍵原因就在于其AI創(chuàng)造價(jià)值的鏈條比較長(zhǎng)，必須打破軟硬的邊界，補(bǔ)全整個(gè)鏈條，價(jià)值才會(huì)體現(xiàn)出來(lái)。幾乎我們所有能想到的大機(jī)會(huì)都是這樣，語(yǔ)音交互（需要打穿聲學(xué)和識(shí)別邊界），自動(dòng)駕駛（打穿計(jì)算機(jī)視覺(jué)、雷達(dá)、機(jī)械控制的邊界）等。這部分難度通常是被忽略了，似乎是有幾個(gè)深度學(xué)習(xí)專家問(wèn)題就可以搞定一切問(wèn)題。后者不是不行，但要限定在特定類別的事情上，比如圖普科技做的鑒黃等。正是同時(shí)做好軟硬這部分在拉長(zhǎng)投資-回報(bào)的周期。投資和創(chuàng)業(yè)如果對(duì)此沒(méi)有自己的判斷，那準(zhǔn)備的耐心可能就不夠。