扎克伯格日前公開了他自己打造的 AI 管家，從演示結(jié)果看，其語音識(shí)別功能差強(qiáng)人意，而語音識(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，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。
近來扎克伯格向記者公開演示了他 2016 年的作品，一個(gè)類似 Jarvis 的人工智能助手，從記者的描述來看，這人工智能助手大部分時(shí)候還比較不錯(cuò)，但在語音交互環(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)語音指令的系統(tǒng)，并通過定制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：天黑前不要開燈。扎克伯格略顯尷尬地說：“喔，這應(yīng)該是它最失敗的表現(xiàn)了！”。不過，Jarvis播放音樂的展示還算成功。扎克伯格下令：“給我們放段音樂吧！”幾秒鐘后，大衛(wèi)·庫塔（David Guetta）的《Would I Lie to You》 開始通過客廳揚(yáng)聲器響起來。他說了兩次“把音量調(diào)高”后，系統(tǒng)照做無誤。最后，他同樣說了兩次才讓系統(tǒng)停止播放。
這非常有意思，因?yàn)閺男侣剚砜础疤旌谇安灰_燈”和“把音量調(diào)高”的失誤顯然都不是命令理解（語義）上有問題，否則你說八百遍 Jarvis 該不好使還是不好使。如果不是語義的問題，那顯然就會(huì)和各大公司所宣稱的已經(jīng)被解決的問題——語音識(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了三場(chǎng)發(fā)布會(huì)向外界展示了自己在語音識(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），那么問題就來了，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。
那問題出在那里？
關(guān)鍵問題并不復(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)也沒辦法幫Jarvis聽清楚你在說什么。手機(jī)本身是設(shè)計(jì)給近場(chǎng)用的，手機(jī)上的語音識(shí)別基本也是給近場(chǎng)優(yōu)化過的，怎么也不能彌補(bǔ)遠(yuǎn)場(chǎng)上帶來的不適應(yīng)。
扎克伯格對(duì)此非常坦誠，他在博客這么寫道：
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/）
上面這段英文簡單來講就是，語音識(shí)別更多時(shí)候是專門場(chǎng)景下好用，想做一個(gè)萬能的版本仍然還很遙遠(yuǎn)。語音識(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)到了部分問題，因?yàn)閱渭兛扛纳普Z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題（上面說的重復(fù)指示幾次系統(tǒng)才起作用問題）。我們可以注意到開始播放音樂之后，報(bào)道中提到的兩條命令都需要重復(fù)兩次，這很可能是音樂自身對(duì)語音識(shí)別形成了干擾，這種情形下單純的優(yōu)化語音識(shí)別（不管遠(yuǎn)場(chǎng)還是近場(chǎng)）是解決不了問題的。
扎克伯格接下來的路
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)，效果并沒有實(shí)質(zhì)性改善。
整個(gè)語音交互事實(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），語音識(shí)別（SR），自然語言理解（NLU）。扎克伯格演示時(shí)的問題核心原因不在于自然語言理解（語義），而在于聲學(xué)與語音識(shí)別。聲學(xué)和語音識(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得真實(shí)場(chǎng)景下的信號(hào)優(yōu)化（聲學(xué)、硬件等）也沒什么，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音識(shí)別匹配前端聲學(xué)信號(hào)是容易的，但反過來讓牽涉硬件和物理的聲學(xué)來適應(yīng)語音識(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（這事情國內(nèi)至少做掛了兩撥人了）。國內(nèi)的大公司很容易走上這條路，但從分工習(xí)慣來看，國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)更愿意開放給其它人，所以扎克伯格這么干的可能性不高，除非他覺得自己也得搞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深度學(xué)習(xí)在云端算法層面來解決。這種思路下，就會(huì)通過深度學(xué)習(xí)來做降噪等信號(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)樗龅降膯栴}并非單純的降噪問題，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)短期突破這些問題更像科研上的一種設(shè)想而非工程上的一種實(shí)踐。“設(shè)想”是說可以成為一種探索的思路，但結(jié)果完全沒譜，高度不確定，相當(dāng)于把不確定性引入產(chǎn)品開發(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)跳出來看AI的機(jī)會(huì)。
下圖是 Jarvis 的系統(tǒng)架構(gòu)圖：
一般來講，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，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。幾乎我們所有能想到的大機(jī)會(huì)都是這樣，語音交互（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、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)專家問題就可以搞定一切問題。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投資-回報(bào)的周期。投資和創(chuàng)業(yè)如果對(duì)此沒有自己的判斷，那準(zhǔn)備的耐心可能就不夠。