2011年，喬布斯在iPhone4s發(fā)布會上得意洋洋地展示出了Siri智能語音助理。喬布斯在當時就判定，Siri是人工智能的入口級產(chǎn)品。這款喬布斯的遺作在此后6年并沒有太大長進，相反亞馬遜的智能音箱Amazon Echo悄然之間占領了市場。

 

 

《華爾街日報》在今年6月撰文稱，Siri簡直提供了一個教科書般的范本：它最初在技術(shù)上領先，而且擁有充裕的資金和人才，但卻逐漸喪失領先優(yōu)勢。

 

 

與此同時，科技圈正在掀起一場智能語音助理熱。7月5日阿里和百度兩場有關(guān)人工智能的發(fā)布會宣告——智能音箱以及智能語音助理正在真正走入人們的日常生活。

 

 

失落的智能語音助理

 

 

7月5日下午阿里人工智能實驗室首次公開亮相，推出了一款智能音箱——天貓精靈X1。

 

 

這場發(fā)布會效果頗佳，和上午的百度AI開發(fā)者大會遙相呼應，共同拉動了當日的人工智能概念股。

 

 

如此熱鬧的場面不禁讓人感慨智能語音助理在前幾年的生不逢時。

 

 

多年以后，筆者依然會想起羅永浩的那些小trick：

 

 

 

 

2013年3月27日晚，老羅在國家會議中心發(fā)布了錘子Rom，他引以為傲的語音識別功能因為會場回音居然多次演示失??；

 

 

2015年8月25日晚，可能是那場演示的心理陰影還未散去，老羅找來了朱蕭木，退而求其次，做了一個單機版語音識別的演示；

 

 

2017年5月8日晚，羅永浩不再談語音助理這件事情，而是如數(shù)家珍地搬出閃念膠囊功能，把腦子里那些一閃而過的靈感記錄成文字。

 

 

 

 

坦率來說，老羅每一次得意洋洋的展示都挺拙劣的。因為在筆者看來，語音識別這件事本身就存在很多心理障礙和物理障礙。

 

 

比方說，你在公交車上對著自己的手機喊“給陳總打電話”，周圍的人會像看怪物一樣盯著你；

 

 

再比方說，你在公交車上對著自己的手機喊“給陳總打電話”，周邊小孩的哭鬧聲可能會直接讓你的手機顯示“語音無法識別”；

 

 

                                          （聊天機器人并不稀奇，早已出現(xiàn)）

 

 

正是因為這一系列主客觀原因，2015年亞馬遜推出人工智能音響Amazon Echo后的兩年，主流科技圈都對此無感。

 

 

這個傻大黑粗的音響并不是什么炫技的產(chǎn)品。事實上，語音助理功能也并不稀奇。

 

 

智能語音助手這件事情從2011年Siri誕生開始，它就注定成為了一個玩物。它就像很多90后曾經(jīng)在校園里調(diào)戲過的“小黃雞”機器人一樣，只是一個只能把人逗樂半天的聊天機器人。

 

 

全球智能音箱的熱潮

 

 

直到2016年8月，被譽為“互聯(lián)網(wǎng)女皇”的凱鵬華盈（KPCB）合伙人瑪麗·米克（Mary Meeker）在她那份2016年《互聯(lián)網(wǎng)趨勢》（Internet Trends）報告中提到，iPhone的銷量在2015年可能已經(jīng)接近天花板，有趣的是亞馬遜的語音助理硬件Echo銷量正在大幅增長，現(xiàn)在銷量已超過400萬臺。 

 

 

 

 

                                      （互聯(lián)網(wǎng)女皇2016年《互聯(lián)網(wǎng)趨勢》報告）

 

 

這份報告同時指出，語音正成為計算接口，也是計算機輸入最有效率的一種形式，機器對語音識別的正確率從2010年的約70%，提高到2016年的約90%。

 

 

 

 

                                         （互聯(lián)網(wǎng)女皇2016年《互聯(lián)網(wǎng)趨勢》報告）

 

 

這時，全世界才真正注意到智能音箱這個新事物的潛力所在。

 

 

我們可以算一下智能音箱這幾年來的上市節(jié)點：

 

 

 

 

2016年5 月17日Google I/O 上，Google Home 誕生；

 

 

2017年5月9日，微軟 Build 2017上，大與哈曼卡頓聯(lián)合合作的Invoke 智能音箱誕生；

 

 

2017年6月5日，蘋果家居智能音箱HomePod誕生，而且按照蘋果的計劃明年還將推出Siri音箱；

 

 

2017年7月5日，阿里人工智能實驗室研究成果天貓精靈X1推出。

 

 

 

 

之所以會以智能音箱切入是有原因的。家庭環(huán)境下的wifi網(wǎng)絡能夠支撐智能語音助手隨時在線，家庭環(huán)境下的語音干擾也是最少的，私密性也是最好的。除此之外，在家庭環(huán)境下，需要助理的服務環(huán)境非常多樣，比如你想開燈關(guān)燈、你想定個外賣、你想網(wǎng)購商品，這些都是在家庭環(huán)境中可以實現(xiàn)的。而且最為重要的是這些環(huán)節(jié)用語音和智能音箱交互，遠比手機更便捷。

 

 

也就是說，智能語音助理之所以會在家庭室內(nèi)以智能音箱的形態(tài)出現(xiàn)主要是解決了這幾個問題：

 

 

第一，心理上的障礙；第二，服務場景的多樣；第三，比手機更便捷。

 

 

因此智能音箱會成為一陣浪潮，在美國家庭被用戶解決各式各樣的生活問題。因為它天然規(guī)避了手機的使用場景，形成了人們?nèi)粘Ｉ畹挠幸嫜a充。

 

 

對話式人工智能的實質(zhì)

 

 

我們真正需要探討的是，智能音箱它到底是像智能可穿戴設備一樣，僅僅只是智能手機的有益補充，還是能夠成為未來個人、家庭的服務入口。

 

 

因為，如果智能音箱僅僅只是智能手機的補充，那這意味著它的量級永遠只是局限數(shù)百萬臺的規(guī)模，僅僅被少數(shù)人所使用。

 

 

不過，目前來看，智能音箱的實質(zhì)其實并不是音箱甚至不是智能語音助理這么簡單，準確定義的話，這實際上是“對話式”人工智能。

 

 

在微軟Build2016開發(fā)者大會上，微軟CEO納德拉首先提出了“Conversations as a Platform”，也就是“對話即平臺”的人工智能發(fā)展方向。

 

 

?這個概念在后來也被成為是“對話式人工智能”。

 

 

所謂“對話式人工智能”指的是，對話本身就是一個平臺，各種知識、信息與服務都運行在“對話”其上，可以形成生態(tài)環(huán)境的基礎平臺。人和人工智能之間的對話，即是解決各種問題的一種路徑和方式。

 

 

如果說的更淺顯一些，那就是人們能夠通過人和人正常交流的方式，來與機器進行溝通，以此來獲取信息和服務。

 

 

也就是說，未來人們其實不僅僅是在家里可以用智能語音助理來獲取服務，智能語音助理甚至可能無所不在。所以你會發(fā)現(xiàn)，阿里人工智能實驗室在發(fā)布天貓精靈的同時，還公布了配套的研發(fā)平臺AliGenie開發(fā)者平臺。這一開發(fā)平臺主要面向個人內(nèi)容開發(fā)者、應用開發(fā)者、智能家居開發(fā)者以及硬件生產(chǎn)商等四類開發(fā)者。

 

 

未來我們可以在汽車、冰箱、電視甚至是家庭的垃圾桶上享受到智能語音助理的服務，隨時用語音獲取信息。用阿里人工智能實驗室負責人淺雪的話來說，“終端方面的合作伙伴包括阿里智能IoT、涂鴉科技以及一些大廠，涉及千萬款以上產(chǎn)品、100多個品類。”

 

 

這也意味著將來智能語音助理將無所不能、連接一切。

 

 

這種交互方式或許令人意外，但是語言本來不就是人誕生以來的交互方式么？

 

 

語音是所有動物最早最原始的信息交流方式，這對于使用者來說幾乎沒有任何的門檻，哪怕是還不識字的孩童。

 

 

只是隨著信息化時代的來臨，鍵鼠成了我們操縱電腦與他人交流、獲取信息服務的交互方式，而隨著移動時代的來臨，觸摸屏又取代鍵鼠成了新的交互方式。

 

 

細細數(shù)來，鍵鼠這種交互方式存在至今不過50年，而觸摸屏這種交互方式嚴格算來也僅僅只有不到20年。

 

 

但觸摸屏取代鍵鼠的那一剎那，有多少人表示過驚訝？當喬布斯宣稱說其實人類有一個天然的操作工具的時候，我們還認為他可能會推出全鍵盤手機。然而他說的是全觸摸屏手機。所有人都認為，觸摸屏手機收發(fā)郵件不方便，打字不夠快捷。

 

 

黑莓時任聯(lián)席CEO兼創(chuàng)始人Jim Balsillie在2007年2月曾經(jīng)說過的一句話：（蘋果和iPhone）有點像一位試圖加入一間已經(jīng)十分擁擠的屋子的新人，在這里消費者已經(jīng)有許多許多選擇了……但是如果說這將對黑莓產(chǎn)生海嘯般的影響，我會覺得有點夸張了。

 

 

后來的事情大家都知道，更符合人類直覺的觸摸屏取代了全鍵盤。在智能音箱的身后其實也存在這個交互變革的邏輯。

 

 

云計算大數(shù)據(jù)重塑語音

 

 

盡管是回到語音這個交互邏輯上，但本質(zhì)來看，智能語音助理下的語音和過去的語音交互其實存在著本質(zhì)的差別。

 

 

過去我們用語音調(diào)用的實際上是另外一個人的服務。對話和對話之間本質(zhì)上信息量很少。

 

 

實際上，語音交互存在大量問題：

 

 

 

 

1、場景覆蓋的低；

 

 

2、缺乏系統(tǒng)可視性；

 

 

3、語音無法表現(xiàn)信息層級。

 

 

4、語音交互消耗注意力，增加記憶負擔。

 

 

5、隨之帶來的交互效率低。

 

 

 

 

所以，當你在地鐵上，別人卻在微信上給你發(fā)來一條59秒的語音消息時，你會對那個人恨之入骨。

 

 

但是隨著人工智能和云計算、大數(shù)據(jù)的到來，人和語音的交互本質(zhì)上正在發(fā)生變化。因為這并非雙向語音之間的交互，只需要人發(fā)出指令即可。

 

 

劉慈欣在《鄉(xiāng)村教師》的這段話很形象地點名了未來語音交互的信息量：

 

 

 

 

“你是想告訴我們，一種沒有記憶遺傳，相互間用聲波進行信息交流，并且是以令人難以置信的每秒1至10比特的速率進行交流的物種，能創(chuàng)造出5B級文明？！而且這種文明是在沒有任何外部高級文明培植的情況下自行進化的？！” 

 

 

 

 

劉慈欣這句話的實質(zhì)是大量的數(shù)據(jù)的積累，以及遠程計算能力的提升。這些提升重塑了語音，解決了一系列的問題：

 

 

當語音調(diào)用的信息本身是具備可視性、劃分層級而且直觀易懂甚至縮短大量信息環(huán)節(jié)的時候。它本質(zhì)上就是一個更為合理的交互方式。

 

 

（隨著大數(shù)據(jù)和云計算技術(shù)成熟，語音調(diào)用了大量的數(shù)據(jù)）

 

 

如果我們換個意思來理解可能會更形象——古今同樣是說一句話，可以調(diào)用的能量發(fā)生的數(shù)量級的差異。舉個例子，古人說出“我想聽個《霓裳曲》”，實現(xiàn)他就需要一個戲班子。而現(xiàn)在人類說同樣的一句話，就只需要調(diào)動云端的幾MB的音頻流。

 

 

這種變化實際上是靠大數(shù)據(jù)積累以及云計算處理來完成的，以云端的處理速度，迅速調(diào)用各類服務，將對話式人工智能的效率提到最高。

 

 

50多年的彎路之后，人類走過了鍵盤、鼠標、觸摸屏等一系列交互手段，而以智能語音助理為代表的對話式人工智能正在讓人類返璞歸真。