思必馳首席科學(xué)家、聯(lián)合創(chuàng)始人俞凱
鈦媒體注：在7月15日鈦媒體和《商業(yè)價值》聯(lián)合主辦的2016移動互聯(lián)網(wǎng)創(chuàng)新大會（MIIC）上，思必馳首席科學(xué)家、聯(lián)合創(chuàng)始人俞凱以“人機交互中的認(rèn)知智能”為題進(jìn)行了演講。
俞凱認(rèn)為，從PC互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)到現(xiàn)在物聯(lián)網(wǎng)時代，這三個階段中有兩個最大不同：首先是信息數(shù)量的指數(shù)級增長；另外就是人機交互模式的變革。
到了物聯(lián)網(wǎng)時代，人機交互模式的主要特點就是通過語音進(jìn)行復(fù)雜的信息處理，這當(dāng)中最為依賴的技術(shù)就是 NLP（自然語言處理）與對話系統(tǒng)，而對話系統(tǒng)又可分為三種技術(shù)類型：
1、問答式對話：提出問題后機器能夠告訴我答案，是告訴答案，不是告訴我各種可選擇的搜索結(jié)果，答案意味著要去篩選。
2、閑聊式對話：一個很典型的場景的就是初期的iPhone用戶調(diào)戲Siri，這類往往沒有商業(yè)模式但是體現(xiàn)了某種機器智能。
3、任務(wù)型對話：第三類是任務(wù)型對話，是能夠真的幫助你完成任務(wù)。比如說訂一杯咖啡，是買星巴克還是其他家，通過任務(wù)型對話幫你完成任務(wù)，這是對話技術(shù)最關(guān)鍵的部分。
思必馳最重要的特點是把對話交互技術(shù)作為核心來組織各種各樣的語音智能，深耕垂直場景的語音交互技術(shù)，現(xiàn)在主要是在做智能車載、智能家居、智能機器人的語音解決方案。
但同時思必馳意識到，這樣一類涉及到單純的語音界面，解決不到交互認(rèn)知的問題，要同時解決記憶、推理、建議以及相應(yīng)的一些決策的問題，一定要從人工智能和認(rèn)知計算的角度上解決問題。
俞凱強調(diào)，語音交互與識別是兩種完全不同的概念，他表示：
“從交互平臺上講，不單單有感知，還要有認(rèn)知，這個就是所謂自然語言認(rèn)知交互的未來。把理解和決策表述這樣認(rèn)知技術(shù)，與前端強大的識別技術(shù)結(jié)合在一起，進(jìn)行更多的搜索和數(shù)據(jù)處理，才能實現(xiàn)知識意義上更加自由的交互?！?/p>
（思必馳首席科學(xué)家、聯(lián)合創(chuàng)始人俞凱在2016MIIC上的演講視頻實錄）
我既是一個從業(yè)者也是一個研究者，今天想和大家分享一點不同的東西。提到語音，絕大部分人的第一個反應(yīng)是語音識別，希望講完以后大家知道語音交互和識別是兩種不同的概念。
縱觀智能交互發(fā)展史，其實互聯(lián)網(wǎng)經(jīng)歷了三個階段：第一個是PC互聯(lián)網(wǎng)，第二個是移動互聯(lián)網(wǎng)，第三個是硬件物聯(lián)網(wǎng)，這三個階段有兩大不同的特點：
1、數(shù)量。手機數(shù)量是在十億這個級別，物聯(lián)網(wǎng)是百億級別，數(shù)量的增長對信息傳輸要求越來越高。
2、交互。屏幕越來越小，甚至到了智能硬件上屏幕都消失了，這使得人和機器交互的模式產(chǎn)生了天翻地覆的變化。
我這里大概列一下從80年代到目前人和機器進(jìn)行信息交互，我們整個一個發(fā)展歷程。
a.80年代的時候Windows32，不知道在座有多少人使用過，當(dāng)時的交互的界面主要是用來組織存儲；
b.90年代出現(xiàn)了互聯(lián)網(wǎng)之后，我們主要的交互模式是通過網(wǎng)站的瀏覽來實現(xiàn)復(fù)雜信息的獲??；
c.2000年，谷歌和百度這一類搜索引擎的出現(xiàn)，使得獲取信息的交互方式變成搜索的模式，這個時候我們的人機交互載體都是鼠標(biāo)和鍵盤；
d.21世紀(jì)第一個十年，我們交互模式變了，變成可以用手機和智能硬件去搜索和處理。
這時候目標(biāo)不再是簡單的搜索，我估計現(xiàn)在幾乎沒有人在手機上的功能只是用瀏覽器搜索，我們可以下達(dá)很多命令，去讓手機幫忙完成，這個目標(biāo)是進(jìn)行信息本身的處理，既包括了信息的獲得，又包括了后端信息的處理。在這個過程當(dāng)中，很關(guān)鍵的一個模態(tài)就是所謂的交互。
剛才說到在發(fā)展過程里面，人和機器交互的模式，如果想進(jìn)行復(fù)雜信息傳輸，沒有屏幕的時候，幾乎只能夠用語音，用語音是不是識別就夠了，曾經(jīng)有人暢想識別就夠了，這一撥人就是蘋果，讓我們看一下蘋果是怎么暢想的。
你們可以看到，機器是被動地執(zhí)行人類命令的助理，這個過程當(dāng)中很重要的一件事情是機器對人的任何命令都能準(zhǔn)確識別，然后可以和人進(jìn)行對話和相應(yīng)的交互，完成人的指令。
實際上在iPhone真正發(fā)展起來以后，它的觀點有所變化，2015年出了一件大事，這個時候我們就要回顧一下iPhone它的交互是什么樣子。
最初2代iPhone是沒有語音功能的，蘋果當(dāng)時做了一個調(diào)查，75%用戶希望加一個語音的功能，在后兩代iPhone推出卻發(fā)現(xiàn)只有5%的用戶去使它。后來又做了一個研究，得出一個結(jié)論，語音不好用的主要原因是它不是自然語言，如果不能和人自由交互，這個東西沒有前途。
后來他們收購了一家公司，就是后來的Siri，集成到蘋果的iPhone當(dāng)中，發(fā)現(xiàn)一個很有趣的現(xiàn)象，87%的用戶都是在調(diào)戲Siri，很少用Siri去真正完成任務(wù)，發(fā)現(xiàn)這個語音特別不穩(wěn)定，有時候很準(zhǔn)，有時候不準(zhǔn)。而且剛才都是我說一句，機器回復(fù)一句，這樣的模式不行。
到了在2014年的時候，要判斷未來什么樣的東西是下一代，最后是看最終用戶的目標(biāo)，單句的語音理解可能還不行，于是就提出一個很重要的概念，用對話的技術(shù)改造Siri，這是為什么在2015年收購了一家英國的人工智能公司vocalIQ，加強語音交互。
收購這家公司后，Siri原來的團(tuán)隊不滿意了，很多都離職了。離職之后又推出一個新的產(chǎn)品Viv，是一個對話產(chǎn)品，這里面會強調(diào)不單單是單獨這樣的交互，我要用對話的方式去改造。人類對對話的核心需求到底是什么？
NLP（自然語言處理）與對話系統(tǒng)
很多人認(rèn)為，我們搞人工語音和機器交互界面，真正做這個對話交互的研究的時候，我們會發(fā)現(xiàn)自然語言處理里面出現(xiàn)一個新的任務(wù)，隨著移動互聯(lián)網(wǎng)和物聯(lián)網(wǎng)的產(chǎn)品新出現(xiàn)的——叫做自然口語對話，希望以自然口語對話的方式實現(xiàn)真正機器助理這樣思路。
這里面包括蘋果的Siri向這個方向走的，最近facebook出現(xiàn)了對話API，認(rèn)為是人工智能的未來，這里面到底有什么東西？
實際上在我們剛開始所有的東西里面，一開始我說到了搞語音還是那句話，大家反應(yīng)是識別，我說到對話它的新東西就在這，我們可能要解決三類，從技術(shù)上講有不同的類型：
1、問答式對話：一類是問答，我說一個你能夠告訴我答案，大家要注意是告訴答案，不是告訴我各種可選擇的搜索結(jié)果，答案意味著要去篩選，我給的圖片是IBM的沃森在這個節(jié)目上用這個機器對話的方式，就機器問答的方式戰(zhàn)勝人類選手的圖片。
2、閑聊式對話：第二類是閑聊，調(diào)戲Siri這塊，這類往往沒有商業(yè)模式但是體現(xiàn)了某種機器智能。
3、任務(wù)型對話：第三類是任務(wù)型對話，真的幫助你完成任務(wù)。比如買一杯咖啡，是買星巴克還是其他家，通過任務(wù)型對話幫你完成任務(wù)，這是對話技術(shù)最關(guān)鍵的部分。
作為從公司的角度來講，思必馳最重要的特點是把對話交互技術(shù)作為核心來組織各種各樣的語音智能，深耕垂直場景的語音交互技術(shù)，現(xiàn)在主要是在做智能車載、智能家居、智能機器人的語音解決方案，核心一點就是在智能硬件上做語音交互。
我們這家公司做的就是智能硬件物聯(lián)網(wǎng)時代的交互智能平臺，在語音識別加上自然語言處理的基礎(chǔ)之上做架構(gòu)性的調(diào)整，去做后面交互反饋智能的實時。
可以看一下，人類對交互反饋智能預(yù)期是什么，剛剛曾經(jīng)看過Siri，有人對這個Siri做了一個很有趣的視頻，Siri達(dá)不到我們的要求，Siri這種情況下怎么處理？（視頻）。
這個視頻看著是一個笑話，最大的不同是這個機器介入到了人與人之間的交互，開始主動的做一些事，比如說想逃。
這樣一類涉及到單純的語音界面，解決不到交互認(rèn)知的問題，要同時解決記憶、推理、建議以及相應(yīng)的一些決策的問題。這個就是我們在人工智能和認(rèn)知計算上的角度上來說，去解決交互智能很關(guān)鍵的點，思必馳是第一個把認(rèn)知智能的概念引入到國內(nèi)公司。
一、人工智能與認(rèn)知計算
簡單說一下，現(xiàn)在智能本身大概有這么幾個層面，計算，感知認(rèn)知到抽象思維，這幾個層面里面，感知的部分沒有強調(diào)，實際上可以單獨講一次，我們今天主要強調(diào)認(rèn)知。
認(rèn)知本身有三層次，大部分人認(rèn)識到理解很重要，這是靜態(tài)認(rèn)知；所謂動態(tài)認(rèn)知是指給了一句話知道要反饋什么，叫做反饋控制；還有認(rèn)知進(jìn)化，想反饋的時候我的習(xí)慣是什么，這一類產(chǎn)生進(jìn)化，這是三個不同的層次。
我們看的比較具體的東西。到底交互和這個識別之間是什么關(guān)系，我們看一個關(guān)于糾正方面的錄像。（視頻）
90%的人甚至更多，在我第一次放這個錄像，第一個反應(yīng)就是這機器方言識別不好，真的是這樣嗎？如果各位在你們的手機里面，沒有發(fā)現(xiàn)識別率是百分之百軟件的話，我說這么一句話，山東話識別率到90%以上你們會覺得什么樣？一定會覺得不錯。而這里只識別錯了一位數(shù)字，識別基本到了90%。
問題的關(guān)鍵難點不在于百分之百的識別率，而在于容錯與糾正?！暗仍S春來到蘇州后約他九點到九寨溝吃飯”，這個例子是說到蘇州后在九寨溝吃飯，這話理解有非常多不確定性，只有在你有上下文的情況下，你知道我在什么條件下說這個事，才能更加準(zhǔn)確的理解。
除了容錯還得能推理，到底糾正哪一段，需要后面的智能，重要的是這哥們是一個真實的用戶，他不是一個工程師。所以不按常理出牌，老打斷這個機器，人被打斷好辦，機器被打斷全都亂套。
二、認(rèn)知性自然口語交互
這樣一個事情，理解、推理問題的處理和單純的語音識別其實是互補。而這個就是我們所說，要做認(rèn)知性的自然口語交互，它和普通的框架有什么不一樣呢？
各位看到了紅色的部分是原始的框架，白色的部分是認(rèn)知性的框架，最大的特點就是加入對話管理和環(huán)境感知，使得對語音識別錯誤更加的容忍，實在容忍不了的部分，通過交互去糾正過來，在這個里面不認(rèn)為語音識別精確，認(rèn)為語音是是高效的管道而已，這些不確定性在情節(jié)理解中被消除掉的。
各位可以看到，這是加入了對話環(huán)境以后，可以去處理這樣的問題。當(dāng)然這只是一個局限撥號領(lǐng)域，相關(guān)的東西已經(jīng)在車載一些產(chǎn)品當(dāng)中應(yīng)用的還在不斷的拓展相關(guān)的領(lǐng)域。
給大家這個概念，從交互平臺上講，不單單有感知，還要有認(rèn)知，這個就是所謂自然語言認(rèn)知交互的未來，把理解和決策表述這樣認(rèn)知技術(shù)，與前端非常強大的識別和非常好的合成技術(shù)結(jié)合在一起，在以后認(rèn)知還會向后邊擴展，會進(jìn)行更多的搜索和數(shù)據(jù)處理，實現(xiàn)知識意義上更加自由的交互。
所以我們在智能硬件時代，今天核心講的是認(rèn)知智能當(dāng)中的理解和對話控制，以及打斷搶話這樣一類的技術(shù)，真正涉及到的技術(shù)，其實還包括了噪聲處理技術(shù)、遠(yuǎn)場技術(shù)、提示糾正推理的技術(shù)，這些感知認(rèn)知抽象思維技術(shù)合在一起，就成為智能硬件物聯(lián)網(wǎng)時代的工智能綜合技術(shù)。（本文首發(fā)鈦媒體，根據(jù)俞凱在2016移動互聯(lián)網(wǎng)創(chuàng)新大會（MIIC）上的演講整理，編輯/李玉鵬）
快報
根據(jù)《網(wǎng)絡(luò)安全法》實名制要求，請綁定手機號后發(fā)表評論
交互是雙向，識別是單向