QQ MESSENGER:

E-mail:marketing@xiaoi.net

TEL:021-39518811

新闻中心/NEWS

互联网技术为语音交互指新路
2012-12-21 15:00:18

 

 

  


     比尔·盖茨退休前,于2006年的拉斯维加斯CES展上曾做过一次演讲。他认为大家普遍看好的未来人机交互技术中,三大方向最有可能实现应用突破:第一是语音;第二是触摸;第三是虚拟视觉,即手势、表情等等。现在,触摸技术已经普及,语音技术也在苹果siri的面市后,成为当前市场热切关注的焦点。智能360、语点、Airi、Ciriis等类siri产品跟风推出,一时营造出智能语音应用的繁荣景象。然而,由于获得的用户体验差强人意,它们还仅仅停留在娱乐和跟随时尚潮流的阶段。
  那么,瓶颈在哪?中科院自动化研究所副所长徐波告诉《中国电子报》记者:“语音只是人机交互的接口。如果抛开语音,还可以换成文本接口。要实现人机交互,重点还是在对自然语言的理解和对话上。而现在搜索、大数据处理等技术又为突破理解障碍提供了新思路。”

 

  自然语言理解是关键
  人工智能核心问题——思考可以归结为自然语言理解,解决了这个问题,才能真正能听、能看。
  动动嘴巴,可以遥控电视机、空调和室内灯等等设备,这是小i机器人呈现的人机交互的场景。其总裁袁辉介绍,小i机器人并不是实体机器人,它是通过互联网、无线互联网等渠道以及人机交互手段进行虚拟化互动的智能软件,可以听懂人说的话,判断人的意愿,给出符合意向的答案。
  在siri的技术中,语音部分采用美国公司Nuance的技术,包括语音识别和合成,响应、判读和给出结果则是siri。如果说Nuance语音识别占到整个技术的20%,起到信息采集和输出的作用,而80%则是大脑——siri来控制。袁辉认为,他的小i机器人就是和siri一样的大脑。
  那么,这个“大脑”需要具备什么功能?袁辉告诉《中国电子报》记者:“它需要有人类的思维模式,也就是自然语言的算法。当一句话说出来时,必须准确地理解这句话的意思。人类表达同一个问题的方式很多,比如当我们问百度:今天北京下雪了吗?这些问题都是问和天气相关的内容,通过搜索技术可能会给三种不同的答案。但从人类的思维看,答案只会是一个。所以智能机器人必须像人一样回答,达到能听会说、自然交互、有问必答的程度。这个过程就要求智能机器人通过1次或者2次交互,就能准确地理解。”
  光有理解还不够。袁辉认为,还要从知识库中找到与问题相关的准确答案。一方面,知识库本身就需要大量的时间去积累。目前的搜索引擎都是依靠信息进行检测的,但关键词的检索所呈现出来的是信息的无序性和重复性。信息再往上就是知识,而知识则是唯一的、不重复的。“就像仓库里摆放整齐的东西,我给你问题之后,你可以迅速地找到答案。”他说,“另外,机器人的知识库要具备自我学习的能力。海量信息进来以后,进行大量的知识储备,需要长时间积累。”据他介绍,小i机器人10年用户超过1亿,有100亿次以上的交互,并应用于通信、金融、政府、电子商务、智能家电和汽车等行业,在商用领域有超过200多家商业用户,积累了庞大的行业知识库、百科知识库。
  徐波也持类似的观点。他举例道:“siri的厉害之处就是集成了很多技术开发商和服务商。当用户询问一个问题时,它可以直接给出一个答案,而不是给出很多个搜索结果。这里面很大一部分是靠知识处理,链接到第三方的知识引擎和知识库,语音只是接口。”
  在徐波看来,人机交互和人工智能走向融合,核心问题是能听、能看和能思考,其中思考是最主要的部分。思考最核心的又可以归结为自然语言理解,后者是共性的。解决了这个问题,才能真正能听、能看。


  互联网技术提供新思路
  互联网技术(搜索等)、大数据出现后,原来需要很深刻推理的东西,现在就可以比较容易地找出来。

  然而,即使是siri这样优秀的人工智能应用,也仅仅只是达到了初级的智能水平。
  记者试用过siri等语音产品,当询问这些语音应用类似“今天天气怎么样”时,我们可以得到所在地天气情况,但是当换成“下周二成都天气怎么样”这个问题时,机器的表现就会令人失望。这就是当前自然语言理解技术的尴尬。
  徐波认为,学术界对自然语言理解研究多年,近些年并没有大的突破。传统的研究方式是在限定语境下作自然语言理解,例如订票的语境、查天气的语境等。应用的语音产品主要是设定了较多特定语境下的语言模板,响应用户的问话。用的人越多,设定的问答越多,模板越大,用户初用起来感觉会比较自然,但是稍复杂一些的问题,一般就解决不了了。如果换成另外一个用户用得很少的语境,机器更听不懂了。
  “目前国内的自然语言理解一般知识颗粒度比较粗,问答式的和特定应用的是多数,经过三、四层推理还能够得到正确理解的应用没有,最多的是一步推理。”徐波表示,“模板类似于知识库,大规模知识库是自然语言理解的基础。传统的人工智能研究路径是研究人类的思维模式、对自然语言理解的模式,需要构建庞大的知识库。而这个库之庞大、包含的知识之多,又是任何一个研究团队都无法完成的任务。互联网技术(搜索等)、大数据出来后,要实现的技术路线改变了。原来需要很深刻推理的东西,现在有了互联网就可以比较容易地找出来,可能不需要推理就能得出结果。”
  达到完全自然的人机交互需要很长过程,中间会有很长的过渡阶段。徐波又指出了另一种过渡路径,即仍遵循传统自然语言理解技术路径,换成机器发问、用户回答的模式,那么交互方式就不是完全自然,而是妥协了。用这种妥协的方式,需要主要解决的就变成语音识别问题,例如可以用于机器订票、汽车导航、家居控制等等。“但是,即使是机器主动发问的方式,也需要一个个领域的解决方案能很快移植,从而产业化,这同样是一个技术挑战。”

 

  国内企业应抓住细分市场机会
  国内中小企业应选择深入行业应用,避开与大公司直接竞争的锋芒,做细做深。

  眼下,大腕级国际IT企业迅速跟进人工智能技术,正逐步将最新研究成果应用到各个领域。
  IBM的沃森机器人能搜索和分析大量的非结构化数据,得出用户需要的结果。虽然沃森并没有一步步分析自然语言,但是给出的结果表明它做到了理解。在移动终端上,IBM也试图移植沃森系统。不过,这不是他们的重点,IBM更关注的是在各行业应用领域使用沃森。例如全美最大型的保健服务供货商WellPoint公司,就采用沃森所衍生的智能系统,透过从数百万的医疗记录、期刊文献和最新医学研究结果中,获取和患者症状匹配的资料来简化并加速医疗诊断。“IBM的这套系统应用在各领域,知识的颗粒度、精细程度都很高。”徐波评价。
  谷歌的Voice Action和近期推出的知识图谱,都在不同层面上接近人工智能;微软的Kinect所代表的体感技术,同样是缩短人与机器距离的强大力量,Kinect结合的语音功能也在不断提升中。
  解剖Siri的后台技术,我们会发现它不是某一种独立的技术,而是将若干现有技术进行了整合。包含了以Google为代表的网页搜索技术;以Wolfram Alpha为代表的知识搜索技术;以维基百科为代表的知识库技术;以Yelp(可以理解为国外的大众点评网)为代表的问答以及推荐技术。根据用户的请求调用最匹配的技术,给出结果。
  反观国内的类siri应用,背后多数是小型公司运作。艾瑞咨询产研部分析师曹笛告诉《中国电子报》记者,对于类似siri语音助理的产品,需要强大的数据库和运营平台,来储存用户的资料、搜索答案、响应用户请求。中小型企业无法提供相应的服务,只有大型企业才能达到优质的量级。
  袁辉表示:“如果未来百度、腾讯等国内巨头从不同的点切入,将面临着一场激烈的竞争。但其中的技术壁垒并不是一朝一夕能够攻克的,需要长期的技术积累和特定领域的专注。”
  徐波认为,虽然大家跟风做类siri软件,但是涉足垂直领域深入人机交互解决方案的厂商还不多。例如中科院研发的在线语音翻译系统,小i机器人的客服机器人系统等等,都是选择深入行业应用,避开与大公司直接竞争的锋芒,做细做深。(转自中国电子报20121123期第8版)