阿里妹導(dǎo)讀：近期，2018國際智能科技峰會開幕式暨主論壇在深圳舉行。本次峰會邀請了中國工程院院士高文、院士徐揚生、院士丁文華、圖靈獎獲得者John E.Hopcroft等多位重量嘉賓參會并做主題演講。
阿里巴巴達(dá)摩院機器智能技術(shù)實驗室語音交互首席科學(xué)家鄢志杰受邀在大會做《IoT時代語音交互智能》主題發(fā)言，以下為演講全文。
鄢志杰在大會做主題發(fā)言
今天很高興有這個機會能夠來介紹一下我們自己的一些工作。為什么在一個人工智能的場合講IoT，第一深圳是IoT產(chǎn)業(yè)非?；钴S的城市；第二，同樣是在深圳，阿里云在深圳的云棲大會上發(fā)布了新的戰(zhàn)略，阿里巴巴將會全面進(jìn)軍IoT，IoT將成為阿里繼電商、金融、物流、云計算之后一條全新的主賽道。前面的像天貓?zhí)詫氝@樣的電商，像螞蟻這樣的金融，還有像菜鳥的物流和阿里云的云計算對阿里集團是什么地位，那么今天把IoT提到這么高的地位上來講，顯然是表達(dá)了阿里對IoT的高度重視。
阿里希望做IoT的基礎(chǔ)設(shè)施，在五年內(nèi)，通過云上的基礎(chǔ)設(shè)施連接100億的設(shè)備。我們的理解有三點：計算是心臟，AI是大腦，IoT是神經(jīng)。為什么這么說呢？其實這也很符合阿里，尤其阿里云一路以來發(fā)展的脈絡(luò)。阿里云從做計算、做存儲開始，做傳統(tǒng)的云計算，一直到近些年不斷的去深入做AI技術(shù)，不管是我們計算機視覺的技術(shù)，語音交互的技術(shù)，NLP的技術(shù)，還有基礎(chǔ)的機器學(xué)習(xí)、運籌決策等基礎(chǔ)技術(shù)，如何使AI技術(shù)通過IoT神經(jīng)觸達(dá)更多的用戶，產(chǎn)生數(shù)據(jù)及更大的價值，這就是一路以來非常清晰的發(fā)展脈絡(luò)。
既然講要連接萬物，萬物互聯(lián)，那首先要解決人跟設(shè)備怎么去連接的問題。我作為一個做語音交互的實踐者，我覺得，非常自信地就可以講說語音就是人最自然的與IoT交互的方式。原因是什么呢？因為人與人之間交互也一樣，也是用語音作為最自然的方式。人和機器，我們也希望能做到這么自然流暢的交互。語音交互是，即使是你在開著車，手不方便的時候，不看屏幕，不用觸摸屏幕上的任何東西，也能夠跟你的車交互。而且隨著這么多年技術(shù)的發(fā)展，確確實實這種交互的體驗已經(jīng)從一個科幻電影——就像《星球大戰(zhàn)》第一集拍出來的時候，人能跟機器人做語音交換完全是科幻電影——但是拍最新的續(xù)集的時候，到今天，這個東西已經(jīng)完全成為了一個大眾科技，跟一個機器做語音交互，今天已經(jīng)是完全很容易實現(xiàn)的一件事情了。
做到這一點背后是技術(shù)的進(jìn)步，得益于我們AI的技術(shù)在近幾年長足的發(fā)展，不管在感知的層面還是在認(rèn)知的層面?；氐竭@個當(dāng)中的語音交互，今天已經(jīng)完全的是跨過了“能用”的這么一個基礎(chǔ)的門檻，正在向著“好用”的方向來發(fā)展，使得這樣的技術(shù)能夠架起一個人機交互到個性化服務(wù)的橋梁。
再具體地說，請大家看這張圖，右邊的部分就是我們所有的在互聯(lián)網(wǎng)上沉淀的內(nèi)容和服務(wù)，就像我剛剛加入阿里之初覺得也是很贊嘆，我們的集團這么多年來一直在深耕這方面，就像在音樂里面我們有蝦米音樂，在視頻里面我們有我們的優(yōu)酷土豆，導(dǎo)航有高德的地圖和導(dǎo)航，出行上我們有飛豬，購物自然不必講有天貓?zhí)詫?，支付有支付寶，更不用說了。
當(dāng)我們有了這么多的互聯(lián)網(wǎng)的內(nèi)容和服務(wù)以后，接下來一個重要的問題就是怎么能夠更多地使得好的內(nèi)容，好的服務(wù)能夠觸達(dá)千千萬萬的消費者。它的觸角就是最左邊的IoT的端，無論是最傳統(tǒng)的手機還是像現(xiàn)在的IoT設(shè)備，像智能音箱還有我們的智能電視，智聯(lián)網(wǎng)汽車，以及機器人等等，我們希望是通過這些端，把我們在互聯(lián)網(wǎng)上的內(nèi)容和服務(wù)帶給我們的消費者。中間的橋梁和媒介就是自然的人機交互界面，不管是語音的交互，然后計算機視覺的交互，以及這些東西結(jié)合起來的多模態(tài)交互等等。我們始終就是在拼這張大圖，研發(fā)中間的技術(shù)，然后做這么一個橋梁。
在這張大圖下，天貓精靈的智能音箱，非常漂亮的這么一款音箱，前不久剛發(fā)布了黑色的小音箱。這個就是阿里集團的人工智能實驗室的作品。去年雙11的時候，也是一天之內(nèi)賣了一百萬臺，到今天一共賣了累計200萬臺的銷量，通過這個端觸達(dá)到我們的用戶。
智聯(lián)網(wǎng)汽車，阿里跟國內(nèi)的汽車制造領(lǐng)域的龍頭上汽集團，一起去投資成立了斑馬網(wǎng)絡(luò)，做汽車?yán)锩娴闹锹?lián)網(wǎng)。其中除了地圖以外，很重要的是讓你在開車手握方向盤不方便的時候，還能跟你的車做直接的語音交互。現(xiàn)在走進(jìn)4S店，同樣的SUV，同樣的價位，它的發(fā)動機和變速箱各種參數(shù)都是差不多的，但是當(dāng)你今天走進(jìn)榮威的4S店，4S店的銷售一定會請你坐上這臺車，然后展示斑馬系統(tǒng)，然后對它用語音說我要看星星，突然之間所有的天窗都會打開，體現(xiàn)出這樣的智能。
除了這些以外，導(dǎo)航、點歌、聽歌，甚至我們發(fā)現(xiàn)真正的用戶，很喜歡在車?yán)镞呴_車的時候邊玩語音的游戲，其中成語接龍的游戲就是一個例子，有些司機和旁邊的副駕一路上就在玩這個東西。我們給一個曾經(jīng)非常同質(zhì)化的、一個最大的IoT——汽車，帶來了智能的好玩的這些體驗。同樣的在上汽這個汽車推出以后，越來越多的汽車產(chǎn)業(yè)里面的大企業(yè)們相繼加入了這張大圖，包括現(xiàn)在已經(jīng)公布的標(biāo)致、雪鐵龍跟福特這樣的汽車制造商。
在這張大圖底下，阿里自己推出了自己的OTT電視盒子，這個叫天貓魔盒，像剛才講的，既然講互聯(lián)網(wǎng)內(nèi)容和服務(wù)，天貓大文娛有優(yōu)酷這么好的內(nèi)容，所以需要一個端能夠觸達(dá)消費者，其中一個端就是魔盒。魔盒它是一個可以用語音跟盒子進(jìn)行交互的IoT終端。因為現(xiàn)在大家知道在家里看電視的老人小孩很多，怎么能夠在這種場景下幫助他們來尋找他們想看的東西，這個語音當(dāng)然是很自然的、很便捷的手段。
除了自己做魔盒以外，阿里也跟行業(yè)里做電視的龍頭一起成立合資公司，一起把我們的內(nèi)容、服務(wù)，我們的語音技術(shù)打包，把剛才的盒子裝到電視機里面去。就像我們看到的海爾的人工智能電視。從前一代的搖控器的方式到剛剛在上海家博會發(fā)布的下一代的海爾-阿里的第五代人工智能電視，通過遠(yuǎn)距離的遠(yuǎn)場語音交互，免喚醒的方式，還融合識別聲紋，來識別年齡，過濾對小孩子的不良內(nèi)容等等這些技術(shù)，我們逐步地在家庭娛樂的環(huán)境里應(yīng)用智能語音交互。
不僅限于此，語音交互智能還逐漸地也在向公共服務(wù)領(lǐng)域在發(fā)展。在去年底的時候，馬老師和上海地鐵的董事長一起參觀了語音售票的概念機。通常在地鐵站里面用售票機的就是外地的游客、出差的人士，他們對上海不熟，只知道自己要去哪，不知道要坐哪一條線、在哪一站換乘、在哪一站下。通常在原來就得通過高德，比如說把路線先查好，再去買票。有了這個語音售票機以后，后面對接的就是互聯(lián)網(wǎng)的數(shù)據(jù)，高德的數(shù)據(jù)，你只要對著售票機說出你想要去的地方，所有的路徑規(guī)劃、怎么換乘、哪站下、需要多長時間、需要多少錢買到這張票，一目了然，然后通過支付寶的方式，就可以實現(xiàn)整個的購票的過程。
但說起來這個體驗好像很簡單，本來就應(yīng)該是這樣的，但是在技術(shù)上同樣需要解決在地鐵站那么嘈雜的公共場合下怎么能夠解決一個遠(yuǎn)距離的語音交互，而且要保持高精度的問題。我們做了像大屏上面綠色的條狀的東西，就是一個很大的麥克風(fēng)陣列。中間這個黑色的東西就是一個光學(xué)的攝像頭。其實是做了一個多模態(tài)的語音交互的這么一個技術(shù)，使得在特別嘈雜的環(huán)境下，還能夠在一定距離以外跟機器做一個遠(yuǎn)距離的隔空的語音的交互。相信不久的將來這種公共場所的服務(wù)機器，尤其做這樣的交互的一個服務(wù)機器會越來越多的出現(xiàn)在我們的生活當(dāng)中。
阿里云很嚴(yán)肅地在布局技術(shù)問題，雖然阿里是一家在商業(yè)上非常成功的公司，但同時我們希望在技術(shù)上去自主掌握在交互這個鏈條上的核心技術(shù)，并且能夠隨著產(chǎn)品的創(chuàng)新持續(xù)地去迭代、去進(jìn)步。其中一個例子就是說，我們從這個麥克風(fēng)本身的硬件，這種傳感器的硬件技術(shù)出發(fā)，到麥克風(fēng)組合起來設(shè)計為一個麥克風(fēng)陣列，到陣列的信號處理，全鏈路地從最源頭開始就找世界頂尖的專家來做這樣的技術(shù)。
例如說在聲學(xué)設(shè)計方面，大家可能看到過報道，我們就是從做電話通訊的企業(yè)去尋找了這樣的專家，來和我們做語音技術(shù)的人坐到一起，去打造全鏈路的最好的交互的體驗。同時在大家更熟知的語音識別、語音合成、聲紋這類技術(shù)更不用說了。我們還在阿里云上打造云+端的、工業(yè)級的語音的交互系統(tǒng)，跟它相應(yīng)的定制平臺，使得我們可以以這套平臺性的東西去很快地適配到一個具體的應(yīng)用的領(lǐng)域。
但我們不是做那種完全高高在上的研究，怎么能把這些好的研究作為一個可以落地的產(chǎn)品，真正產(chǎn)生它的價值，也是我們特別努力去思考的。在阿里，一個團隊中常常會出現(xiàn)說既有偏向于研究的人，又有偏向于落地的人，又有偏向于工程人。當(dāng)這些人放到一個團隊一起做這件事情的時候，它產(chǎn)生的這個化學(xué)反應(yīng)跟它的產(chǎn)品的厚度就會不一樣的。
剛才能感受到就是我們從傳感器，一直到人工智能芯片方面都開始做自有的研發(fā)，無論是通過自研或并購的方式，而且阿里是很嚴(yán)肅的在做一個端上的操作系統(tǒng)叫AliOS，我一直把它評價為是中國最嚴(yán)肅的移動操作系統(tǒng)。還有像剛才上汽跟海爾的例子，就是說怎么能跟行業(yè)里的那些龍頭的合作伙伴一起去開拓IoT。就像剛才講的，我們已經(jīng)有比較強的云端的布局了，怎么能通過這些基礎(chǔ)設(shè)施能夠打通，能夠最后成為商業(yè)上成功的一個產(chǎn)品，這些方面的市場上面的商業(yè)上的布局，想的會比較多。最后當(dāng)你做一個具體的產(chǎn)品的時候，你仍然要考慮一些非技術(shù)之外的因素，像市場的容量，本身的成本，一直到它的定價等等，當(dāng)你有全鏈路的能力之后，有這種機會去打磨這些東西，使得達(dá)到一個效益最大化。
當(dāng)前IoT的融入生活也總是遇到這樣那樣的一些爭論。例如說我舉個例子，在家居環(huán)境下，很多爭論說我們到底應(yīng)該有一個中心化的智能設(shè)備還是一個去中心化的、分布式的智能終端？或者說我們應(yīng)該在現(xiàn)階段就特別明確地強調(diào)它是互聯(lián)網(wǎng)的新入口，還是先從滿足大家的指令控制、任務(wù)完成型的這種體驗入手。或者說做一家商業(yè)公司，我們是應(yīng)該自己做硬件還是采取這種平臺型的方式，去跟硬件的龍頭企業(yè)一起合作做這件事情等。
有一些事情阿里是一定會著力去做的，其實就像是技術(shù)本身，剛才講到的所有這些技術(shù)的模塊，我們都希望把它做精做深，然后通過某種方式把技術(shù)共享出來，讓全社會可以使用。在IoT的領(lǐng)域，阿里去做低成本、易復(fù)制的IoT的智能化的整體的方案。包括硬件模組和軟件。然后當(dāng)你用上這個模塊，接入你的設(shè)備以后，很容易就能享有剛才我們講到的互聯(lián)網(wǎng)上的那么多的服務(wù)的內(nèi)容，然后統(tǒng)統(tǒng)通過自然交互的模式作為橋梁和紐帶。
我們會去打造一些自己標(biāo)桿的硬件，但是這個是手段，真正目的還是為社會建造基礎(chǔ)開放的平臺，使各種各樣的設(shè)備能夠很容易接入這個平臺，達(dá)到五年100億端的目標(biāo)和愿景。
好的，今天我的分享就到這里，謝謝大家！
新一代人工智能產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟（AITISA，簡稱聯(lián)盟），聯(lián)盟在中國科技部指導(dǎo)下，聯(lián)同科技巨頭、知名學(xué)府及創(chuàng)業(yè)公司發(fā)起成立。聯(lián)盟由潘云鶴院士擔(dān)任名譽理事長和專家委員會主任，高文院士任聯(lián)盟理事長，北京大學(xué)計算機科學(xué)技術(shù)系主任黃鐵軍教授擔(dān)任秘書長。
中國科學(xué)院李未院士、中國工程院柴天佑院士、金東寒院士、李伯虎院士、劉玠院士、吳澄院士、鄭南寧院士為聯(lián)盟專家委員會副主任。
阿里巴巴是該聯(lián)盟的副理事單位，阿里達(dá)摩院機器智能實驗室副主任華先勝為組織副理事。
