思必馳首席科學家、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，思必馳首席科學家、聯(lián)合創(chuàng)始人俞凱以“人機交互中的認知智能”為題進行了演講。
俞凱認為，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行復雜的信息處理，這當中最為依賴的技術就是 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、任務型對話：第三類是任務型對話，是能夠真的幫助你完成任務。比如說訂一杯咖啡，是買星巴克還是其他家，通過任務型對話幫你完成任務，這是對話技術最關鍵的部分。
思必馳最重要的特點是把對話交互技術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，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，解決不到交互認知的問題，要同時解決記憶、推理、建議以及相應的一些決策的問題，一定要從人工智能和認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，還要有認知，這個就是所謂自然語言認知交互的未來。把理解和決策表述這樣認知技術，與前端強大的識別技術結合在一起，進行更多的搜索和數(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)復雜信息的獲取；
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和鍵盤；
d.21世紀第一個十年，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，我們可以下達很多命令，去讓手機幫忙完成，這個目標是進行信息本身的處理，既包括了信息的獲得，又包括了后端信息的處理。在這個過程當中，很關鍵的一個模態(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，如果想進行復雜信息傳輸，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，這個過程當中很重要的一件事情是機器對人的任何命令都能準確識別，然后可以和人進行對話和相應的交互，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，發(fā)現(xiàn)這個語音特別不穩(wěn)定，有時候很準，有時候不準。而且剛才都是我說一句，機器回復一句，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，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，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、任務型對話：第三類是任務型對話，真的幫助你完成任務。比如買一杯咖啡，是買星巴克還是其他家，通過任務型對話幫你完成任務，這是對話技術最關鍵的部分。
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，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之上做架構性的調(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，解決不到交互認知的問題，要同時解決記憶、推理、建議以及相應的一些決策的問題。這個就是我們在人工智能和認知計算上的角度上來說，去解決交互智能很關鍵的點，思必馳是第一個把認知智能的概念引入到國內(nèi)公司。
一、人工智能與認知計算
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)認知。
認知本身有三層次，大部分人認識到理解很重要，這是靜態(tài)認知；所謂動態(tài)認知是指給了一句話知道要反饋什么，叫做反饋控制；還有認知進化，想反饋的時候我的習慣是什么，這一類產(chǎn)生進化，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系，我們看一個關于糾正方面的錄像。（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%。
問題的關鍵難點不在于百分之百的識別率，而在于容錯與糾正。“等許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，在這個里面不認為語音識別精確，認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。當然這只是一個局限撥號領域，相關的東西已經(jīng)在車載一些產(chǎn)品當中應用的還在不斷的拓展相關的領域。
給大家這個概念，從交互平臺上講，不單單有感知，還要有認知，這個就是所謂自然語言認知交互的未來，把理解和決策表述這樣認知技術，與前端非常強大的識別和非常好的合成技術結合在一起，在以后認知還會向后邊擴展，會進行更多的搜索和數(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，今天核心講的是認知智能當中的理解和對話控制，以及打斷搶話這樣一類的技術，真正涉及到的技術，其實還包括了噪聲處理技術、遠場技術、提示糾正推理的技術，這些感知認知抽象思維技術合在一起，就成為智能硬件物聯(lián)網(wǎng)時代的工智能綜合技術。（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