圖片來源：視覺中國
在被稱為AI 落地元年的2018年，以“AI+視覺”為主的CV（Computer Vision）領(lǐng)域大放異彩。不論是通過圖像、人臉識別向安防、自動駕駛、零售等領(lǐng)域的廣泛拓張，還是商湯、云從、曠視、依圖“CV四小巨頭”的興起，計(jì)算機(jī)視覺已成為人工智能發(fā)展進(jìn)程中實(shí)現(xiàn)領(lǐng)先的一條賽道。
然而，與視覺識別相對的語言、語義識別領(lǐng)域，即NLP（Natural Language Processing 自然語言處理），雖然起源時間更早，但發(fā)展程度與落地表現(xiàn)卻稍遜于前者。
早在“人工智能”概念在1956年達(dá)特茅斯會議提出后，科學(xué)家們開始寄希望于用計(jì)算機(jī)模擬大腦理解語言學(xué)的過程。1962年，“機(jī)器翻譯與計(jì)算語言學(xué)學(xué)會”（后更名為國際計(jì)算機(jī)語言學(xué)委員會，簡稱“ACL”）在美國成立，標(biāo)志著學(xué)界對機(jī)器翻譯、語義理解等AI技術(shù)深入研究的開端。
不過，按照中科院研究院博士生導(dǎo)師宗成慶的說法，“機(jī)器翻譯遇到了很多難以克服的語義障礙，甚至一度進(jìn)入低迷狀態(tài)。”
2013年，宗成慶成為國內(nèi)至今唯一一位加入 ACL 的華人科學(xué)家。在他看來，在語音語義理解的機(jī)器翻譯操作中，需要面臨諸如“口音、標(biāo)點(diǎn)識別不準(zhǔn)導(dǎo)致語句翻譯出錯”、“政治經(jīng)濟(jì)等專業(yè)術(shù)語機(jī)器無法勝任”等諸多挑戰(zhàn)。
然而，隨著底層技術(shù)的持續(xù)突破，與商用場景的進(jìn)一步擴(kuò)展，包含語音交互、TTS（文本轉(zhuǎn)換）等內(nèi)容的NLP也即將迎來新的“春天”。
“接下來這兩年，NLP領(lǐng)域一定有更多機(jī)會。” 微軟亞洲研究院自然語言計(jì)算組資深研究員韋福如在近期對鈦媒體表示。
從武漢大學(xué)計(jì)算機(jī)學(xué)院獲得博士學(xué)位，到2010年加入微軟亞洲研究院自然語言計(jì)算組工作至今，韋福如已在NLP領(lǐng)域從事十年有余。今年春節(jié)期間，微軟平臺聯(lián)合央視新聞推出H5交互產(chǎn)品《你的生活，AI為你唱作》，就融入了韋福如所在團(tuán)隊(duì)深耕多年的NLP技術(shù)。
鈦媒體也試用了這則H5應(yīng)用：
在上傳照片后，系統(tǒng)會對照片內(nèi)容如環(huán)境、人物、顏色、表情等進(jìn)行分析；然后基于對照片的理解，歌詞創(chuàng)作系統(tǒng)會自動譜寫符合該照片內(nèi)容的歌詞；最后，由語音合成技術(shù)模擬的央視主持人康輝或微軟智能女聲曉曉，則可以根據(jù)歌詞內(nèi)容結(jié)合配樂伴奏進(jìn)行演唱，用戶就得到了一首專屬定制的MP3歌曲。
春節(jié)期間，微軟平臺聯(lián)合央視新聞推出H5交互產(chǎn)品《你的生活，AI為你唱作》
“圖片-歌詞轉(zhuǎn)化”是韋福如團(tuán)隊(duì)負(fù)責(zé)攻克的重點(diǎn)環(huán)節(jié)。當(dāng)中的難點(diǎn)，首先在于對用戶輸入圖片的理解，比如年紀(jì)相仿的男女是否可以對應(yīng)愛情，或者是大笑的表情可以對應(yīng)相關(guān)的歌詞內(nèi)容等；
再一個難點(diǎn)是對歌詞基調(diào)的把握——由于該產(chǎn)品推出時機(jī)是豬年春節(jié)，微軟團(tuán)隊(duì)希望“這一H5產(chǎn)品表達(dá)出的感情基調(diào)是更積極的”——這就需要技術(shù)人員在后端算法上進(jìn)行調(diào)試。
事實(shí)上，除了韋福如團(tuán)隊(duì)所代表的自然語言處理，《你的生活，AI為你唱作》中還包含了微軟在去年發(fā)布的深度神經(jīng)網(wǎng)絡(luò)語音合成服務(wù)、以及在后端支持?jǐn)?shù)據(jù)高并發(fā)的微軟Azure云服務(wù)等，可以說，以這則H5為代表的微軟跨部門方案協(xié)作背后，是由整個微軟NLP、語音合成、云服務(wù)等完整方案的商用縮影。
關(guān)于NLP 的發(fā)展阻力，目前擔(dān)任微軟亞洲研究院副院長的周明曾談到技術(shù)“閾值”的理論。
周明拿圖像識別中的安防場景舉例，由于該領(lǐng)域“人證比對”的需求極度旺盛，一旦深度學(xué)習(xí)將計(jì)算機(jī)視覺的水平提高至一定的閾值，該場景的巨大需求就會立刻激活。
然而，由于NLP的技術(shù)難度實(shí)在太大，機(jī)器翻譯水平始終沒能達(dá)到該場景的閾值，再加上自然語言處理的場景并不像安防那樣有著迫切需求，NLP始終在落地到商業(yè)化的路徑上面臨挑戰(zhàn)。
為了提升NLP的技術(shù)閾值，韋福如也帶領(lǐng)團(tuán)隊(duì)始終專注在機(jī)器閱讀理解上的深入研究和系統(tǒng)開發(fā)。
2018年1月，在斯坦福大學(xué)發(fā)起的SQuAD文本理解挑戰(zhàn)賽中，韋福如所帶領(lǐng)的團(tuán)隊(duì)所開發(fā)的端到端的深度神經(jīng)網(wǎng)絡(luò)模型r-net在EM值上以82.650的最高分占據(jù)榜首，首次超越人類成績82.304。
此后，韋福如團(tuán)隊(duì)再次獲得突破，升級后的nlnet模型在EM值和F1值兩個維度上，以85.954和91.677的分?jǐn)?shù)首次全面超越人類在SQuAD數(shù)據(jù)集上的表現(xiàn)。2019年1月，他們基于BERT開發(fā)的最新系統(tǒng)又在SQuAD 2.0和交互式、多輪閱讀理解數(shù)據(jù)集CoQA上名列榜首。
這樣的技術(shù)折射到實(shí)際案例中，韋福如希望能借助通用的自然語言模型，讓機(jī)器學(xué)會“無監(jiān)督”式的自我學(xué)習(xí)。就拿剛才提到的《AI 唱作》H5來說，在韋福如的規(guī)劃下，當(dāng)前期積累一定數(shù)據(jù)后，機(jī)器可以根據(jù)用戶輸入的照片，自行具備較強(qiáng)的文字理解與組織能力，而不是依靠人為的標(biāo)注數(shù)據(jù)。
不過，對于NLP目前力所能及的技術(shù)范圍，韋福如也對鈦媒體表示，“機(jī)器閱讀理解超越人類”仍需一段時日。
“在SQuAD超越人類成績只能說明模型可以擬合這樣的結(jié)果，在特定的數(shù)據(jù)集和評測標(biāo)準(zhǔn)下，算法可以做到普通人類（更具體來說是標(biāo)注人員）的水平，而不是說現(xiàn)在機(jī)器理解自然語言比人類強(qiáng)。”韋福如在此前接受采訪時表示。
為了加快技術(shù)落地的效率，微軟內(nèi)部除了在底層技術(shù)研發(fā)取得突破外，也頗為注重技術(shù)產(chǎn)品化的輸出形式。
去年9月，微軟發(fā)布了企業(yè)級定制語音合成的平臺，讓企業(yè)可以根據(jù)他們想要的音色定制聲音。去年12月，微軟在語音產(chǎn)品上再次取得重大技術(shù)突破——推出深度神經(jīng)網(wǎng)絡(luò)語音合成技術(shù)。
這項(xiàng)看起來晦澀的技術(shù)名詞，實(shí)際上就是我們使用高德、百度地圖時郭德綱、林志玲等明星聲音的由來。通過深度神經(jīng)網(wǎng)絡(luò)語音合成技術(shù)，明星只需要錄制有限的關(guān)鍵語句，即可讓機(jī)器合成、并學(xué)習(xí)擴(kuò)展至更多的語料。
“很多過去做不到的事情，現(xiàn)在可以做到了。”微軟亞洲互聯(lián)網(wǎng)工程院語音組產(chǎn)品經(jīng)理劉越穎對鈦媒體表示，她舉例道，諸如語氣、情感方面機(jī)器擬人的自然度、模型的穩(wěn)定度都得到了明顯的提升；同時，平臺也整合了定制化的能力，可以根據(jù)企業(yè)需求將不同的聲音風(fēng)格賦予不同的場景。
另外，語音合成技術(shù)對數(shù)據(jù)量的減少，也成為這項(xiàng)技術(shù)愈發(fā)受到企業(yè)青睞的原因之一。
以此次《AI 唱作》H5為例，為了獲得央視主持人康輝的語音合成聲音，微軟只需要康輝錄制不到十首歌，就可以用相似的風(fēng)格演繹成千上萬首歌，“比友商減少了十倍”。而這種對語音訓(xùn)練數(shù)據(jù)的減少，直接刺激了企業(yè)定制語音的需求。
目前，微軟已經(jīng)利用深度神經(jīng)網(wǎng)絡(luò)語音合成技術(shù)拿下多個客戶，比如教育領(lǐng)域的Roobo 機(jī)器人；智能硬件中的小米，其最新發(fā)布的小米9手機(jī)中，來自歌手王源的聲音助理，就是由微軟通過語音合成制作而成。
“這種定制化語音的需求正愈加明顯，從早期定制地圖的語音，到現(xiàn)在的呼叫中心，AI在線老師等。每個公司都希望有一個自己的形象，這個形象不僅僅是基于圖像層面的，同時也是三維的。”劉越穎告訴鈦媒體。（本文首發(fā)鈦媒體，作者/蘇建勛）
快報(bào)
根據(jù)《網(wǎng)絡(luò)安全法》實(shí)名制要求，請綁定手機(jī)號后發(fā)表評論
因爲(wèi)這些機(jī)器視覺的AI應(yīng)用容錯率比較高，能湊合用，但語音識別就不行，說錯一點(diǎn)或語無倫次一般人很難容忍，只能用語固定口令的應(yīng)用。