雷鋒網(wǎng) AI 科技評論按：阿里巴巴人工智能核心團隊 iDST 近期又將一名頂級大牛納入麾下——世界級聲學專家、原寶利通（Polycom）聲學設計與信號處理首席工程師馮津偉博士于近期加入阿里巴巴 iDST，擔任語音交互團隊研究員。

據(jù)悉，他的研究方向是「下一代人機自然交互技術」，該領域已得到阿里巴巴重點投入，「達摩院」的研究范圍就包含了這一方向。

馮津偉博士本科畢業(yè)于南京大學電子科學專業(yè)，先后在南京大學攻讀聲學（1992-1995）及南洋理工大學電子信號處理的碩士學位（1996-1997），隨后赴美深造，于 2000 年獲得弗吉尼亞理工大學聲學博士學位。馮津偉博士畢業(yè)后一直在音視頻會議行業(yè)領先者寶利通擔任聲學設計和信號處理首席工程師（Principal Engineer），擁有十余項美國專利，大部分已產(chǎn)品化，是世界級的音頻專家，主持開發(fā)視頻跟蹤系統(tǒng)等創(chuàng)新產(chǎn)品，多次領業(yè)界之先。

在傳統(tǒng)行業(yè)耕耘 17 年的頂級工程師、專注研究聲學的「物理學家」，緣何會加入阿里巴巴這樣一個新興互聯(lián)網(wǎng)企業(yè)？加入阿里巴巴 iDST，他又將如何把自己的老本行與目前已有的業(yè)務進行融合？抱著這些疑問，雷鋒網(wǎng) AI 科技評論與遠在美國西雅圖的馮津偉博士進行了一次電話交流，他向 AI 科技評論闡述了加入阿里巴巴 iDST 的原因與期待。

作為專業(yè)開發(fā)、制造和銷售高質(zhì)量音視頻會議系統(tǒng)及解決方案的提供商，寶利通的多代會議產(chǎn)品曾經(jīng)一度占據(jù) 90% 以上的市場份額。在這背后，以 2000 年加入寶利通工作的馮津偉博士為代表，他主導開發(fā)的圓形麥克風陣列算法與音頻信號分類器成為沿用至今的業(yè)界標桿。

而 17 年過去，包括寶利通在內(nèi)的傳統(tǒng)行業(yè)發(fā)生了新的變化。身處其中的馮津偉博士向雷鋒網(wǎng) AI 科技評論坦言，他從中看到了新興互聯(lián)網(wǎng)企業(yè)的高速發(fā)展，這也是他選擇加入阿里巴巴 iDST 的一個重要原因。

「我加入阿里，也反映了互聯(lián)網(wǎng)行業(yè)與傳統(tǒng)行業(yè)的一種融合變遷?！勾送?，馮津偉博士也表示，阿里巴巴的價值觀與他個人的想法不謀而合，這種契合也讓他對這家公司產(chǎn)生了特別的好感，并促使他最終加入阿里巴巴 iDST。

「我第一次了解阿里巴巴時，發(fā)現(xiàn)它們家的產(chǎn)品名字都非常有趣，比如金融叫螞蟻金服，物流叫菜鳥物流，音樂叫蝦米音樂，信用叫芝麻信用。（這些名字）很親切很討人喜歡，我認為這個命名思維的出發(fā)點是為普通百姓服務。我本身也是一個『草根』，因此覺得阿里巴巴的想法非常地貼近我的價值觀?！?/p>

從傳統(tǒng)行業(yè)加入阿里巴巴 iDST，馮津偉博士的主要工作又是什么呢？馮津偉博士告訴 AI 科技評論，他與阿里 iDST 的交集，就是自己的老本行——聲學設計與信號處理的有機結合。

一個完整的語音識別系統(tǒng)需要通過前端的聲學設計，進行信號的采集、處理，再通過后端的相關算法進行識別。任何一個語音產(chǎn)品要投入使用，最主要的挑戰(zhàn)依然是端上語音信號的采集和處理。

今年 7 月，阿里巴巴發(fā)布智能音箱天貓精靈 X1，其中的聲紋識別功能便是其中的一大賣點。這項連亞馬遜 Echo 都不具備的功能，一大難點就在于遠場語音識別在實際應用中存在不少問題，受到噪聲、回聲、混響的干擾太大。而聲紋識別，很大程度上又是一種基于數(shù)據(jù)驅(qū)動的模式識別問題。像遠場的混響、噪聲問題，還有雞尾酒效應問題，都是非常常見的信號處理難點。只有在特定環(huán)境中盡可能地保證聲音的高保真度，才能為后續(xù)的算法處理提供高質(zhì)量的數(shù)據(jù)。試想，如果收集到的聲音信號都非常模糊，談何后續(xù)的語音識別、合成甚至是同聲傳譯？

而馮津偉博士的就學經(jīng)歷正好涉及了聲學與信號處理這兩個領域，而他在博士畢業(yè)后一直在寶利通工作，在這兩個領域的結合上擁有深厚的理論研究經(jīng)驗與實踐應用經(jīng)歷。

寶利通在上世紀 80、90 年代就開始做聲學設計與信號處理的相關研究，至今已經(jīng)擁有二三十年的技術沉淀，馮津偉博士表示，最重要的一點就是在于老當家在聲學設計上頗為重視，特別在減小失真上做到了極致。在最鼎盛的時期，寶利通的全球市場份額達到了 90% 以上。

「聲學設計與信號處理兩者的有機融合是非常必要的。我們以前經(jīng)常跟做聲學的公司打交道，有些音頻失真到 10%，但沒有人重視，因為企業(yè)覺得人耳聽不出來。但是我們的麥克風聽得出來，所以回波抵消就有可能成為問題。因此，我們不能只是處理線性問題，而對非線性問題不夠上心。這兩方面都需要懂，性能才可以更好地體現(xiàn)出來?！?/p>

加入阿里之后，馮津偉博士在傳統(tǒng)行業(yè)的聲學設計經(jīng)驗可以完美地與阿里的業(yè)務相銜接。聲學設計與信號處理作為前端信號處理的主要技術，毫無疑問將會為阿里巴巴的整個語音識別系統(tǒng)奠定堅實的數(shù)據(jù)基礎。

馮津偉博士表示，以「達摩院」為代表的研究機構逐步建立，阿里巴巴的研發(fā)實力肯定會比以前更上一層樓，并且可能會看到很多與眾不同的創(chuàng)新，「現(xiàn)在的智能音箱實際上跟著亞馬遜 Echo 走的很多，但阿里巴巴不一定會沿著它的老路，我們甚至可以引領行業(yè)。」

近年來，隨著深度學習的興起，以谷歌 WaveNet 為代表的技術甚至嘗試顛覆傳統(tǒng)的基于信息及控制論的信號處理與生成方法。對于人工智能的迅猛發(fā)展，馮津偉博士一方面嘆服時代趨勢的驚人變化，認為 AI 的不斷發(fā)展終究會逐步取代原有的信號處理技術；但基于現(xiàn)實狀況來看，他又認為這一天仍未那么早到來。

一方面，有很多人用麥克風原有的尺度去 PCM（Pulse-code modulation，脈沖編碼調(diào)制），直接引入神經(jīng)網(wǎng)絡進行訓練，但效果并不理想。這種研究在目前來看依然需要一定的時間，就像語音識別一樣，從 90 年代開始，直到近幾年才大規(guī)模商用起來；計算機視覺也同樣花了近 20 年才實現(xiàn)騰飛，同樣地，采用神經(jīng)網(wǎng)絡來做信號處理也需要經(jīng)歷這樣一個厚積薄發(fā)的過程。

而另一方面，神經(jīng)網(wǎng)絡擅長處理非線性的工作；而一些線性的工作，在前端的信號處理階段就可以用很低的成本解決。以回撥抵消為例，相對于提升 AI 算法而言，我們解決前者的成本與資源要小得多。也就是說，在做過前端信號處理后，我們可以大大降低后續(xù) AI 在算法處理上的非線性工作量。從成本這個角度來看，前端信號處理還是有它存在的必要的。

在 2017 杭州云棲大會上，馮津偉教授聽了不少教授、專家的演講，其中有人與自己的想法一致：語音系統(tǒng)的算法只是一部分，在實際應用領域，更重要的一環(huán)是聲學設計，要從源頭上保證數(shù)據(jù)的采集質(zhì)量。「在源頭上追溯整條數(shù)據(jù)鏈，如果有某個環(huán)節(jié)很弱，那么就會『牽一發(fā)而動全身』，甚至使鏈條斷掉?！?/p>

馮津偉博士告訴雷鋒網(wǎng) AI 科技評論，阿里巴巴的一大核心競爭力在于，從源頭到鏈條的最后一環(huán)，從聲學設計、到前端信號處理，到 AI 識別算法三大模塊，阿里巴巴在每環(huán)技術都有自己的獨立研發(fā)團隊。

「我們擁有完整的數(shù)據(jù)鏈，在每個模塊上我們基本上都有一支小團隊，可以實現(xiàn)獨立研發(fā)。在這之后，我們可以把三大模塊更緊密地融合在一起。結合聲學設計與信號處理的從業(yè)經(jīng)歷，我相信三個環(huán)節(jié)可以做到無縫融合。」阿里巴巴全鏈條、多業(yè)務、多線程的研發(fā)模式，在馮津偉博士看來是構建了一個完善的生態(tài)系統(tǒng)，在做細分項目的時候也很容易把各個部分的技術結合起來。

另一個令馮津偉博士深深認同的地方在于阿里巴巴具有優(yōu)秀的核心團隊?！脯F(xiàn)在我們有五個跨越全球的語音小組（北京、杭州、西雅圖、硅谷、新加坡），擁有世界一流的團隊，聚集著世界一流的人才。阿里 iDST 中有非常多優(yōu)秀的科學家與工程師，我自己也非常高興，能夠在與他們共事的過程中提升自己?！?/p>

馮津偉博士告訴雷鋒網(wǎng) AI 科技評論，加入阿里巴巴 iDST 后，他計劃帶領團隊，結合自己豐富的從業(yè)經(jīng)驗，把聲學設計與信號處理有機地融合起來，并且把每一個環(huán)節(jié)做到極致，「業(yè)余與專業(yè)的區(qū)別就在于細節(jié)，如果要做到行業(yè)領先，我們就要把每個細節(jié)做到完美，做到最好。」雷鋒網(wǎng) AI 科技評論也期待，馮津偉博士未來在阿里的產(chǎn)品上，能給我們帶來更多的體驗驚喜。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。