0
| 本文作者： 劉芳平 | 2017-08-28 13:55 |
雷鋒網(wǎng)消息，8月28日，智能語音交互技術(shù)公司思必馳宣布，阿里iDST總監(jiān)初敏博士加入思必馳，擔(dān)任思必馳VP、思必馳北京研發(fā)院院長，拓展語音技術(shù)在物聯(lián)網(wǎng)外的新業(yè)務(wù)、新場景的落地。
初敏原來的團(tuán)隊交給了阿里 iDST 語音組總監(jiān)鄢志杰管理，“他很能干的”。
在接受雷鋒網(wǎng)專訪時，初敏表示自己選擇加入思必馳的原因主要是，“對人工智能特別是語音交互的未來的觀點(diǎn)”和后者很一致，而且創(chuàng)業(yè)公司可以做到十分專注。
加入思必馳后，初敏將領(lǐng)導(dǎo)建立思必馳北京研發(fā)院，初期目標(biāo)是在一年左右建立50人的團(tuán)隊，二年達(dá)到100人的規(guī)模。研發(fā)院不僅將進(jìn)行基礎(chǔ)技術(shù)的研究，也將探索語音在更多場景里的應(yīng)用。
初敏是中科院聲學(xué)所博士，主要研究方向覆蓋語音識別與合成、自然語言處理、機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘、大數(shù)據(jù)處理和計算等，在相關(guān)領(lǐng)域發(fā)表了近百篇學(xué)術(shù)論文并取得20多項國內(nèi)外專利。
2000年，初敏博士加入微軟，在微軟亞洲研究院從事科學(xué)研究近10年，創(chuàng)建并領(lǐng)導(dǎo)語音合成研究小組，研制出了第一個中英文雙語語音合成系統(tǒng)“木蘭”；
2009年入職阿里巴巴，擔(dān)任阿里iDST智能語音交互方向負(fù)責(zé)人，使Yun OS、支付寶、手機(jī)淘寶、釘釘?shù)犬a(chǎn)品具備語音交互能力；
2017年加入思必馳，擔(dān)任思必馳VP、思必馳北京研發(fā)院院長，拓展語音技術(shù)在物聯(lián)網(wǎng)外的新業(yè)務(wù)、新場景的落地。
以下為采訪實(shí)錄，雷鋒網(wǎng)作了不改變原意的刪減。
初敏：其實(shí)我跟老高（高始興）和俞凱很早以前就認(rèn)識了，但是沒有聊這方面的事。在阿里八年，感覺也是時候迎接一些新的變化和挑戰(zhàn)，陸續(xù)收到很多大公司的橄欖枝，恰巧最近有些機(jī)會和老高深聊，我覺得我們對人工智能特別是語音交互的未來的觀點(diǎn)其實(shí)蠻一致的。
未來的3到5年是一個AI技術(shù)實(shí)用化成型的過程，是我們的一個共識。跟俞凱也談了很多技術(shù)，包括深度學(xué)習(xí)怎么在自然語言中去更好的應(yīng)用，怎么能讓機(jī)器更快地從人這里學(xué)習(xí)。我覺得蠻談得來的，有很多共識做事會很方便，這是一個很重要的原因。
阿里的團(tuán)隊是我建起來的，團(tuán)隊來說我們是一個相當(dāng)好的團(tuán)隊。公司大有大量的好處，比如資金更充足資源更豐富一些，數(shù)據(jù)、計算能力這種技術(shù)環(huán)境會更好，但是思必馳專注只做一件事情的公司，這對我來講是有吸引力的。
其實(shí)也跟朋友聊是不是要創(chuàng)業(yè)，我覺得自己還沒有這個勇氣自己去創(chuàng)業(yè)，哈哈，這個過程太痛苦了。
但是加入一個思必馳這樣在創(chuàng)業(yè)過程的公司，對我來說逃避了最開頭的那一段，希望通過我的加入能幫助這家公司更快地成長。
初敏：因為其實(shí)就是這兩天的事情。我們希望做的事情是，原來思必馳基本上的團(tuán)隊是在蘇州，至少技術(shù)團(tuán)隊是，北京這邊幾乎沒有技術(shù)人員，但是其實(shí)北京是人才最豐富的地方，所以我會在北京建立一個北京的研發(fā)院。
這個研發(fā)院會做一些核心技術(shù)的研發(fā)，也會做一些工程上的，包括真正在應(yīng)用場景中的一些落地。不只是把原來的東西做得更精細(xì)，而是開辟出更多新場景，使整個語音交互為核心的技術(shù)能有更強(qiáng)更多的輻射面。
我們這些做技術(shù)出身的人，就是希望自己做的技術(shù)真的被很多人用，這是最大的成功。掙多少錢是附帶的，因為這個過程中不掙錢的話做不到那一步，只要能做到那步一定能掙到錢。但是最大的是自我的成就感，一定是來自于很多人用而且感覺很好。
初敏：在規(guī)劃之中，主要思路是主要以研發(fā)人員為主，核心技術(shù)以及工程落地的，以后可能會有一些業(yè)務(wù)落地的。
希望在一年左右能招到50人左右，兩年左右可能是一百人的規(guī)模。
細(xì)的東西還要更細(xì)致地做工作以后才能把詳細(xì)計劃落實(shí)，但是現(xiàn)在開始我們也開始在招聘，包括北京新的HR開始要招募了。因為原來都是蘇州整個管掉，現(xiàn)在也會在這配套。
初敏：我們建立的團(tuán)隊不是一個純研究的團(tuán)隊。今天我覺得中國所有的團(tuán)隊都不是一個像以前在微軟MSRA一樣的研究團(tuán)隊，包括iDST也不是。
北京的團(tuán)隊我稱之為研發(fā)，有研究的成員，但最終一定是開發(fā)成一個完整的東西，然后這個東西是可以用的。
你剛才說的這個，我有非常多的實(shí)踐經(jīng)驗，特別是在過去這幾年碰到了很多用戶的實(shí)際問題，的確是這樣子的。但是也不能說技術(shù)就是錦上添花，而是說這兩個腿都不能短。一個是核心技術(shù)的研發(fā)，一個是所謂的工程導(dǎo)向或者是產(chǎn)品導(dǎo)向?？偠灾?，要把產(chǎn)品用戶體驗做到完備兩個都必須有。
我們在兩塊都會做，思必馳不是定位在產(chǎn)業(yè)鏈條的某一個環(huán)節(jié)，而是希望至少把語音交互這個完整場景做出來，包含了鏈條中的每個環(huán)節(jié)。
因為這個過程是相輔相成的，過程有好多環(huán)節(jié)，這些環(huán)節(jié)是個鏈條，只要有一個鏈條出問題，最后的用戶體驗就會很差。所以要把整個鏈條閉合，從核心技術(shù)到平臺到產(chǎn)品一直到用戶體驗。
鏈條上的基礎(chǔ)建設(shè)，好多都是核心技術(shù)，比如語音識別本身深度學(xué)習(xí)的建模技術(shù)可以做到更好。
但是下一個問題是如果數(shù)據(jù)是在A場景采集的，拿到B場景不好了，模型換成B場景可能不太好了，那么要多快，用什么樣的數(shù)據(jù)規(guī)模，多長時間把它帶過去，這時候會有一個困難的轉(zhuǎn)移過程。可以從頭到尾訓(xùn)，也可以做Transfer Learning，這個就是比核心技術(shù)了。
但是話又說回來，最終還是需要一個鏈條。最后希望達(dá)到的是，客戶給我上傳，比如說多少多少小時的一個標(biāo)準(zhǔn)數(shù)據(jù)，我很快就得到一個模型，那在他這個地方就好了。所以實(shí)際上是場景的適應(yīng)能力，解決一些這樣的問題，最終才能大規(guī)模的把這個技術(shù)鋪開。
我在這邊也會去搭建這種基礎(chǔ)設(shè)施，核心實(shí)力我認(rèn)為就是快。對于核心實(shí)力我一直認(rèn)為，特別是在今天這種所謂的大數(shù)據(jù)時代，數(shù)據(jù)很多（理論上很多，但實(shí)際上分散在不同領(lǐng)域）。要把數(shù)據(jù)管理好，把不同場景的數(shù)據(jù)更好地用起來，包括在一個新的場景中用起來。這里就有核心算法的的提升空間了，也有很多工程上要把這件事情做順暢的方面。
還是剛才說的，這兩個腿都做起來，迭代效率快，那你將來去實(shí)施就很快，才真正具備商業(yè)化的能力，要不然都是A項目B項目C項目，做一個項目花的成本差不多，那就很辛苦。
我們要做到的是，做第一個項目，比如花費(fèi)是1，第二個項目花費(fèi)可能是0.5，第三個項目花費(fèi)就是0.3了，以后可能每一個項目生成就是花個0.1、0.15的代價，甚至做到更低，這時候才能從一個到一百個或者到幾百個。
磨就是這個過程。每復(fù)制一次，成本都下降，實(shí)現(xiàn)規(guī)?；罱K產(chǎn)生經(jīng)濟(jì)效益。
初敏：思必馳在一些現(xiàn)有的地方還是蠻強(qiáng)的，比如在汽車，特別是后裝，還有智能家居包括音箱，其實(shí)好多家用的都是我們的解決方案。
我希望我進(jìn)來不是在這些地方添點(diǎn)磚加點(diǎn)瓦，而是會試圖去探索一些新場景，現(xiàn)在有很多可能性，是什么今天還沒有完全弄清楚。所以會從招聘開始，和底層一些技術(shù)建設(shè)，場景還是要慢慢看的，沒有那么快，但是一定會去探索更多的，我相信是很多的。
初敏：目前還沒有，原因也比較清晰，就是實(shí)際上這個鏈條很長，如果我們什么都做了，很有可能做不好。而且做了這個端實(shí)際上和別的端是競爭的關(guān)系，所以今天我覺得可能不會往實(shí)際產(chǎn)品做，但是也不排除自己去做一兩個demo，更好地展示技術(shù)。
初敏：我覺得蠻有爭議的，不是特別看好。首先，我覺得Echo是不是真的叫成功，就是看你怎么定義成功，如果從品牌、影響的角度來看，是挺成功的，因為它利用了這整個潮流，出了影響，一堆人跟著做。
但是我也跟有些人聊過，實(shí)際上它的粘性并不見得好，大家因好玩新鮮，所以買了一個回家，但是有多少人在買回家三個月后還在天天用，很少。換句話說這個音箱是不是真的解決了問題，變成一個必需品，這個問題沒有看到。
美國市場和中國市場也不太一樣，美國市場大概只聽到這兩個（Echo和Google Home）。中國沒有這樣的領(lǐng)導(dǎo)產(chǎn)品，一堆公司在做。中國今天最大的問題還是沒解決核心問題，很多人只是買它來玩一下，知道它能干啥，之后可能就沒興趣了，真的有什么事總找音箱做的很少。
有幾個原因，一是他上頭能干的事情真的太少了，一個東西必須讓我覺得能信賴他，至少一類事情我持續(xù)找它，它都能做，對這我才會養(yǎng)成習(xí)慣。所以我覺得這不光是語音技術(shù)的問題了，是背后他到底能干什么事。今天還大家還稱之為音箱，那就是聽音樂，那顯然這樣子的音箱聽音樂都不是最好的選擇，就是大幾百塊錢的音箱，也不是好到哪里的。
Echo稍微好一點(diǎn)，接入了很多控制功能，美國人房子大，在樓上關(guān)下樓下的燈什么的，這種需求可能還稍微強(qiáng)一點(diǎn)，在中國沒有這么強(qiáng)，當(dāng)然從某種角度講還是存在的。
所以我覺得最后的爭論不是技術(shù)問題，不是說語音識別準(zhǔn)不準(zhǔn)（當(dāng)然它也有問題），是說它能聽懂的話，我想干的事情里他能做多少，這是我覺得最關(guān)鍵的。
初敏：深度學(xué)習(xí)到今天雖然已經(jīng)很火了，好像已經(jīng)到處都是了，一般相關(guān)的學(xué)術(shù)會議可能至少一半或者更高的論文都和它相關(guān)。但是我今天的觀點(diǎn)是還沒有到飽和期，技術(shù)的替代是一個過程。就像語音識別從深度學(xué)習(xí)獲得的第一步成功，是在原有的HMM框架后加了一塊，把原來的模型提升了。
所以這個（技術(shù)替代）過程中還是有很多嘗試可以做的。語音現(xiàn)在的這套統(tǒng)計的深度學(xué)習(xí)框架，不是一個完全的理論推導(dǎo)的技術(shù)，是有個基本的理論框架，最后它是否work，是靠實(shí)驗來做的。
包括它們的拓?fù)浣Y(jié)構(gòu)，建模單元的大小，因為起步都是依賴原來那套體系，所以后續(xù)能做的事情還有很多，比如變一變建模單元。會慢慢的把原來的那些東西換掉，然后去嘗試新的東西，像現(xiàn)在很多新的模型其實(shí)就是在改變單元，因為單元一大解碼速度就快很多。
另外一方面是場景適應(yīng)，傳統(tǒng)我們叫它adaptation，或者你也可以叫它Transfer Learning，這塊也可以嘗試不同的方法。
還有，語音里頭現(xiàn)在更多是聲學(xué)模型上用了深度學(xué)習(xí)，語言模型上有嘗試，但沒有特別的成功，因為語言模型計算復(fù)雜度高。但是今天雞肋并不證明這個方法不對，而是還沒有做出最好的方法，這一部分也有很多人在嘗試。所以我覺得至少還有個五年、十年的空間它才會飽和。
但是，也不排除在這個過程中會長出新的分支，比這個看起來還更優(yōu)秀，那也是有可能的，特別是在自然語言上，我覺得空間更大。
我覺得自然語言處理還處于非常早期的階段。語音的識別很難，但是他是一個定義非常清晰的問題，進(jìn)去這段錄音出來就是這個字，沒有二義性，所以是最適合學(xué)習(xí)。自然語言是問題沒定義清楚，你可以這樣定義問題，把它定一個分類問題，也可以把它變成一個序列轉(zhuǎn)換問題，而且一個任務(wù)是由好多小問題組成，還是作為一個整體。所以在自然語言里還需要想怎么更好地使用深度學(xué)習(xí)，包括可能需要引入強(qiáng)化學(xué)習(xí)的概念，那么要怎么引入？
比如強(qiáng)化學(xué)習(xí)里一直擔(dān)心什么是reward，怎么定義成功失敗，有很多這些問題。這塊明顯的還能走更長，包括問題怎么定義法，以前分的小問題是不是可以用一個問題就能解等，這些地方我覺得有很多可嘗試的空間。
4月16日 20:30-21:30 ，雷鋒網(wǎng)旗下學(xué)術(shù)頻道 AI 科技評論聯(lián)合AI慕課學(xué)院、騰訊課堂邀請思必馳CMO龍夢竹為大家?guī)硪粓鲋辈シ窒?！點(diǎn)擊鏈接報名參與吧??！
課程主題：《人工智能需要科學(xué)家，也需要普通人》
報名鏈接：https://ke.qq.com/huodong/aiqzzty_pc/index.html#tuin=8f7939df
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
