雷鋒網(wǎng)注：2017 年 7 月 7 日至 9 日，由中國計算機學會（CCF）主辦、雷鋒網(wǎng)與香港中文大學（深圳）承辦的 CCF-GAIR 全球人工智能與機器人峰會在深圳如期落地。會議第一天，國內(nèi)外頂尖學者和從業(yè)者各自帶來了豐富的行業(yè)干貨分享，隨后兩天，GAIR 的機器人、智能助手、金融科技、AI+、智能駕駛等各個專場又為各領(lǐng)域從業(yè)者提供了密切交流和學習的機會。

驀然認知是近兩年在自然語言理解方面表現(xiàn)最為搶眼的公司之一，其扎實的語義理解技術(shù)已經(jīng)為暴風 TV、上汽大通、VINCI 等企業(yè)提供了成熟的語音助手解決方案。創(chuàng)始人兼 CEO 戴帥湘曾在百度從事 9 年的自然語音理解，任百度 NLP 主任架構(gòu)師，并曾帶領(lǐng)團隊獲得百度語義最高獎。

在 CCF-GAIR 大會智能助手專場，戴帥湘做了《對話即應(yīng)用》的主題演講，雷鋒網(wǎng)對其內(nèi)容進行了整理，以下為演講全文：

我今天分享的主題是“對話即應(yīng)用”，很多人認為這是遙遠的未來，事實上它有可能就在我們眼前。

未來只存在于我們的腦海中，是虛構(gòu)的，但是人天生向往未來。這是人的本性，寫在我們的基因里。

“人是為了想象而活著”，我覺得這句話沒有錯，但是“當未來已來，過去也沒有過去”的時候，在時空轉(zhuǎn)換的間隙里，我們的認知和想象怎么調(diào)整？

以互聯(lián)網(wǎng)發(fā)展為例，人機交互在互聯(lián)網(wǎng)發(fā)展中扮演了非常關(guān)鍵的角色。每一次人機交互的革新都必然帶來革命性的浪潮。

20 年前，互聯(lián)網(wǎng)剛開始普及，我們使用鍵盤、鼠標來操作互聯(lián)網(wǎng)，這種應(yīng)用形態(tài)很簡單，無非就是網(wǎng)頁。

大概 10 年以后，到 2007 年，喬布斯發(fā)布了具有劃時代意義的產(chǎn)品：第一代 iPhone。它完全摒棄了之前的鍵盤操作，使用了全觸摸屏的操作方式，這種轉(zhuǎn)變直接導(dǎo)致當時的兩大手機巨頭在此后短短幾年內(nèi)迅速衰落，直至退出市場。

這種變化同時帶來了應(yīng)用形態(tài)的變化——從之前的 Web 程序開發(fā)，迅速轉(zhuǎn)入 APP 程序開發(fā)，這種變化也導(dǎo)致互聯(lián)網(wǎng)時代幾大巨頭在此后 10 年間逐步衰落。

又過了 10 年，到今天，一個新的時代正在來臨。剛才幾位也講到，現(xiàn)在大大小小的公司都開始做音響，音響是否是很好的產(chǎn)品暫時還沒有定論，但我們卻可以感覺到身邊越來越多的硬件開始聯(lián)網(wǎng)，大家稱之為“萬物互聯(lián)”的時代。

《人類簡史》里有一個觀點：人本身不具有大規(guī)模合作的基因，需要語言和文字來彌補。我們今天制造這么多設(shè)備，要想讓它們真正和人類大規(guī)模合作，對話式語音交互必不可少，也必定會成為主流。我相信在未來的 IoT 時代，語音交互將跨越軟件和硬件的邊界，在不同的場景下，呈現(xiàn)不同的應(yīng)用和服務(wù)，也就是對話即應(yīng)用。

即便很多人現(xiàn)在對這個東西還沒有概念，但是思考一下，你就會發(fā)現(xiàn)這是一個了不起的時代。我們不愿意錯過這個時代，所以成立了一家公司，叫做驀然認知。我們致力于讓機器認知世界，認知計算，以自然語言理解為核心，提供信號處理、語音、語義、服務(wù)自動對接、一站式自動交互的解決方案，更簡單地說，它就是以語義理解為核心的決策引擎，是搜索引擎的下一代。

作為一家創(chuàng)業(yè)公司，不管做什么，首先要有準確的市場定位和切入點。對于驀然來說，我們最先落地和打造的交互場景有家居和車載兩大類，這兩大類可以合為一個完整的整體。

家居場景：以電視為切入口

為什么選擇家居場景？有幾個理由：

• 家是休閑和放松的場所，我們希望在家里享受后仰式服務(wù)，而不是前傾式服務(wù)；

• 家是吃飯，甚至購物的場所，越來越多的人不出家門，從網(wǎng)上購買生活用品。比如吃，你可以不會做飯，但你可能需要獲取做飯的信息，可能需要知道提供外賣、團購的餐廳信息。這些信息都可以通過更好的交互方式來提供；

• 家里的設(shè)備越來越多，除了傳統(tǒng)的幾件，現(xiàn)在又有音響、洗碗機、掃地機器人等，如果想要更好地了解、使用這些設(shè)備，需要集中式的交互入口，做集中式控制和使用，這是很自然的方式。

針對這三點，我們設(shè)計了三類交互方式：

• 基于視頻內(nèi)容的交互，主要是針對電視。我們最先是和暴風 TV 合作，劉總（暴風 TV CEO 劉耀平）后面會做具體講解；

• 基于生活服務(wù)的交互，比如外賣、咖啡、電影票、火車票、飛機票等，都可以通過連續(xù)對話來解決；

• 智能設(shè)備控制的交互，這個在技術(shù)上比較簡單，主要問題在于現(xiàn)在各大廠商的協(xié)議不是那么統(tǒng)一。

車載場景：最適合語音交互的場景

現(xiàn)在業(yè)界基本達成的一個共識是，車載是最適合對話式語音交互的場景，原因主要有兩點：

• 人開車時雙手、雙腳都是被占用的。可能大家經(jīng)常在報道上看到，女司機怎樣怎樣......很多人容易被車駕馭，而不是駕馭車，這是很危險的行為；

• 人在車里的時間越來越長，可能有擁堵的原因，也可能因為人們更喜歡私密的自駕行為。這是完整、連續(xù)的時間，而不是碎片化的，充分利用這個時間，用合適的方式和車交互，會給用戶帶來完全不一樣的體驗。

車載場景里，交互設(shè)計有些差別，行車過程中需要考察路線規(guī)劃，自動導(dǎo)航，即時通訊，實時路況等，除此之外，我們會更關(guān)注行車目的，這對交互會有很大影響。比如你開車去餐廳，我們會給你提供餐廳信息查詢、訂座服務(wù)，如果去機場，就提供機場航班延誤信息，甚至可以買機票，如果去商場，就可以查詢附近停車位和停車預(yù)定服務(wù)，當然這些現(xiàn)在只有少數(shù)大城市才會有。總之，目的地在車載交互中非常重要。

這兩種場景是生活中非常重要的兩大場景，但可以通過我們整體的系統(tǒng)，成為一個 mall，從而融合成更大的場景。而要融合如此多功能的場景，需要各種場景間的自由切換，這個過程要有非常復(fù)雜的語音交互或者對話式語音交互才能完成。

對話式語音交互是多種技術(shù)融合的必然結(jié)果。下面我從不同角度來闡述涉及對話語音交互的各個層面：

VUI 和 GUI 融合

GUI 本身是一種確定的、簡單的、沒有后效性的操作；VUI 是發(fā)散的、跳躍的，相對模糊，但是可以完成復(fù)雜任務(wù)的操作。GUI 是讓我們適應(yīng)機器，VUI 是讓機器適應(yīng)我們。只有兩者有機結(jié)合在一起，對話式交互系統(tǒng)才能發(fā)揮作用。什么效率最高，我們就用什么，搖控器效率最高，就用搖控器，語音搜索最方便就用語音。下單和選擇過程，其實是非常融合的過程。

多場景融合

大家多數(shù)時候聽到的是把垂直場景做深，我覺得這不是根本的。高頻場景的確可以快速覆蓋，但是真正有效的是長尾場景。對話過程中只滿足高頻沒有意義，只有長尾融合在一起，讓用戶感受到服務(wù)需求在各個地方得到滿足，才有可能成為很有效的交互方式。

設(shè)備間的協(xié)同

剛才講到，單一設(shè)備里必須有多場景的融合，這之間的融合怎么做？例如，天氣很熱，我開車回家前，想把家里的空調(diào)調(diào)到 24 度，走廊的燈打開，這是日常生活中很自然的需求。按照現(xiàn)在的很多框架，實現(xiàn)這些會非常復(fù)雜，但是植入我們的系統(tǒng)以后，車機和家庭設(shè)備就可以自然融合，和一個設(shè)備一樣。我們要為用戶營造不同設(shè)備之間遷移、無縫連接、包裹式的經(jīng)驗。這比多場景融合更容易實現(xiàn)。

知識和服務(wù)的融合

大家看到我們談?wù)摱噍喗换ズ蛦屋喗换?，但在我看來，并沒有什么單輪對話的存在。語音早期的應(yīng)用集中在控制、開燈、關(guān)燈、調(diào)音量這些方面，它們的輸入方式不是對話，而是輸入法。真正有用的對話是雙向的，系統(tǒng)理解以后做適當?shù)膭幼?，不理解的話就做推薦動作或反問動作、澄清動作，這樣才能形成完整的、任務(wù)式的、有目的的、優(yōu)化的對話，而不是隨意的。

比如，你今天晚上想看電影，可能會說今天要去的某個電影院、某場電影、某個名字，但這樣說的人太少，系統(tǒng)順利完成任務(wù)的概率很低。你有目標，但是不確定怎么達到這個目標，這時交互式對話會引導(dǎo)你到另外一步，比如電影系統(tǒng)會給出最近在上映的電影，然后基于個人愛好給出合適的推薦；等做完選擇后，你還得注意，電影院在哪里，自己在哪里，你們之間的關(guān)系是不是能讓你快速抵達電影院？所有這些完成以后，你還有一個步驟，就是決定要幾個人去，這個要定做，不是我們預(yù)先定義的。多輪對話的目的是目標不變，但可以打亂所有步驟，這是知識和服務(wù)的融合，是可以做到的。我們現(xiàn)在做得很好。

技術(shù)的融合

AI 本質(zhì)上是技術(shù)的集合體，不是單一的模型，也不是單一的方法，而是多項關(guān)鍵技術(shù)的融合。

決策引擎中有三類，一是認知計算模型，主要針對知識推理建模。知識推理方面，機器在學術(shù)和工程上都可以做得比較好。二是正確理解，針對語義建模，還沒有定論，但是可以做，我們現(xiàn)在做得也比較好。三是內(nèi)容學習，這是大家拼命想做的，深度學習和各種 DNN 結(jié)構(gòu)等。

對對話式交互來說，你可能沒有大量數(shù)據(jù)，連數(shù)據(jù)的序列都沒有辦法定義。怎么拿到數(shù)據(jù)？學習很重要。對問題建模，提出自己的獨特方法，解決小數(shù)據(jù)建模的問題，這非常重要。當所有一切都可以運作的時候，再采用深度增強學習，我覺得這是可行的。AI 里面很早就提到增強學習是實現(xiàn)自主學習的有效途徑。

要打造完整的對話式語音交互系統(tǒng)，涉及到完整的環(huán)，最下層還會涉及到信號處理。陳總（聲智科技 CEO 陳孝良）講了很長時間信號處理和硬件、芯片的關(guān)系。上面一層是語音和文字之間怎么相互轉(zhuǎn)化，語音識別現(xiàn)在相對也已經(jīng)比較成熟。再上面一層，現(xiàn)在簡稱為語義理解，但實際要比這個復(fù)雜很多，真的要打造這個系統(tǒng)還需要往前走很多步：語義理解，對話系統(tǒng)，學習系統(tǒng)，自動服務(wù)對接......自動服務(wù)對接的目的是使場景快速遷移，服務(wù)快速上線，作為一個實用系統(tǒng)來說，它非常重要，但很少被提及。

最后是語言的生成。

我們公司的核心業(yè)務(wù)是第三部分，但是我們和各個公司合作，對整個閉環(huán)都有完整的解決方案，包括和陳總在信號處理方面的合作。

這是一個相對詳細的技術(shù)方案展示（上圖），黃色部分是我們現(xiàn)在能提供的幾大類，云服務(wù)、語義、語音和設(shè)備控制，然后在設(shè)備端會以不同形態(tài)植入不同程序，以便于驅(qū)動設(shè)備和人進行流暢對話。

所有這些融合的技術(shù)方案，目的只有一個，就是讓我們在對話時完成應(yīng)用。

我們可能感覺不到應(yīng)用的存在，但是它的確無處不在。

總結(jié)和展望

在對話即應(yīng)用的時代，有哪些區(qū)別于以往的顯著特征？

一是自然對話主導(dǎo)交互，交互的方式、過程和結(jié)果都以對話方式呈現(xiàn)。

二是應(yīng)用無需安裝，完全服務(wù)化，輕量級，用戶獲取和使用的成本大大降低。

三是不同場景下的應(yīng)用自動融合，用戶不需要使用那么多 APP，也不需要打開那么多網(wǎng)頁，使用效率大大提升。

四是服務(wù)變得有償化，和人的服務(wù)一樣，高質(zhì)量的虛擬服務(wù)本質(zhì)上也是商品，應(yīng)該獲得高價格的回報。

所有這些如果實現(xiàn)的話，我們的開發(fā)成本會降到很低，使用效率則會提高很多，機器和設(shè)備的智能會極大體現(xiàn)出來。這樣一個時代是機器逐步學習、模仿人，并最終超越人的時代。

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。