作者：王劍白

1962年，美國(guó)西雅圖舉辦了第二十一屆“萬(wàn)國(guó)博覽會(huì)”，也就是我們現(xiàn)在稱呼的“世博會(huì)”，這一屆主題為“太空中的人類”，全方位展示了人類借助宇宙飛船進(jìn)行環(huán)球飛行的航天壯舉，也標(biāo)志著航天時(shí)代的來臨。

會(huì)場(chǎng)的標(biāo)志性建筑“太空針”，是一個(gè)立在細(xì)細(xì)長(zhǎng)長(zhǎng)金屬上面的飛碟，引發(fā)出某個(gè)膾炙人口的笑話：那是地球毀滅之日，美國(guó)總統(tǒng)逃往宇宙的飛船。此外，會(huì)場(chǎng)最受歡迎的展館是波音公司的“太空館”，可以讓觀眾體驗(yàn)10分鐘虛擬遨游銀河系的旅程，不少孩子參觀之后萌生了“太空夢(mèng)”。

但同時(shí)，“明日生活”是本次世博會(huì)的隱性主題，大量預(yù)言和幻想在展出：未來的廚房里只需要按下各種按鈕，就可以為家人準(zhǔn)備晚餐；將來的電話上有個(gè)按鈕，按下就可以看到對(duì)方的臉；以后不需要種植大豆，就可以在工廠里合成各種豆制品……

在各種概念展示中，我們熟悉的IT巨頭IBM拿出了一個(gè)代號(hào)叫“鞋盒”的機(jī)器，它能理解人類口述數(shù)字0-9以及簡(jiǎn)單的運(yùn)算口令，成為當(dāng)時(shí)世界上最先進(jìn)的語(yǔ)音識(shí)別機(jī)器，在今天看來如此基礎(chǔ)的功能，已經(jīng)是那個(gè)時(shí)代的“機(jī)械降神”了。

這個(gè)“鞋盒”，可以說是語(yǔ)音交互的起點(diǎn)，但從“鞋盒”到“智能音箱”，中間走過了漫漫長(zhǎng)路。

先有軟件，再有硬件

智能語(yǔ)音交互，一直以來都是人工智能業(yè)界重點(diǎn)攻關(guān)方向，讓機(jī)器明白你在說什么，是人類夢(mèng)寐以求的事。此外，在機(jī)械、按鍵、觸屏之后，語(yǔ)音被視為人機(jī)交互下一階段的主流，因?yàn)槿说摹罢f話”是最自然、最快速、最低成本的交流方式（再往后可能是腦電波），發(fā)展智能語(yǔ)音，可以讓人類更加輕松便捷地進(jìn)行生活生產(chǎn)。

從AI對(duì)話的流程來看，主要分為四個(gè)技術(shù)模塊：自動(dòng)語(yǔ)音識(shí)別（ASR）、自然語(yǔ)言理解（NLU）、自然語(yǔ)言生成（NLG）、文字轉(zhuǎn)語(yǔ)音（TTS），合并為AI人機(jī)對(duì)話系統(tǒng)框架，形成一個(gè)完整的對(duì)話流?？梢钥吹剑@流程上的每一個(gè)環(huán)節(jié)，都是人工智能高難度領(lǐng)域，因此，在IBM的“鞋盒”之后三十多年的1990，才出現(xiàn)了第一款語(yǔ)音識(shí)別產(chǎn)品Dragon Systems，售價(jià)6000美元，明顯沒法實(shí)現(xiàn)消費(fèi)層面的普及，概念意義遠(yuǎn)大于實(shí)際意義。

2010年后，隨著算力增長(zhǎng)與技術(shù)突破，語(yǔ)音助手進(jìn)入密集爆發(fā)期，其中最為人熟知的是蘋果的Siri、谷歌的Google Now、微軟的Cortana等，與此同時(shí)，芯片等算力硬件性能提升、體型縮小，及家庭wifi的進(jìn)一步普及，讓功能強(qiáng)大的語(yǔ)音助手能夠棲身于更適合家庭場(chǎng)景的設(shè)備，“智能音箱”應(yīng)運(yùn)而生。

2014年7月9日，亞馬遜發(fā)布語(yǔ)音助手Alexa和智能音箱the Amazon Echo，一開始，這種產(chǎn)品并不被人所看好，因?yàn)閷?shí)用度確實(shí)不高，只能用來聽音樂、問天氣、查詢亞馬遜產(chǎn)品價(jià)格等，但隨著智能家居進(jìn)一步普及，越來越多的設(shè)備開始與Echo連接，智能音箱逐漸成為家庭的控制中樞。2017年，Alexa在美國(guó)的功能已經(jīng)超過10000種，大大豐富了Echo的適用范圍，也完成了用戶教育。

巨頭很快意識(shí)到這是一片面向消費(fèi)者的藍(lán)海，而且“占據(jù)入口”比“單品消費(fèi)”的意義更大，因此谷歌、微軟、三星都推出了自己的智能音箱設(shè)備，可以看到，雖然智能音箱是人工智能技術(shù)集成的產(chǎn)物，但一開始并不以AI作為售賣點(diǎn)，更多是作為一個(gè)便捷的信息獲取設(shè)備，這時(shí)候的對(duì)話系統(tǒng)依然是一板一眼的。

就是在這樣的背景下，2017年5月4日，百度推出了自己旗下的首款消費(fèi)級(jí)人工智能設(shè)備“渡鴉”，但根據(jù)百度官方口徑，真正意義上的全自研產(chǎn)品，是在這一年后發(fā)布的“小度在家”。

小度的前世今生

按照“先有軟件，再有硬件”的邏輯，小度的前世是百度旗下AI語(yǔ)音助手“度秘”。2013年，李彥宏和王海峰認(rèn)為搜索的下一個(gè)入口是語(yǔ)音，但是語(yǔ)音需要一個(gè)更加具象的應(yīng)用，一開始，百度希望把自身的語(yǔ)音技術(shù)集成為一個(gè)智能秘書，這就是2015年“度秘”問世的由來。

今天，我們的語(yǔ)音對(duì)話已經(jīng)非常普及，但在當(dāng)時(shí)，AI開發(fā)者依然面臨著非常實(shí)際的問題：怎么從“一問一答”變成真正理解問題，要根據(jù)上下文理解用戶意圖，主動(dòng)提供一些幫助。如果只能對(duì)話，這個(gè)系統(tǒng)的實(shí)用價(jià)值就會(huì)大大降低，而想要解決一些生活中的實(shí)際問題，就需要做到“真正理解”，非?？简?yàn)我們上一期中提到的自然語(yǔ)言理解（NLU）技術(shù)。

2015年百度世界大會(huì)，“度秘”首次亮相，2017年美國(guó)拉斯維加斯CES上，“度秘”有了個(gè)新的名字——DuerOS（小度助手），可以搭載到合作伙伴的硬件上，語(yǔ)音、語(yǔ)義等大量算法和模型后續(xù)也得到了進(jìn)一步開放，幫助硬件廠商打造自己的語(yǔ)音控制中樞，百度下的這一手棋為它匯聚了大量生態(tài)合作伙伴。

到這個(gè)時(shí)間點(diǎn)為止，百度打磨語(yǔ)音技術(shù)的思路很明確——通過開放技術(shù)，進(jìn)入大量形態(tài)各異的硬件中，實(shí)際上就等于占據(jù)了這些硬件的語(yǔ)音入口，只要廠家沒有自研語(yǔ)音的打算，就一定要用到DuerOS系統(tǒng)，這是商業(yè)的角度；而語(yǔ)音技術(shù)在實(shí)驗(yàn)室外得到了更多的實(shí)踐，每一次使用都會(huì)帶來更貼近現(xiàn)實(shí)生活的反饋，比如不同的人喚出語(yǔ)音的習(xí)慣不同，發(fā)出語(yǔ)音指令會(huì)有音量、音調(diào)、方向、詞語(yǔ)的差異，這些都會(huì)成為DuerOS自我學(xué)習(xí)成長(zhǎng)的“養(yǎng)分”，這是技術(shù)的角度。

大廠提供平臺(tái)系統(tǒng)，對(duì)外輸出垂直能力或解決方案，這一模式在2017年前后開始流行起來，降低了許多第三方廠商擁抱人工智能的門檻。不過，百度并沒有就此停止軟件與硬件的“靈肉結(jié)合”，自研硬件的想法開始出現(xiàn)。

自研硬件，靈肉合體

在第三方硬件上積累經(jīng)驗(yàn)、“打怪升級(jí)”之后，DuerOS優(yōu)化到2.0版本，已經(jīng)可以做到“打開手機(jī)百度，播放今天的新聞，下一條，聲音大一點(diǎn)，返回……”這種連續(xù)對(duì)話，交流體驗(yàn)已經(jīng)非常流暢，實(shí)現(xiàn)了高達(dá)97%的語(yǔ)音喚醒準(zhǔn)確率，將誤報(bào)次數(shù)被控制在24小時(shí)一次以內(nèi)，具備進(jìn)一步大規(guī)模應(yīng)用的條件。

2018年，百度正式成立智能生活事業(yè)群組（Smart Living Group）SLG，開始著手打造自己的智能音箱，這里需要注意的是，互聯(lián)網(wǎng)思維與硬件思維差異很大，互聯(lián)網(wǎng)大廠經(jīng)常被人吐槽沒有硬件基因，鬧出過不少笑話，所以百度找了一個(gè)專業(yè)的人來主持這件事，他就是景鯤。

景鯤曾任微軟公司首席研發(fā)總監(jiān)，也是微軟小冰的創(chuàng)造者之一，對(duì)智能語(yǔ)音這一塊可以說駕輕就熟，他于2014年加入百度，2018年升任百度智能生活事業(yè)群組總經(jīng)理。相比語(yǔ)音技術(shù)突破，景鯤更注重打造“符合中國(guó)人使用習(xí)慣”的產(chǎn)品，他認(rèn)為如果要做智能音箱，就不能忽視老人和小孩群體，這點(diǎn)與歐美產(chǎn)品思路差別很大，因?yàn)闅W美智能音箱主要面向青年至中年白領(lǐng)群體。

比如產(chǎn)品設(shè)計(jì)要基于中國(guó)用戶習(xí)慣、口音特點(diǎn)、交互訴求；使用頻率與習(xí)慣的培養(yǎng)需要被關(guān)聯(lián)上強(qiáng)有力的內(nèi)容與功能；要符合家庭場(chǎng)景使用習(xí)慣，不能每次都喊喚醒詞……

2018年3月26日，帶屏智能音箱小度在家誕生。這款產(chǎn)品既可以用語(yǔ)音控制，也可以通過觸屏控制，而且搭載了視頻觀看、視頻對(duì)話等需要屏幕的功能。通過小度在家，其實(shí)我們能看到某些消費(fèi)級(jí)人工智能產(chǎn)品的設(shè)計(jì)思路：

一是更加豐富的交互方式。如果一款產(chǎn)品僅面向Z世代人群，他的交互方式會(huì)變得極簡(jiǎn)化，只保留Z世代最常用的那一種，比如語(yǔ)音或者觸屏，但是面向更廣域人群的消費(fèi)級(jí)產(chǎn)品，還需要向更多群體進(jìn)行兼容，所以小度在家系列從一開始就主打帶屏智能音箱的設(shè)計(jì)，語(yǔ)音+觸控的交叉使用，可以最大程度囊括不同年齡段的用戶。

二是更自然的交互習(xí)慣。前面已經(jīng)提到，語(yǔ)音交互是人類社會(huì)下一階段的普及點(diǎn)，但用戶教育一定要順應(yīng)人類直覺，而非反直覺，一開始，使用智能音箱每次都要加上喚醒詞，但我們回到家每次都要喊一聲“小度小度，把電視打開”，“小度小度，把燈關(guān)掉”無(wú)異于一種羞恥play，在2018年小度助手3.0的更新中，已經(jīng)可以不用每次都喊喚醒詞，更像人類一樣連續(xù)對(duì)話，而且能根據(jù)歷史對(duì)話紀(jì)錄不斷優(yōu)化反饋。

三是要有實(shí)用性。智能音箱剛出來的時(shí)候?qū)嵱眯圆桓撸且驗(yàn)榧夹g(shù)限制，不能準(zhǔn)確理解用戶意圖，所以只能用于單純對(duì)話和一些簡(jiǎn)單功能的接入，而且也涉及到更多第三方功能接入門檻的問題。所以在小度不斷地升級(jí)迭代中，第一方功能和第三方功能越來越豐富，尤其面向老人和兒童，大大延展了智能音箱的實(shí)用性。而且隨著我國(guó)智能家居滲透率進(jìn)一步提升，智能音箱的家庭控制中樞作用越來越突出。

小度是“基礎(chǔ)技術(shù)決定上層產(chǎn)品”的具現(xiàn)化

截至目前，小度智能音箱已經(jīng)經(jīng)過多次升級(jí)迭代，并且面向不同的人群開辟了眾多產(chǎn)品線，而它的“靈魂”DuerOS系統(tǒng)也已經(jīng)升級(jí)到7.0版本，并且向更多品類滲透——無(wú)線耳機(jī)、平板、翻譯筆、電視、健身鏡……不過，小度在第一方硬件的主力載體，仍然是帶屏智能音箱小度在家系列，并且向老人關(guān)懷和兒童教育兩大方向持續(xù)特化。

這些都建立于百度在語(yǔ)音交互、語(yǔ)言理解的技術(shù)突破之上。這里舉兩個(gè)可以大幅優(yōu)化用戶體驗(yàn)的技術(shù)：

一個(gè)叫“全雙工免喚醒”，這是改變一問一答生硬模式的關(guān)鍵，讓人可以和智能音箱連續(xù)對(duì)話、多輪對(duì)話，而不用喚醒，這樣人機(jī)交互就更接近人和人之間的互動(dòng)，很考驗(yàn)機(jī)器的理解能力，因?yàn)閱拘言~的誕生，是為了在理解能力略顯不足的階段，提醒機(jī)器“我要開始對(duì)你下指令”了，如果不加喚醒詞，機(jī)器不知道你在叫他；但是“全雙工免喚醒”技術(shù)可以讓機(jī)器理解人類哪些話是對(duì)自己說的，哪些話和自己無(wú)關(guān)，機(jī)器知道該什么時(shí)候開啟自己的“注意力”。

另一個(gè)叫“多模態(tài)交互”，意思是在一段交流過程中，機(jī)器可以識(shí)別文字、語(yǔ)音、視覺、動(dòng)作、環(huán)境等多種方式的交叉混用，還能形成正確的交互邏輯。比如你問小度“周杰倫今年最火的是哪首歌”，小度回答說是“是《莫吉托》，要我為你播放嗎？”，你向它比一個(gè)“OK”的手勢(shì)，它就開始播放了，這背后是先用圖形識(shí)別出人類的肢體動(dòng)作，再將動(dòng)作化為語(yǔ)言進(jìn)行理解。這種也很接近人和人之間的自然交流。

從這兩條可以發(fā)現(xiàn)，百度在實(shí)驗(yàn)室關(guān)起門來做的AI底層技術(shù)研發(fā)，很快就能找到應(yīng)用渠道，并且轉(zhuǎn)化為產(chǎn)品功能，這是產(chǎn)業(yè)側(cè)下場(chǎng)做基礎(chǔ)型研究的最大優(yōu)勢(shì)，我們常常說“產(chǎn)學(xué)研不分家”，意義就在于此。

此外，這種現(xiàn)象還帶來了另一種優(yōu)勢(shì)：在上一個(gè)人工智能周期，技術(shù)突破到實(shí)際應(yīng)用時(shí)間較長(zhǎng)，這一方面受限于芯片等物理基礎(chǔ)設(shè)施的不完善，另一方面受限于科學(xué)家的產(chǎn)業(yè)思維沒有得到普及，因此一門技術(shù)很難快速實(shí)現(xiàn)商業(yè)化，發(fā)揮自身價(jià)值，這為2019-2020年人工智能行業(yè)整體遇冷埋下了伏筆。企業(yè)以消費(fèi)級(jí)產(chǎn)品牽引AI技術(shù)的升級(jí)迭代，可以避免一些熱錢和概念堆疊出來的“空中樓閣”，這對(duì)人工智能技術(shù)實(shí)用化意義重大。

此外，人工智能消費(fèi)級(jí)產(chǎn)品帶來的另一個(gè)益處是，消費(fèi)者群體就是一個(gè)天然的數(shù)據(jù)庫(kù)，我們知道深度學(xué)習(xí)需要數(shù)據(jù)去“喂”，以實(shí)現(xiàn)系統(tǒng)的優(yōu)化，去年3月小度智能助手月語(yǔ)音交互總次數(shù)就達(dá)到66億次，這加快了小度升級(jí)迭代的速度，和在實(shí)驗(yàn)室閉門造車不可同日而語(yǔ)。這也側(cè)面證明了，深度學(xué)習(xí)確實(shí)是促進(jìn)人工智能發(fā)展的“利器”。

如今，小度背靠百度人工智能技術(shù)優(yōu)勢(shì)，以及在宣傳營(yíng)銷、現(xiàn)金補(bǔ)貼方面的資源傾斜，成功變身為網(wǎng)紅產(chǎn)品。但行業(yè)瓶頸期也隨之而來：隨著智能音箱功能性開發(fā)見底，以及疫情影響供應(yīng)鏈運(yùn)轉(zhuǎn)，2020年國(guó)內(nèi)智能音箱銷量下降了8.6%。對(duì)此，2021年小度推出了很多新品類，延伸到其他的垂直場(chǎng)景，這也是AI底層技術(shù)具備靈活性和泛用性的優(yōu)勢(shì)所在。

接下來，我們聊一聊百度AI“三駕馬車”的另一頭：自動(dòng)駕駛，同樣是自研——開放——合作——自造的道路，某種程度上，這個(gè)領(lǐng)域與人工智能行業(yè)整體趨勢(shì)更加緊密，Apollo的的曲折路線，反映了人工智能商業(yè)化之路的艱辛。（GZH：閱后即AI）

END