关于人工智能语音的三次技术跃进详细分析

人工智能的诞生没有统一说法。

有部分学者以1950年“人工智能之父”马文·明斯基建造世界上第一台神经网络计算机为起点，到现在，大致经历三段演化和推进。

让我们一起回顾整个过程，来看一下人工智能语音的三次技术跃进。

人工智能语音1.0：一问一答

现在，人工智能语音技术在数码、电子、工业制造领域被广泛应用并且成为全民热议的话题，可是在发展之初它还有很多稚嫩的地方。

关于人工智能时代的讨论有很多，但在消费层面上，真正大范围进入用户试用阶段的人工智能语音应用大概在2010年之后。这个阶段的人工智能语音技术形成了以语音交互为主的感知状态，我们暂且称之为第一阶段。

这时的人工智能语音应用通过算法的演变和大量数据的输入，在技术层面实现自然语音识别和语义理解，针对对话内容进行数据匹配，然后调取相关话题，从而实现简单内容的单向一问一答。

第一阶段在自我学习、逻辑推理方面有很大欠缺，不能针对同一对话内容展开深入交互，横向拓展和纵向发展都不能满足用户需求。

例如你问今天天气如何？他调取今天的天气数据。

接着你问明天的天气如何？他调取明天的天气预报。

今天天气和明天天气只是各自独立的对答，不能连接贯通，形成逻辑。

关于人工智能语音技术的研究，国外企业投入较早，且发展也比较全面。

像Nuance，曾经在语音识别方面功绩卓著，到现在为止仍然是全球最大的语音技术公司，专利数量和市场份额都遥遥领先。之后包括亚马逊、苹果和谷歌，都在深度挖掘智能语音，推出自己的语音助手。

据不完全统计，目前全球专业做人工智能语音的公司有上千家之多，后起之秀越来越多，涉及的领域越来越广。

如总部位于奥地利维也纳的Cortical.io，主要提供新型自然语言理解(NLU)解决方案。

由艾伦人工智能研究所和亚马逊Alexa基金等机构资助KITT.AI公司，开发可定制热词检测器(hotworddetector)和对话引擎ChatFlow。旧金山的MindMeld公司可提供对话式人工智能平台等等。

人工智能语音2.0：有问有答

早在2000年，比尔 · 盖茨就提出“未来10年是语音的时代”。

我们目前所说的智能语音，学术界称为“自然语言处理”(来自百度)。业内人士认为，智能语音技术将会成为人类主流的人机交互方式之一，计算机技术与人工智能领域的发展为智能语音交互发展带来了希望。

人工智能语音交互的更深层阶段——对话，即有问有答，包含上下文逻辑。

举个例子或许更好理解，如果一门课程上一年没开设，对于“这门课程去年有多少同学没通过”这样的问题，机器是回答“都没通过”还是“去年没开这门课”？同时机器还需要提前存储“去年没开这门课”的信息，想想我们从小时候啥也不懂到现在懂得的知识和信息，这是难以想象的数据量。

再比如说“我想听周杰伦的歌”，机器只会将周杰伦的歌显示出来，并不能直接播放。就是说假如你要做一件事情，需要给机器一个明确的指令，否则，会让人很烦躁，因为你要一直说下去。

当然，“对话”层面，仍然停留在“人机对话”阶段，机器仍然停留在被动接受人类输入大量数据阶段，相比“问答”层面，只不过信息流、数据存储量更大，机器仍然不能更深层次理解人的意思，无法实现自学习、自成长，与机器的语音交流还不能像人一样自然。

人工智能语音3.0：自然交互

人工智能进入第三阶段，最大的进展就是交互的进展。不仅仅有问有答，不仅仅包含上下文逻辑了，人工智能硬件能够更多地融合各种环境信息，作出不同决策或推荐。也就说，在交互的过程中，机器有了更多的主动性，能够为人提供更多、更好的帮助，让人们的生活更便捷，更安全，更有趣。

有两个比较典型的应用场景，一个是智能汽车，一个是智能家居。

2010年，谷歌秘密研究的无人汽车项目被《***》记者曝光，当时引起了不小的震动。无人汽车即无人驾驶汽车，也叫智能汽车，主要是通过车载传感系统感知道路环境，并依靠车内的人工智能系统自动规划行车路线，到达预定目的地。

谷歌无人驾驶汽车在开放道路上行驶时，会对来往车辆、行人，路面环境信息进行识别与分析，为系统的决策判断提供依据。系统经过长期的“学习”后，人工智能具备的策略神经元将变得更加熟练高效，并形成类似于人的“感觉”，能及时处理驾驶过程中的突发情况。

2016年1月，美国国家公路安全交通管理局(NHTSA)在其网站上发布了***，表示根据联邦政府现行法律规定，谷歌的无人驾驶汽车采用的人工智能系统可以被视为“司机”。这被视为是人工智能发展里程碑的事件，也标志着“智能”可以像“人工”一样感知、判断、推理并做出决策，可以实现主动控制，也能更好地人机交互与协同。

在智能家居领域，人工智能的发展方向同样是人机交互、操作简单、通过大数据能够进行自主判断决策。

长虹前不久推出了人工智能电视新品Q5K，主打语义理解和模糊搜片。不需要绝对明确的指令，人工智能电视能识别和理解用户的语义。比如当用户说“太暗了”时，电视能理解那是什么意思并知道该怎么做，而不是非得等用户说出“调高亮度”。

再比如，最近热播的一部电视剧《那年花开月正圆》，名字太长很多人记不住，但只要你说“我想看花开月圆”，长虹人工智能电视也能找到这部片。如果连这几个字都记不住，说“我想看陈晓的电视剧”，它也会根据热播影视数据推荐出这部片来。甚至于说到“我想看陈妍希老公的电视剧”，这台电视也能理解，你所说的八成就是这部由陈晓主演、最近热播的《那年花开月正圆》，并为你播放出来。

这就相当于机器真正有了“大脑”，从而可以感知，交互，理解和决策。因此，也就能够更好地为人类服务了。