对话 | 这家被收购的3人小团队完成了百度“唤醒万物”的第一步

2017 年 8 月 4 日 智东西 寓杨

DuerOS的核心是唤醒万物，而人机交互的第一步则是唤醒词，可以说KITT.AI这个由3位高材生组成的明星团队完成了百度唤醒万物的第一步。

智东西文 | 寓杨

7月5日，百度重磅发布了DuerOS语音交互平台、Apollo自动驾驶平台，成为百度AI的两大核心落地平台。而在这天，百度还宣布收购一家专注唤醒和自然语言处理的AI创企——KITT.AI，与其“唤醒万物”的使命不谋而合。

随着“All in AI”和“从连接信息到唤醒万物”，百度的市值在7月份一个月就涨了约120亿美元，截止到北京时间8月2日，百度总市值已达782.30亿美元，仿佛突破千亿大关已在不远处。从移动互联的服务和应用到AI时代的底层技术，百度也在实现自身的转变，而无疑这种转变是被市场和资本所看好的。

近期，智东西恰好与KITT.AI创始人姚旭晨相遇，并和他就语音技术与百度语音入口的布局展开对话。

一、度秘的新成员——KITT.AI

KITT.AI是一家来自美国西雅图的AI创业公司，主要专注于唤醒和自然语言理解技术。它目前有两款核心产品热词识别（hotword detector）和对话系统 ChatFlow。

热词识别是一款快速训练唤醒词的产品，开发者通过软件平台Snowboy为硬件设备添加唤醒词功能，如亚马逊Echo的“Alexa”，叮咚音箱的“叮咚叮咚”。对话系统 ChatFlow带有基于其自身NLP（Natural Language Processing，自然语言处理）技术打造的自然语言理解引擎NLU（Natural Language Understanding），是一款给开发者用来开发对话系统的工具，帮助开发者解决基于上下文的多轮对话问题。

（KITT.AI创始人团队及成员）

KITT.AI最初是作为艾伦人工智能研究所（AllenInstitute for Artificial Intelligence，简称AI2）的一个内部孵化项目于2014年9月诞生，但在2015年底才真正转做“热词”（即唤醒词）和对话引擎，相关产品也打磨了近一年半。目前，其热词技术可达到95%~98%的唤醒率。

它曾拿到了微软联合创始人Paul Allen和亚马逊Alexa等5家机构的投资，并入选了CB Insights人工智能创业一百强。令人吃惊的是，这样一个明星团队，到目前为止仍只有3名员工。

被百度收购后，KITT.AI保留原有品牌和产品，作为一个独立团队加入度秘事业部，并将继续在西雅图发展。

目前，KITT.AI的热词识别正在接入DuerOS，度秘下面的很多产品都会使用其热词技术。据姚旭晨透露，热词识别连同其对话系统ChatFlow（NLP技术）都将在今年内接入到DuerOS中，但具体收费情况还未确定。

二、唤醒万物先从“唤醒”说起

唤醒词是人与语音设备交互的第一步，能否顺利实现唤醒并减少误唤醒，对于用户体验而言十分重要。

还记得KITT.AI联合创始人兼CTO陈果果在今年百度AI开发者大会上的展示吗？即通过Snowboy平台快速训练一个唤醒词，这正是KITT.AI的热词识别，也是DuerOS平台赋能人机交互体验的关键一环。

（KITT.AI联合创始人兼CTO陈果果唤醒词训练展示）

具体来讲，热词识别的原理是：使用者念出的三遍唤醒词会形成3个音频文件传输到云端，这是一个端到端的深度学习分类器，它会对该文件进行音频建模，建立一个只针对这三个音频的分类器。它可以从能量、音调等方面提取参数进而构成特征，下次使用唤醒词时，这个分类器就会判断是否与这三个音频的特征相近，来决定是否唤醒。据姚旭晨介绍，KITT.AI的热词识别用到了几十万到上百万的特征提取。

唤醒设备很重要，但如何减少误唤醒同样重要。姚旭晨谈到，误唤醒的因素也很多，跟噪声、能量也有关。比如一些与唤醒词相似的音节，小鱼在家机器人曾用《小鱼儿与花无缺》这部电视剧进行测试，发现剧中很多“小鱼儿”的词语有时会带来误唤醒。

此外，他也谈到，毫无相关的一些声音有时也能够引发设备的误唤醒。原因在于机器并不像人一样有语境，它只能从众多特征参数中去判断，可能你的一个爆破音会导致分类器的每个权重都很大，进而造成误唤醒。

放眼当下火热的智能音箱，噪音环境下的唤醒和误唤醒仍然是各家亟待解决的问题。打磨好技术，做到高准确性、高容错，才能获得更好的用户体验。

三、自然语言处理进展到底如何？

KITT.AI的另一项核心技术正是NLP，应用到其产品对话系统ChatFlow中，从而帮助开发者开发对话系统，实现人机对话。而姚旭晨和首席科学家曹原则是美国约翰·霍普金斯大学CLSP实验室（Center for Language and Speech Processing）的博士，主攻方向就是NLP。

近期，关于智能音箱的“智商”问题一直被大家吐槽，而智商背后的关键就在于NLP。尽管BAT等互联网公司拥有海量的数据资源，能够将语音识别做到97%以上，但在NLP上进展却并不明显，各家的语音助手仍被吐槽。

（KITT.AI官网关于对话系统ChatFlow的介绍）

那么NLP在语音应用上到底进展如何呢？姚旭晨谈到，“凡事无法衡量的东西，都是难以改进的”，像语音识别和图像识别很容易measure（衡量），语音识别看看错别字就可以衡量识别率。但是自然语言不是，它是一种开放式的问题，你问它一句话，它可能有100种回答，所以你很难测量这个表现的结果。如果不能测量这个表现，则很难对其进行优化。

NLP是人工智能里最难的问题之一，在人机交互里，机器距离听懂人话还有很远的距离。以智能音箱中的多轮对话为例，目前通用语的多轮对话还难以实现，更多的是特定任务中的多轮对话能力，如打车、叫外卖、定电影票等。

目前NLP还没有太大的突破，它要像人一样会思考、会推理，还有很长的路要走。所以NLP在智能音箱、儿童玩具中做一个简单方便的小助手尚可，但其他的应用还难以做到。这另一方面也说明了，为什么当下的智能音箱大多是“one shot”（一次唤醒一次问答）模式。

四、从收购KITT.AI看百度的语音布局

DuerOS语音交互平台是百度“All in AI” 的重要一步，景鲲指出，DuerOS的核心理念是“唤醒万物”，而唤醒万物的三个基本要素是：听清、听懂、满足——可以理解为语音识别、语意理解、以及响应。

（图为度秘事业部总经理景鲲）

百度在语音识别和内容服务方面已有很多资源，此举收购KITT.AI，正是看中其在语音唤醒和自然语言处理上的优势，从而在“听懂”上更具优势，完善整个语音生态。

KITT.AI在被收购前就已经有近2万名免费开发者，还有来自四个大洲的许多付费客户，并且其公司在今年4、5月份已实现盈利。

在谈及选择百度的原因时，姚旭晨谈到，确实有许多公司想要收购KITT.AI，之所以选择百度，核心原因在于KITT本身的定位就在于平台，即成为一家成功的SaaS (Software as a Service，软件即服务）公司，而百度可以给他们提供一个更大的平台，更多的开发者。此外，百度对技术更加认可，并且也给予其团队很大的自由度，同意团队在西雅图独立发展。

百度需要唤醒和自然语言技术，来强化底层技术根基，而KITT.AI也需要更大的平台，二者可以说是一拍即合。

除了DuerOS和Apollo两大平台产品以及语音领域的KITT.AI外，今年百度还在2月份收购人工智能创企渡鸦科技，4月份收购硅谷专注于机器视觉的AI公司xPerception。在百度内部，搜索部门为AI提供知识库和文本的解决方案，地图团队为自动驾驶提供导航，百度云提供基础设施，百度医疗大脑提供人工智能诊断，可以说百度的“All in AI” 绝不是一句空话。