深度 | 普利策获奖记者细述全球首个语音巨兽的诞生

2017 年 8 月 14 日 乌镇智库 George Anders

此文来自 MIT Technology Review 中国大陆地区独家授权发布。作者 George Anders 曾因撰写《华尔街日报》的一篇报道而获得 1997 年的普利策奖。

眼下的这场交互革命与以往都不同：从前，所有人都倾向于让自己去适应技术产品，去适应打字、敲击或滑动等动作。现在，语音要想成为主流的交互方式，它必须迎合人类。

然而，这个巨大的挑战在一开始的时候并不在 Alexa 的“射程”范围之内，尽管它现在是语音交互市场的佼佼者。

语音怪兽的诞生

2012 年 8 月 31 日，四名亚马逊工程师提交了一项基础专利。他们只需要用十几个字和一个简单图表就能描述它的工作原理：一名用户下达“播放音乐”的语音命令，一台机器则回复“没问题”并开始播放用户所要求的歌曲。当然，完成这个任务用户得保证它处于一个安静的环境中。

这台点播机器就是 Alexa 最初的形态。亚马逊工程师们设计出这么一款产品，希望借助它与世界上最大、最复杂的数据集之一——亚马逊数据集——进行人性化沟通。

也就是从那个时候开始，基于语音的家用人工智能成为了亚马逊的一大业务，并且越来越成为亚马逊与竞争对手搏斗的战场。如今，这个战场上已经聚集了谷歌、苹果、三星、微软等公司，他们同样派出成千上万的研究人员和业务专家，竭尽全力地创造出具有诱惑力且好用的语音交互设备。

图丨亚马逊Alexa + Echo

自从 2014 年在市场首次亮相以来，由 Alexa 驱动的机器销量已达数百万计。在美国市场上使用语音驱动的AI设备中，亚马逊的销量占据了单位产品总销售额的70％。当然，竞争也在加剧。对手家的 Google Home 也销售了数百万台，而苹果和微软也即将推出自己的版本。

据研究，谷歌、苹果、微软和亚马逊的 AI 平台各自显示出不同的优势。 Google助手是大范围搜索指令的最佳选择；苹果的Siri和微软的 Cortana 有其他方面的才能；Alexa对购物指令的表现特别好。

这些大公司争先恐后地涌入这个市场，是因为竞争优胜者将获得巨大的回报，那就是对三个重要市场的控制影响力：家庭自动化、家庭娱乐市场和购物市场——这三个市场中最小的市场是家庭自动化，单单这个市场每年就已经拥有超过 50 亿美元的份额，而去年美国的零售业总额高达 4.9 万亿美元，潜力十分巨大。

亚马逊期待智能语音助手像曾经的智能手机一样改变人们的日常生活：智能手机已经渗透到生活的方方面面，它改变了人们的约会礼仪，甚至改变了人的步行速度。类似地，基于语音的人工智能也将改变家庭生活的方方面。

但为了使 Echo 变得像智能手机一样普及，亚马逊需要做更多的事情。为此，亚马逊正在鼓励独立开发商在平台上建立新服务，就像苹果长期以来对APP开发者的扶持一样。到目前为止，平台上已经建立了超过 15,000 个 “技能包”或应用程序。而且，应用程序的构建工具已经变得十分容易搭配。

现在，只需要一个小时，就能构建一个简单的应用，也不需要太多的编程知识。平台上最受欢迎的应用程序是 Uber 和 Lyft 的搭车工具。不受欢迎的坏应用则包括 48 个用言语对用户污言秽语的应用。

在那些雄心勃勃的开发商中，既有与 Alexa 合作的硬件公司，也有提供与Alexa搭配的软件服务的公司。例如，CapitalOne 正在向银行客户提供基于Alexa的账单支付; 位于多伦多的 Ecobee 是一家智能恒温器制造商，它可以搭载Alexa驱动的版本，让人们只需说出几句话即可为房间升温或降温，Alexa设备是这家公司发展最快的产品线，Alexa设备已占其总销售额的40％左右。

现在，亚马逊主要通过销售 Dot 和 Echo 机器来赚钱，价格从低端的 50 美元 Dot 到高端带视频屏幕的 230 美元Echo。如果这些设备能引导用户在亚马逊在线商场进行更多的购物活动，这将给亚马逊带来另一大回报——不过，亚马逊不会透露这方面的数据。

实际上，Alexa 驱动的 Echo 装置和 Dot 装置已是无处不在的家庭助理，它可以为你关灯，讲笑话，或者为你阅读新闻。它们还可以收集有关用户的数据，用于改进 Alexa ，增加其用途。

对亚马逊而言，当初那个点播机器也早已改头换面。如今，它已经变成了极其宏大的怪兽。

更好地聆听

如果 Alexa 或其附属产品可以在寒冬腊月替你锁上大门或启动汽车加热器，你还有什么必要去亲力亲为呢？

目前，亚马逊公司还没有试图去赚那些制造智能温控器、灯具和其他与 Alexa 连接的设备的企业的钱。尽管如此，仍然很容易想象，将来亚马逊会如何和这些企业分享市场收益。

亚马逊的当务之急是，让 Alexa 的人工智能系统建立在人类数据基础上，提高从人类的资源中学习的速度。

几乎所有的语音 AI 玩家都知道，语音 AI 之所以对消费者这么有吸引力，是因为它能直接面对我们的需求，回应我们的发言和想法，而不需要我们在键盘或屏幕上打字。这也使得它在技术上极难构建，因为当我们谈话时，我们的话并不总是井井有条的。相反，我们常常打断自己，我们的想法摇摆不定，我们还以奇怪的方式使用词语、点头摇头、发出咕噜声。哪怕我们实际说出的话不可理解，我们也倾向于认为自己的话能被理解。

数千名的亚马逊员工正在努力应对这一挑战。这些人的工作地位于西雅图，加利福尼亚州桑尼维尔和马萨诸塞州剑桥研究中心。即使这样，亚马逊的招聘页面最近还提供了 1,100 多个新的 Alexa 职位，它们分布在十几个部门，其中包括为机器学习专家提供的 215 个职位。

图丨亚马逊 Alexa 首席科学家Rohit Prasad

对于 Alexa 首席科学家 Rohit Prasad 而言，为什么亚马逊需要这么多的人，什么时候他的研究团队才能完全满员？他长期从事语音技术工作已有20年，其中大部分时间得到的都是令人沮丧的结果。

问题的答案是，在过去五年中，巨大的机会降临了。

毫无疑问，创建一个真正有效的语音触发型 AI 是一个复杂且尚未被征服的任务。过去，语言科学家们努力想要在第一轮试验中就能确定混乱话语的确切含义。而如今，机器学习的新方法通过采取不同的方向取得了进展：他们从不完美的匹配中开始工作，接下来进行快速微调和临时的猜测。

关键是，分析大量用户数据，并从早期的错误中学习。 Alexa与用户交互的时间越多，收集的数据越多，它就会变得越聪明。随着 Alexa 的进步，越来越多的机遇来临，从而需要更多的人力来配合。

“让我举个例子，”Prasad 说。 “如果你问Alexa，Adele的第一张专辑是什么？” 答案应该是“19” 。如果你对它说“播放它”，Alexa就会知道开始播放那张专辑。“但是如果中间掺进了其他对话呢？如果你第一次问 Alexa 这张专辑出来的年份，接着问它出售了多少份，再接下来才要求Alexa “播放它”，早期版本的Alexa将被问题困住。现在，Alexa的技术已经可以跟上人的思路，至少有时候能认识到“它”在这里仍然意味着“ 第一张专辑” 。

这种改进来自机器学习技术。机器学习系统重新审查了 Alexa 之前发生的数千个沟通障碍，并进行了改进。系统能学会用户实际想要听哪首歌曲，并在对话的较早部分识别出那首歌曲。麻省理工学院口语系统团队负责人 James Glass说：“你一开始就需要做出一些假设，假定人们会问哪些问题。然后你收集数据，并调整你的模型。”

James Glass 表示，这种机器学习方法得到了广泛的认可，但要使用这种方法的话，所需要的数据量远远超过大学研究人员所能获得的数据。随着 Alexa 使用量的激增，亚马逊现在可以访问一个扩展的人机界面语音交互存储库，使其在对语音技术进行微调方面处于领先地位，正如谷歌在文本搜索查询领域所享有的领先地位那样。

为了加强与下一代 AI 和言语研究人员的联系，亚马逊还邀请全球十几所大学的工程学生来搭建可以持续 20 分钟对话的语音机器人，而在今年11月最后期限前取得最大进展的团队将赢得50万美元的奖金。

外部数据的加入也是有帮助的。例如，2016年，亚马逊把海量歌词数据库加入了Alexa，这样，当用户说出“drove my Chevy to the levee”这样的歌词时，Alexa将自动联想到 Don Mclean的歌曲“美国派”。

Prasad 团队的最新项目之一突出了这种方法的灵活性——这涉及到如何破译用户是不是在反悔其初始请求。不同用户的指令可以有很大的不同。有人会说“不，不，不”，其他人更喜欢说“取消”，还有人喜欢说，“等等，实际上，这就是我想要的”等等。Alexa不需要破译每段话语。大样本和半监督机器学习使它能够概括出一组可能的否定性语音标记，然后在话语变化之后提取出连贯的新请求。

总之，Alexa正在努力成为更好的听众。

交流的可持续性

语音 AI 的最终胜利必将是与用户进行现实的、持续多分钟的对话。这意味着，即使用户没有提出明确的要求，机器也要有能力辨识出用户的意图。这将是机器能力的巨大飞跃。

毫无疑问，人类很容易弄清楚，当朋友在说“我几个星期没去健身房了”的时候，他是想要谈压力还是想要谈自尊。但对于AI软件，这将是一个艰难的飞跃，理解突然切换的主题或拐弯抹角的暗示，这对AI来说是极大的困难。

在某个周末，我们测试了六台Echo机器人，对每个机器人都从简单的查询开始，逐步变换到复杂的、允许各种可能回复的开放式问答。当一台Echo问我：“你看最近的电影了吗？”时，我们回答说：“是的，我看了 Hidden Figures 。”机器人并没有枯燥扔出一段对这部电影的影评，而是对我说：“我认为， Hidden Figures (隐藏的人物) 在数学方面实际上很弱。”这句话并不符合我对这部电影的看法，但当这句话从机器人口中说出时，实在是件很迷人和得体的事。

没多久，我们的谈话便停滞不前，但至少我们有过一个简短的美好时刻。