云知声推”语用计算”概念 AI离理解人不远了？
2016-07-20 11:27:02   来源：   评论：0 点击：

编者按：7月19日，云知声在技术引擎升级分享会上宣布，7月上旬正式完成技术引擎3.0的版本升级，并提出“语用计算”新概念。那么，云知声的技术升级主要体现在哪些方面？“语用计算”到底是什么？机器可以做到像人一样理解语境吗？在热闹喧嚣的AI市场，它又能否为云知声带来新的机会？
　　
　　文/定西
　　
　　容易露馅的语音助手逐渐让大家提不起兴趣，开发者们要做到是让它们真正的聪明。
　　
　　人工智能的发展速度比我们想象的要更快，当你认为它们只会生硬的一问一答时，机器人已经在试图理解你的语境了，这也是人工智能未来发展的方向，甚至做到像人与“人”一样交流。
　　
　　这个“语用计算”的概念，其实可以理解成我们熟知的语境、联系上下文等概念，对机器来说，从“我没有带手表”推断出“我不知道时间”，并不容易，往往要依赖于上下文的语境。为了实现这一点，云知声从AI基础架构层面开始做改进，最终希望在语音识别方面做到个性化、一致性、情感化，比如性别、年龄等人设一致。
　　
　　与此同时，云知声宣布升级技术引擎至3.0版本，在感知智能方面，语音识别字错误率降低20%，识别速度提升40%，在认知智能方面，将会在语义理解的基础上，加入语言的现场环境和背景信息的理解，创立于2012年的云知声，是智能语音服务里的重要玩家，官方此前公布的数据显示，云知声已经覆盖了476个城市，9000万台接入设备，年调用量增长率达到了375.3%，经过四年的成长，完成了技术和数据的初步积累。
　　　　
　　人工智能进入深度学习的大数据时代
　　
　　数据作为人工智能研究的前提，引起了大家广泛的重视，此前云知声CEO黄伟在接受网易科技采访时也表示：有足够多的数据，就意味着系统有升级的可能性，创业以来，我们基本上打通了之前所设想的数据驱动技术迭代的过程。
　　
　　云知声AI技术专家刘升平博士称：这次技术引擎的升级的根本原因是AI基础架构有了较大的突破，AI基础架构是指深度学习为代表的机器学习、高性能计算、大数据。
　　
　　他进一步表示：机器计算能力我们是可以买到的，但唯独数据是买不到也学不到的。深度学习的算法在2000年左右，甚至更早就提出了，但因为计算量非常大，当时并没有得到成功应用。这几年，由于硬件计算能力的飞速发展，GPU比CPU快10倍，一些特定任务上还会快更多。同时，Web2.0以及移动互联网应用有产生了海量的数据，大数据管理技术也得到了很大发展，这样，深度学习算法，高性能计算，大数据，这三驾马车才能让人工智能技术在近几年取得了长远的进步。
　　　　
　　将“智能语音”装入汽车 到底是前装好还是后装好？
　　
　　前装一般定义为在已经面世的汽车产品当中，智能语音设备内嵌在车身里面，它属于整个汽车车型规划设计的一部分，在面世三年之前就已经测试运行，后装则是消费者自己去4S店或者销售门店购买智能语音设备自行安装的情况。
　　
　　目前来看，大多数人工智能公司都选择后装市场进行切入，至于原因，黄伟给出了解释：最大的区别在于成本，一个是时间成本，一个是资金成本，前装周期很长，你跟这个车厂去接触，到测试，到选配，哪怕已经确定用你的方案，他还有一大堆其他东西要经过很漫长严格的测试，等这辆车真的面世已经是三年以后，这就是哪怕你花一百多万买辆车，它的电子设备也很落后的原因，都是三年前的技术方案了。
　　
　　黄伟指出：后装的时间周期也是比较合适的，选择做后装市场产品面世速度快，大家可以很快体验到我们的产品，与此同时，可以在短期内带来较大的用户量，一个车型能卖5万台就不错了，如果是后装，语音设备每周都能达到几万台，所以，无论对于公司的发展，还是对数据的积累，后装目前来看是最好选择。
　　
　　中国人工智能发展的路上还有哪些困难？
　　
　　近年来，我国的人工智能事业如火如荼，普通消费者也对人工智能相关产品表现出了极大的热情，但是目前，我国产学研之间还没有形成有效的共赢机制，这可能还需要一点时间。
　　
　　云知声AI技术专家刘升平博士对此认为：数据的不开放性极大的阻碍了中国认知智能的发展，另外，中国学者只做英文的认知智能研究，不做中文的，原因在于你即使做出了结果，外国人也不承认，所以索性只做英文研究，这就导致了中文没有人做，或者是做出来之后，也得不到承认，像我们的智能口语理解等等都有发展的空间，这对于我国来说是非常大的障碍。
　　
　　对此，山世光教授也表示，开放数据，开源，是我们国内不管是学术界还是工业界还是做的不够好的地方，在国外的开源社区有非常多的人愿意做贡献，他不仅仅是拿过来用，他用完了之后也会把自己东西往开源的平台上放，这样越来越多人掌握了基础的东西，就可以使得整个行业，整个生态能发展的更快，这是非常值得我们国内不管是学术界还是工业界学习的。至于说学术界跟工业界之间，我认为国内还是存在一些障碍，从我跟别人合作的经验来看，不同的公司对这件事情的态度差异较大，有些公司就非常开放，愿意把数据给你，但也些公司，你即使跟他合作他也不给你数据。