|
比如2017年，天猫精灵发布。它从一开始就搭载了一个神奇的功能：声纹支付。你用自己的声音，就可以让天猫精灵帮你充话费买东西，而天猫精灵听到别人的声音，就会拒绝付款。从这项技术衍生开去，天猫精灵还可以识别家里不同人的声音，从而为他们推荐个性的内容。
站在历史的时间轴上，直到这一时点，达摩院才真正成立。
实际上，达摩院成立，并没有改变语音实验室的研究内容。我问鄢志杰，那你感觉到最大的变化是什么？
“决心。”他说。“阿里巴巴要做自主研发核心技术的决心。”
达摩院成立
比鄢志杰早半年加入 iDST 的司罗，是一位标准的学界大咖。从打游戏开始接触计算机，一直做到了普渡大学终身教授。（下次家长再阻止你打游戏，你就说我的偶像是司罗。）
在美国学校“吃了八年粉笔末”之后，司罗决定回国加入阿里巴巴。他的理由是：在学校里研究一个新的算法，有20个学生来做评测就已经算是豪华阵容了。而在阿里巴巴研究一个新的算法，会有上千万真实世界的体验和反馈。
于是，他成为了 iDST 语言技术实验室的领头人。
司罗
“学以致用”是司罗的信条，这恰好也和阿里巴巴的实用主义精神相契合。司罗团队用了五年时间，搭建起两座技术金字塔：
第一座技术金字塔，名叫自然语言处理平台（NLP），有“帮你选择合适内裤”的功效。
简单来说，这套系统有三大功能：把任何一段话拆分字句，提取其中的信息，理解其中的意义。
举几个实际的例子：
你在淘宝搜索一个关键词：“男士内裤骚粉”，NLP 系统就会把它拆分为“男士+内裤+骚粉”，从而找到适合你的商品，这就叫电商分词。
你在淘宝买过骚粉内裤，之后它就会一直给你推荐各种彩色内裤，这就是大名鼎鼎的淘宝推荐系统。
你在购买记录里评价购买的内裤又舒适又美观，于是淘宝就会知道这是个正面评价，然后把这个商品推荐给更多的买家，这就是情感分析系统的功劳。
如果你不知道哪家内裤的性能最好，可以询问阿里小蜜，人工智能就会查看很多商品介绍，然后给你推荐最适合的那款，这就是信息提取功能。
司罗说，仅仅 NLP 基础技术平台，每天在阿里内部就会被四百多个部门调用两万亿次。可见它的职责之重。
第二座技术金字塔，名叫机器翻译平台，有“帮土耳其人买中国辣条”的功能。
翻译的用途当然很多，但是在阿里巴巴内部，跨境电商是“最有商业价值”的战场。
如果一个土耳其用户，想要在电商上购买中国的零食，需要和卖家聊天。但他是不可能看懂中文的。对于这种对话的翻译，不是简单地说明白就行，还要特别讲究“信达雅”。
比如卖家说：
我家的辣条，软滑香糯，入口即化，唇齿留香，余音绕梁，三月不识肉味。买回去你撕开包装，隔壁小孩直接馋哭了。
要把这话翻译成土耳其语，那得把人工智能累哭了。但司罗和团队的技术正在把它变成现实。
话说回来，谁让你叫“达摩院”，达摩院可是禅宗初祖菩提达摩面壁开悟的地方。如果不做这种挑战人类极限的事情，那就别叫达摩院，干脆叫幼稚园得了。。。
阿里巴巴的同事帮我找了一张“英俄互译”的截图
（4）面壁者
走得更远的人，背包也更重。
2017年10月10日，你搜索“达摩院”，结果是少林寺。2017年10月11日，你搜索“达摩院”，结果是阿里巴巴。一瞬间，世界开始用新的标准审视达摩院的科学家。
成为达摩院诸神一员，意味着每人面前都有两堵墙。一堵墙是技术极限，另一堵墙是商业实践。
在鄢志杰眼里，技术是一只高速飞行的蝙蝠，而商业就是反馈和矫正方向的超声波雷达。他举了两个例子：
2018年，我们为上海地铁售票机研发的语音购票系统，你只需要说出想去哪儿，售票机就自动给你推荐最近的地铁站。看上去很简单，但放到真实的商业环境里，你会发现很多意想不到的困难。
地铁站里面的售票机是并排放置的，每个人说话都会干扰到临近的售货机。你不可能让地铁站把售票机距离拉大，这件事只能靠算法来解决。
再比如，我们用技术帮助法庭书记员语音撰写庭审记录。但是法庭的现场情况比较特别，原告有个麦克风，身后还有扩音喇叭。被告的声音从喇叭里出来，又会串进原告的麦克风。这同样需要精巧的算法来解决。
下图就是上海地铁购票机，亲测还挺好用的。
你可能没想到，达摩院的大神们用顶尖的人工智能技术，最后解决的却是实际应用中鸡零狗碎的小问题。
通常的研究者，经常会把一件事情抽象，再抽象。抽象到终于能解了，于是认为自己解决了问题。但他们往往忽略，抽象之后的逻辑和真实世界已经有很大的差距了。一个抽象中的算法，要解决最原初的实际问题，需要反过来走很多的路。
金榕一语概括了技术和商业的相爱相杀。
其实跟着达摩院大神们的节奏，我们已经窥探到了“自然语言处理”中科学钻探的最深处。
1、如何像人一样“听清”。
传统意义上的语音识别，人工智能只有一个耳朵。但在一个真实的公共环境中，只靠一个耳朵是远远不够的。
而鄢志杰想在这个耳朵旁边再安装上眼睛。正如人一样，我感觉到谁在对我说话，一定会把脸转向他，从而让耳朵获得最有针对性的声音。
正是基于这个“多模态语音交互”的理念，他才为上海地铁购票机装上了摄像头，配备了可以定向收声定向降噪的一组麦克风。这一套系统可以感知它身处什么环境、谁在和我说话，在说什么，等等一系列精准地信息。
鄢志杰把它用在了咖啡点餐机上，在真实的嘈杂环境中，机器用49秒时间点了34杯咖啡，作为对比，人完成这些事情却用了2分37秒。
2、如何像人一样“说清”。
机器模拟人声，这就是非常著名的技术 TTS。
TTS 是机器人通过图灵测试的关键一环。哪怕机器人对你所有的问题都对答如流，但是声音被你识破了，它还是会在图灵测试中失败。
而 TTS 是个深坑。各种最前沿的技术方向正在混战，谷歌、亚马逊，还有国内的 BAT 都在这篇混战的战场中。
鄢志杰告诉我，通过最新的 Knowledge Aware TTS，一个机器模拟声和原声相比较，已经从80-90%的相似度，提高到了95%的相似度。这意味着，你需要特别仔细地判断，才能知道电话那头究竟是人还是机。
在阿里云上，有一个小 Demo，你无论输入什么文字，萌妹子都能没羞没臊地给你读出来，而你丝毫感觉不出这是机器声。你可以去试试。
3、如何像人一样“思考”。
在最开始中哥曾经提到，人在大脑里会“解压”语音，解压的过程中绝对性地依赖自己对于世界的“知识图谱”。
要想让机器在大脑里像人一样理解人话，必须要对这个世界进行非常精准的建模，形成像百科全书一样的知识图谱。
这条长征路，达摩院已经迈出了第一步。
（编辑：温州站长网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
