陳孝良：為什么國內(nèi)做不好智能音響？ | CCF-GAIR 2017

雷鋒網(wǎng)按：2017 年 7 月 8 日，由 CCF 中國計算機(jī)學(xué)會主辦，雷鋒網(wǎng)與香港中文大學(xué)（深圳）承辦的全球人工智能與機(jī)器人峰會 CCF-GAIR 大會進(jìn)入第二天。在智能助手專場，中國科學(xué)院聲學(xué)研究所副研究員、聲智科技創(chuàng)始人陳孝良帶來了以《人機(jī)語音交互的技術(shù)趨勢與商業(yè)機(jī)遇》為題的主題演講。

雷鋒網(wǎng)注：聲智科技創(chuàng)始人陳孝良

語音加速人機(jī)交互方式的變革，可能會重新定義很多消費(fèi)電子。極端一點，如果將來所有消費(fèi)電子都支持語音交互，那這個市場很大，基本上會在全球范圍內(nèi)重構(gòu)整個產(chǎn)業(yè)鏈條。

首先，麥克風(fēng)在性能、低功耗方面要做很大改進(jìn)。事實上，整個全球市場，國內(nèi)的麥克風(fēng)產(chǎn)業(yè)占比很小，即便國內(nèi)有些麥克風(fēng)利用國外的技術(shù)來進(jìn)行生產(chǎn)，但核心技術(shù)還是不在國內(nèi)。而且我們現(xiàn)在做的麥克風(fēng)是標(biāo)量麥克風(fēng)，只能取一個物理量，如果要解決很復(fù)雜的聲學(xué)問題，就需要矢量麥克風(fēng)。當(dāng)然，矢量麥克風(fēng)還有點遙遠(yuǎn)。

第二個挑戰(zhàn)是芯片。我們現(xiàn)在所有的消費(fèi)電子，特別是偏重人工智能的，前端大量用了 ARM 架構(gòu)，GPU 比較少。GPU 用在服務(wù)端離線數(shù)據(jù)的訓(xùn)練，這是我們很大的問題。比較靈活的 GPU，國外三家巨頭和國內(nèi)基本沒有太大關(guān)聯(lián)。

第三個挑戰(zhàn)是算法。聲學(xué)是每個國家比較封閉的領(lǐng)域，因為聲學(xué)主要是為軍工服務(wù)，所以各個國家相互保密，只能各自發(fā)展。比如大量使用的機(jī)器學(xué)習(xí)，國內(nèi)在做改進(jìn)性技術(shù)，我們?nèi)绾卧谠瓌?chuàng)方面比國外領(lǐng)先，這是很大的技術(shù)挑戰(zhàn)。

第四個挑戰(zhàn)是商業(yè)化挑戰(zhàn)，它又分為三個層面。

• 第一是產(chǎn)品。國外最著名的是亞馬遜 Echo，國內(nèi)有京東、聯(lián)想、小米的產(chǎn)品。這些產(chǎn)品有的做過評測，我相信很難得到大家 100% 的認(rèn)同，甚至大家能給 80 分就不錯了。這是個比較大的問題。

• 第二是內(nèi)容和服務(wù)。國內(nèi)的內(nèi)容和服務(wù)比較割裂，騰訊在國內(nèi)占有很大的音樂版權(quán)，百度有很大的搜索，交易大量在阿里，但亞馬遜就把很多優(yōu)勢集中在一起。所以國內(nèi)的產(chǎn)品很難避免和巨頭合作，但是三家巨頭如何合作？怎么選你的產(chǎn)品有很大的缺失。

• 第三是知識產(chǎn)權(quán)，標(biāo)準(zhǔn)。亞馬遜、微軟都在聯(lián)合生態(tài)做標(biāo)準(zhǔn)，甚至包括 ARM，本身我們也是 ARM 生態(tài)聯(lián)盟的。如果大家查專利，可以看到中文的專利也不是國內(nèi)公司占領(lǐng)先地位。2010 年到 2015 年的排名順序，我們擠不進(jìn)前列。

剛才說了很多挑戰(zhàn)，下面和大家交流一下技術(shù)的發(fā)展趨勢。

1. 麥克風(fēng)現(xiàn)在是標(biāo)量麥克風(fēng)，下一步做智能麥克風(fēng)，最后要做到矢量麥克風(fēng)。這么大的會場，如果大家小聲交流，這個聲音對機(jī)器來說就很難處理。另外芯片到底是什么架構(gòu)？低功耗，對接云端，都是需要我們考慮的問題。

2. 下一代 AI 技術(shù)是融合的。麥克風(fēng)和視頻、雷達(dá)的融合，聲光電三個學(xué)術(shù)合在一起應(yīng)該怎么做，這也是下一步需要整個研究和開發(fā)的。

3. 算法與模型，我們做得更多。比如我們的聲源定位，目前只能跟蹤一個目標(biāo)，能不能同時跟蹤多個目標(biāo)，這是非常重要的，包括離線喚醒、離線語音識別。另外，機(jī)器學(xué)習(xí)是不是只用大數(shù)據(jù)，還是可以用別的方法做一些小樣數(shù)據(jù)的處理，進(jìn)行冷啟動，這是我們下一步要研究的方法。

4. 音響不存在死不死的問題，它是除了筆記本和手機(jī)以外，消費(fèi)電子里面擁有量最多的。但我們做這個事情需要數(shù)據(jù)，特別是遠(yuǎn)場數(shù)據(jù)，不像近場數(shù)據(jù)可以直接錄，這是非常嚴(yán)重的問題。冷啟動的時候必須要選一個品類獲得啟動數(shù)據(jù)。

在產(chǎn)品定位方面，國內(nèi)外也有很大不同。

國外亞馬遜 Echo、谷歌 Home、蘋果 Homepod、微軟 Invoke，國內(nèi)就是叮咚智能音響、聯(lián)想智能音響、小雅智能音響、天貓精靈。

國外的產(chǎn)品很忌諱叫 Speaker。當(dāng)時蘋果推Homepod，大家都就猜是不是會帶“Speaker”，結(jié)果選了Homepod，它天然加了兩個因素，一個是Home，一個是pod，這和國內(nèi)的定位有很大的差異。

現(xiàn)在智能音響的產(chǎn)品玩家很多，不光是巨頭，包括國內(nèi)的、深圳很多廠商都做，這里面比較嚴(yán)重的問題是亞馬遜對生態(tài)鏈的重視，可能遠(yuǎn)不如我們想的那么重要。因為亞馬遜比較喜歡玩自由生態(tài)。前段時間亞馬遜和蘋果聯(lián)合降價就可以看出，它可以把產(chǎn)品突然降 100 美元，如果考慮生態(tài)鏈，這是非常嚴(yán)重的，可能導(dǎo)致很多廠商的產(chǎn)品賣不出去。

遠(yuǎn)場語音交互的開始是智能音響，但是將來絕對不僅僅是智能音響，其他人也不會把技術(shù)限定在智能音響，還包括很多其他的產(chǎn)品。

來自雷鋒網(wǎng)報道。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。