日前，美國(guó)一家公司宣稱專業(yè)速記員在記錄對(duì)話時(shí)，轉(zhuǎn)錄詞錯(cuò)率為5.1%，而該公司最新研發(fā)的語(yǔ)音識(shí)別系統(tǒng)詞錯(cuò)率已達(dá)到5.5%，超越之前的歷史最佳水準(zhǔn)，樹(shù)立了新的里程碑。語(yǔ)音識(shí)別，是人工智慧領(lǐng)域的核心問(wèn)題之一，0.4%的差距似乎意味著機(jī)器即將比肩人類。

　　已過(guò)“甲子”之年

　　斯坦福大學(xué)的相關(guān)研究者在2016年9月發(fā)佈了一篇名為《2030年的人工智慧與生活》的文章，提到：人工智慧領(lǐng)域正式誕生於1956年夏天，一場(chǎng)由約翰·麥卡錫組織的在美國(guó)達(dá)特茅斯暑期研究項(xiàng)目的研討會(huì)，在多年以後被認(rèn)定為全球人工智慧研究的起點(diǎn)。

　　其實(shí)，對(duì)於人工智慧子項(xiàng)目之一的語(yǔ)音識(shí)別來(lái)説，它的歷史甚至比60年還要久。

　　語(yǔ)音識(shí)別的研究源頭可追溯至1950年，電腦科學(xué)之父阿蘭·圖靈在《思想》（Mind）雜誌上發(fā)表了題為“計(jì)算的機(jī)器和智慧”的論文，首次提出了機(jī)器智慧的概念，論文還提出了一種驗(yàn)證機(jī)器是否有智慧的方法：讓人和機(jī)器進(jìn)行交流，如果人無(wú)法判斷自己交流的對(duì)像是人還是機(jī)器，就説明這個(gè)機(jī)器有智慧了，這就是後來(lái)鼎鼎有名的人工智慧圖靈測(cè)試。

　　圖靈測(cè)試的概念極大影響了人工智慧對(duì)於功能的定義，以此為途徑，卡內(nèi)基梅隆大學(xué)的兩位科學(xué)家希爾伯特·西蒙和曼紐爾·布盧姆做了大量的前期工作，非常精妙地證明了羅素《數(shù)學(xué)原理》52道中的38道。西蒙甚至宣稱在10年之內(nèi)，機(jī)器就可以達(dá)到和人類智慧一樣的高度。

　　在這一時(shí)期，科學(xué)家們也將語(yǔ)音識(shí)別比作“機(jī)器的聽(tīng)覺(jué)系統(tǒng)”，該技術(shù)可以讓機(jī)器通過(guò)識(shí)別和理解，把語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令。1952年，貝爾研究所、Davis等人研製了世界上第一個(gè)能識(shí)別10個(gè)英文數(shù)字發(fā)音的實(shí)驗(yàn)系統(tǒng)。1960年，英國(guó)的Denes等人研製了第一個(gè)電腦語(yǔ)音識(shí)別系統(tǒng)。

　　從“模擬”人腦到開(kāi)創(chuàng)統(tǒng)計(jì)方法

　　當(dāng)20世紀(jì)50年代明確了人工智慧要模擬人類智慧這一大膽目標(biāo)後，這一領(lǐng)域經(jīng)歷了近20年的輝煌。研究人員開(kāi)展了一系列項(xiàng)目，表明電腦能夠完成一系列原本只屬於人類能力範(fàn)疇之內(nèi)的任務(wù)，例如證明定理、求解微積分、通過(guò)規(guī)劃來(lái)響應(yīng)命令、履行物理動(dòng)作，甚至是模擬心理學(xué)家心理實(shí)驗(yàn)、作曲家譜曲這樣的活動(dòng)。

　　但是，過(guò)分簡(jiǎn)單的演算法以及計(jì)算能力的限制，嚴(yán)重阻礙了人們使用人工智慧來(lái)解決更加困難和多樣化的問(wèn)題。

　　這一階段在人工智慧的細(xì)分領(lǐng)域語(yǔ)音識(shí)別上，科學(xué)家們也走上了同樣的彎路。他們認(rèn)為，電腦要完成語(yǔ)音識(shí)別這類只有人才能做的事情，必須先讓電腦理解自然語(yǔ)言，導(dǎo)致研究局限在人類學(xué)習(xí)語(yǔ)言的方式上了，即電腦模擬人腦，語(yǔ)言學(xué)者參與了大量的研究工作，但最後的成果卻近乎為零。伴隨著對(duì)未來(lái)繼續(xù)努力的失望，人工智慧包括語(yǔ)音識(shí)別都于20世紀(jì)70年代中期逐漸淡出公眾視野。

　　轉(zhuǎn)機(jī)出現(xiàn)在統(tǒng)計(jì)語(yǔ)言學(xué)的創(chuàng)立上。這不得不提一個(gè)關(guān)鍵性人物——德里克·賈裏尼克和他領(lǐng)導(dǎo)的IBM華生實(shí)驗(yàn)室，他們創(chuàng)新的使用統(tǒng)計(jì)方法，將當(dāng)時(shí)的語(yǔ)音識(shí)別率從70%迅速提升到90%，同時(shí)語(yǔ)音識(shí)別的規(guī)模從幾百個(gè)單詞上升到幾萬(wàn)個(gè)單詞，使得語(yǔ)音識(shí)別就有了從實(shí)驗(yàn)室走向?qū)嶋H應(yīng)用的可能。

　　在賈裏尼克之前，科學(xué)家們都把語(yǔ)音識(shí)別問(wèn)題的核心歸結(jié)為語(yǔ)言學(xué)中的規(guī)則問(wèn)題，而賈裏尼克將它當(dāng)作通信問(wèn)題後，用兩個(gè)隱含馬爾可夫模型（聲學(xué)模型和語(yǔ)言模型）把語(yǔ)音識(shí)別重新概括清楚了。

　　這個(gè)框架結(jié)構(gòu)至今仍對(duì)語(yǔ)音識(shí)別影響深遠(yuǎn)，它不僅從根本上使得語(yǔ)音識(shí)別有使用的可能，而且奠定了今天自然語(yǔ)言處理的基礎(chǔ)。賈裏尼克後來(lái)也因此當(dāng)選美國(guó)工程院院士，並被某雜誌評(píng)為20世紀(jì)100名發(fā)明家之一。

　　儘管賈裏尼克在1972年就提出了新的研究範(fàn)式，但模擬人腦與統(tǒng)計(jì)學(xué)的方法之爭(zhēng)，卻持續(xù)了近十五年時(shí)間，語(yǔ)音識(shí)別領(lǐng)域歷經(jīng)了十五年的新舊交替後，最大的成果其實(shí)是在技術(shù)的應(yīng)用及産品化方面出現(xiàn)了進(jìn)展。

　　大進(jìn)步的催化劑

　　在網(wǎng)際網(wǎng)路大爆發(fā)的20世紀(jì)90年代，人工智慧的相關(guān)研究又一次停滯了。直到21世紀(jì)前10年，出現(xiàn)了一系列復(fù)興人工智慧研究進(jìn)程的要素，尤其是下面這些重要的因素和核心技術(shù)：

　　大數(shù)據(jù)。得益於網(wǎng)際網(wǎng)路、社交媒體、移動(dòng)設(shè)備和廉價(jià)的感測(cè)器，這個(gè)世界産生的數(shù)據(jù)量急劇增加。大數(shù)據(jù)是人工智慧發(fā)展的助推劑，這是因?yàn)橛行┤斯ぶ腔奂夹g(shù)使用統(tǒng)計(jì)模型來(lái)進(jìn)行數(shù)據(jù)的概率推算，如語(yǔ)音識(shí)別，通過(guò)數(shù)據(jù)的海洋中豐富的語(yǔ)料，使得技術(shù)不斷優(yōu)化。

　　新演算法。演算法是解決一個(gè)設(shè)計(jì)程式或完成任務(wù)的路徑方法。在一個(gè)完整的工業(yè)界語(yǔ)音識(shí)別系統(tǒng)裏，最關(guān)鍵的是深度學(xué)習(xí)演算法，還有很多工作是專業(yè)領(lǐng)域相關(guān)的演算法，以及海量數(shù)據(jù)收集和工程系統(tǒng)架構(gòu)的搭建。這些演算法本身很重要，同時(shí)也是其他技術(shù)的推動(dòng)者，比如機(jī)器學(xué)習(xí)演算法Google的TensorFlow目前就被開(kāi)源使用。

　　可以説，任何技術(shù)都有蓄能階段和爆發(fā)階段，人工智慧包括語(yǔ)音識(shí)別技術(shù)的爆發(fā)都得益於以上條件。這也不難理解，從語(yǔ)音識(shí)別來(lái)看，它是需要經(jīng)驗(yàn)、數(shù)據(jù)和用戶反饋共同作用來(lái)提升表現(xiàn)的。需要利用用戶的反饋總結(jié)出一些特點(diǎn)。

　　谷歌是最早在全球範(fàn)圍內(nèi)大規(guī)模使用深度學(xué)習(xí)演算法的公司，也最早開(kāi)創(chuàng)了用網(wǎng)際網(wǎng)路思維做語(yǔ)音識(shí)別。在這方面，科大訊飛受到谷歌的啟發(fā)，迅速跟進(jìn)成為國(guó)內(nèi)第一個(gè)在商用系統(tǒng)裏使用深度學(xué)習(xí)的公司。

　　現(xiàn)有成績(jī)和待解難題一樣多

　　語(yǔ)音識(shí)別技術(shù)已經(jīng)發(fā)展了幾十年，因?yàn)榇髷?shù)據(jù)和深度學(xué)習(xí)的應(yīng)用，這一領(lǐng)域的傳統(tǒng)強(qiáng)者成了谷歌、亞馬遜、蘋果和微軟這些美國(guó)科技巨頭，據(jù)統(tǒng)計(jì)，美國(guó)至少有26家公司在開(kāi)發(fā)語(yǔ)音識(shí)別技術(shù)，而中國(guó)則有近50家公司研究這一領(lǐng)域。

　　儘管谷歌這些巨頭在語(yǔ)音識(shí)別技術(shù)上的技術(shù)積累和先發(fā)優(yōu)勢(shì)讓後來(lái)者似乎難以望其項(xiàng)背，但因?yàn)橐恍┱吆褪袌?chǎng)方面的原因，當(dāng)然也有部分原因是中文的複雜程度高於英語(yǔ)，所以國(guó)際巨頭的語(yǔ)音識(shí)別主要偏向於英語(yǔ)，中文領(lǐng)域的語(yǔ)音智慧機(jī)會(huì)則留給了科大訊飛、百度、搜狗等中國(guó)公司。在國(guó)內(nèi)，這些本土化産品更為用戶所熟知。

　　中文領(lǐng)域的識(shí)別難度在哪？舉個(gè)簡(jiǎn)單的例子，魯迅《孔乙己》中的孔乙己之問(wèn)：茴香豆的“茴”有幾種寫法？或者一個(gè)更有時(shí)代感的案例，如何形容物流很快？據(jù)説，在漢語(yǔ)裏回答這個(gè)問(wèn)題竟然至少有3600種説法，比如第二天就到了、物流很給力、給快遞點(diǎn)讚等不盡其詳。儘管語(yǔ)音識(shí)別在近些年來(lái)取得了巨大的進(jìn)步，但其實(shí)仍然還有很多的工作要做。

　　此外，還有確保語(yǔ)音識(shí)別能在更為真實(shí)生活的環(huán)境中良好地工作。這些環(huán)境包括具有很多背景噪聲的地方，比如聚會(huì)場(chǎng)所或在高速路上駕駛的時(shí)候；還有在多人交談環(huán)境中將不同的説話人區(qū)分開(kāi)。

　　還有一個(gè)更深層次的難題是，如果需要實(shí)現(xiàn)人機(jī)對(duì)話、人機(jī)寫作，不只是需要用機(jī)器轉(zhuǎn)錄來(lái)自人類嘴巴的聲音信號(hào)，更要理解人們所説的話。

　　從語(yǔ)音識(shí)別來(lái)看，下一個(gè)前沿是從識(shí)別走向理解，真正的人工智慧仍然還在遙遠(yuǎn)的地平線上，在機(jī)器能理解其所聽(tīng)到或看到的事物的真正含義之前，還需要很長(zhǎng)時(shí)間的工作，有很長(zhǎng)的路要走。

　　或許也可以説，我們正在從一個(gè)人類必須理解電腦的世界，邁向一個(gè)電腦必須理解我們的世界。亞裏士多德曾説過(guò)，如果機(jī)器能幹很多活，豈不能讓人類解放出來(lái)，或許這一解放的起點(diǎn)就是“理解”。

　?。ㄗ髡邽椤稒C(jī)器人産業(yè)》雜誌副總編輯）