導讀：從1990年代開始，George Anders就在關注亞馬遜，他為美國刊物寫了許多與亞馬遜有關的文章。最近他出了一本書《你可以做任何事》（ You Can Do Anything）。 George Anders刊文介紹了Alexa，既談到了Alexa的發(fā)展，也談到了它的挑戰(zhàn)。通過這篇文章，我們可以看到一個不同的Alexa王國。下面是文章的節(jié)選，有縮減：
2012年8月31日，4名亞馬遜工程師提交一份專利申請文件，它最終變成了Alexa，這是一套AI系統(tǒng)，它可以處理世界上最大、最復雜的數(shù)據(jù)集：人類語音。
工程師只需要11個單詞、一張簡單的圖表就可以解釋它是如何運行的。一名男用戶在安靜的房間說：“請播放《Let It Be》，披頭士的音樂。”一臺小小的桌面機器回答說：“沒問題，John。”然后它開始播放指定歌曲。
自此之后，面向家庭的語音AI成為亞馬遜的大業(yè)務，對于競爭對手而言，它也漸漸成為重要的戰(zhàn)略戰(zhàn)場。谷歌、蘋果、三星、微軟都投入了成千上萬的研究人員和業(yè)務專家，它們都想開發(fā)容易使用的設備，讓我們與設備對話。
Witlingo公司開發(fā)語音App，為銀行、大學、律師事務所及其它機構開發(fā)，Witlingo的CEO Ahmed Bouzid認為：“到目前為止，我們所有人必須屈從于技術，比如輸入、觸擊、滑動?，F(xiàn)在新用戶界面卻屈服于我們。”
自2014年推出以來，Alexa設備銷售了幾千萬臺。在美國語音AI設備市場，亞馬遜估計占了總銷量的70%，雖然競爭壓力越來越大。谷歌Home也賣了幾百萬臺，蘋果與微軟很快也會推出自己的產(chǎn)品。
最終，企業(yè)的目標是抓住3個市場機會：家庭自動化，家庭娛樂，購物。
就目前來說，亞馬遜無意從制造設備的企業(yè)手中獲得收入，也就是制造智能恒溫器、燈泡、其它Alexa聯(lián)網(wǎng)設備的企業(yè)。未來，我們可以想像亞馬遜會與企業(yè)達成營收分成協(xié)議，或者選擇其它付費方式。
在這3個市場中最小的是家庭自動化市場，每年開支超過50億美元，去年美國的零售銷售額總計約為4.9萬億美元。眼下亞馬遜通過銷售機器賺錢，定價介于50-230美元，最低端的Dots只要50美元，高端的Echos要230美元，上面有視頻顯示屏。
有些企業(yè)正在開發(fā)硬件、開發(fā)服務，這些硬件與服務兼容Alexa。例如Capital One，它向銀行客戶銷售Alexa支付系統(tǒng)；多倫多Ecobee制造Alexa智能恒溫器，用戶只需要說幾個單詞就可以調(diào)高或者調(diào)低房間溫度。
Ecobee CEO Stuart Lombard說：“我們的客戶生活很忙碌。”現(xiàn)在該公司銷售Alexa設備有40%的營收來自海外，Ecobee成立已經(jīng)10年，Alexa設備是公司增長最快的產(chǎn)品線。
Stuart Lombard還說：“客戶必須穿過繁忙的交通車流回到家里，他們必須喂孩子，必須給孩子換尿布，還要干其它各種事。我們讓他們將事情做完，不需要用到手，他們可以用手干其它事。”
當語音遇到AI
語音AI面臨很大的技術挑戰(zhàn)，因為我們說話時并不是井然有序的，我們會干擾自己，想法會動搖，我們使用單詞的方式很奇怪，還會點頭，發(fā)出咕噥聲，我們會假設自己的話是有意義的，實際上沒有。
幾千名亞馬遜員工正在解決這個問題，包括西雅圖、Sunnyvale、加州、劍橋、馬薩諸塞的研究中心。盡管如此，亞馬遜還嫌不夠，最近它為1100多個Alexa職位招募員工，涉及到十多個部門，當中有215個職位提供給機器學習專家。在劍橋辦公室內(nèi)，Alexa首席科學家羅希特·普拉薩德（Rohit Prasad）接受了媒體采訪，他解釋了自己的團隊為何需要這么多人。
普拉薩德說：“你提問的每一個方面都讓我發(fā)笑。”沉思幾秒之后，普拉薩德解釋說，他在語音技術方面研究了20年，在這段漫長歲月的大多數(shù)時間里，進展緩慢讓他感到沮喪。但在過去5年里巨大的機會開放了。創(chuàng)造一個真實高效的語音AI是一項復雜的、從未被征服的任務。
在過去的歲月里，語音科學家一直想解決一件事，理解混亂表達的意義，最開始時表達有些混亂，很難搞清表達的意思，有了機器學習這樣的新方法，我們用不同的策略取得進步，最開始時匹配是不完美的，機器人從不完美著手，然后通過臨時猜測不斷優(yōu)化。
關鍵在于消化大量的數(shù)據(jù)，從早期的錯誤中學習。Alexa與用戶相處的時間越多，收集的數(shù)據(jù)也就越多，可以學習的數(shù)據(jù)也就越多，也就會變得越聰明。進步越大機會越大，這個過程需要大量的人力。
這就是普拉薩德的解釋。
普拉薩德說：“讓我舉個例子。如果你問Alexa：‘Adele的第一張專輯是什么？’回答應該是‘19’。如果你說：‘播放它。’Alexa足夠聰明，知道播放那張專輯。”
如果你在中間加入其它一些話，如果你問Alexa這張專輯是哪年發(fā)行的，賣了多少張，會怎樣呢？將問題替換“播放它”這個命令，早先的Alexa處理不了?，F(xiàn)在技術可以跟著思考前進，至少某些時候是可以的，它知道“它”指的是“19”。
這是一個重要進步，進步歸功于機器學習，之前 Alxea也被無數(shù)的交換難住，機器學習可以從失敗中學習經(jīng)驗。系統(tǒng)知道用戶不想聽什么歌曲，知道之前的對話最早在何時談到這首音樂。
MIT口語語言系統(tǒng)研究團隊的主管James Glass說：“人們會以何種方式要求獲得一些東西，你最開始時要做出假定。然后你要收集數(shù)據(jù)，調(diào)校模型。”
Glass說，這種類型的機器學習方法得到了廣泛的認可，不過要讓它運行需要大量數(shù)據(jù)，遠不是大學研究人員輕易就能獲得的。
由于Alexa的崛起，亞馬遜現(xiàn)在可以獲得大量的人機語音交互信息。2016年，Alexa引進一個龐大的數(shù)據(jù)庫，里面全是歌曲歌詞，有了這個數(shù)據(jù)庫，當用戶要求播放歌詞中帶‘drove my Chevy to the levee’的歌曲時，系統(tǒng)知道用戶要的是Don McLean的歌曲《American Pie》。
普拉薩德正在推行一個新項目，這個項目的關注重點就是新方法的靈活性。具體來講就是用戶撤銷最初的請求時，系統(tǒng)要正確識別。用戶使用的“信號短語”是大不相同的。一組人說：“不，不，不。”還有一組說：“取消它。”第三組人說的話類似于“等等，實際上我想要的是……”，形式有所變化。Alexa沒有必要破解每一種表達。有了大量的樣本和半監(jiān)督機器學習技術，系統(tǒng)可以為否定語音找到大量可能的標記，請求改變之后能挑選出明確的新請求。
為了讓Alexa成為更好的傾聽者，亞馬遜AI專家首先用大量數(shù)據(jù)訓練系統(tǒng)，讓它成為更好的說話者，他們對機器合成的女性聲音進行優(yōu)化，讓節(jié)奏更完美，這樣就可以刺激用戶持續(xù)使用。
如果使用的是傳統(tǒng)方法，一般會錄制大量的人類語音片段，然后依賴片段合成語音。使用這種技術可以生成更自然的聲音，但是無法低語、無法諷刺、無法調(diào)整，而人類許多時候會這樣說話。
為了讓Alxea可以處理一切任務，既可以進行活躍的對話，也可以完成平靜的朗誦，亞馬遜機器學習算法采用了不同的方法，它用專業(yè)解說員的聲音訓練系統(tǒng)，這些聲音有的焦急、有的充滿憂慮。亞馬遜旗下有一家公司Audible，它是有聲讀物出版商，這家公司幫了大忙。
有太多想說的東西
有些人是語音AI的熱心用戶，那就是無法在平板手機上輕松輸入的人。Gavin Kerr是Inglis的CEO，這家公司向殘疾人提供住房和服務，公司已經(jīng)在8戶居民的家中安裝了Echo和Dot設備。
如果測試完成，Gavin Kerr希望300多位居民全能安裝，這是公司的全部客戶。Kerr說：“它為居民帶來了難以置信的好處，他們可以過得更舒適，可以獲得獨立性。”
Kerr與幾百人合作，這些人患有硬化癥或者其它日漸讓人衰弱的疾病。有些人臥床不起，或者坐在輪椅上，因為很難碰到墻壁上的恒溫器，他們深感苦惱。
Kerr解釋說：“他們的身體難以適應溫度。呆在華氏72度的房間內(nèi)，前一小時可能會覺得太熱了，后一小時又覺得太冷了。”因為移動能力受到限制，他們很難讓自己過得舒服，如果沒有全天候援助，他們會過得更困難。
稍加修改，Alexa軟件可以用特定語音提供服務。有一名男子，快40歲了，他想離開長期看護機構，回到日常社區(qū)生活。Kerr回憶說：“他告訴我：‘我沒有辦法使用Alexa語音命令。’我問他：‘你能說什么？’然后我們就修改了軟件，可以讓他按自己的方式用語音控制設備。現(xiàn)在他如果要打開廚房燈泡會說‘Mom’，如果想打開浴室燈會說‘John’。”
Inglis為自己的Echo用戶提供培訓，時間只有4小時，許多新用戶會進一步探索。從盒子里拿出Echo，包裝會告訴用戶一些常見的操作指令，比如播放音樂、設置鬧鐘、更新購物清單。
用戶可以在智能手機、平板上調(diào)用Alexa控制面板，調(diào)整設置，還可以下載新App，面板還會引導用戶，看看哪種提示音能讓App的工作變得更好。
每周（有時頻率更高）Alexa總經(jīng)理羅勃·普契尼（Rob Pulciani）都會查看統(tǒng)計數(shù)據(jù)，這些數(shù)據(jù)可以告訴他Alexa、Dot用戶最常用的表達是怎樣的。一般來說，清單中排名靠前的表達都是想獲得音樂、新聞、天氣信息、交通信息、游戲。今年春天，有一個請求迅速爬升，這是一個短語：“Alexa，幫我放松一下。”
當用戶提出這樣的請求時，系統(tǒng)會播放一些聲音安撫用戶。可能是鳥叫，可能是波浪輕敲海濱，可能是貨運車穿過黑夜。如果用戶愿意，這些噪音式的環(huán)境聲會連續(xù)播放幾小時。
2015年，當類似的App出現(xiàn)在Alexa平臺時，普契尼覺得純粹只是搞怪。不過這些App很快就吸引了一大堆用戶。壓力大的成年人聽著這些聲音入睡，父母將它們當成搖籃曲，安撫古怪的嬰兒。發(fā)現(xiàn)這一趨勢之后沒過幾周，普契尼就與同事對Alexa的內(nèi)容架構進行調(diào)整，這樣一來當新用戶問系統(tǒng)有什么新“技能”可以嘗試時，他們能夠快速找到讓人放松的聲音。
持續(xù)對話
谷歌、蘋果、微軟、亞馬遜的AI平臺有著不同的優(yōu)勢。谷歌助手在搜索指令方面表現(xiàn)最好。蘋果Siri和微軟Cortana有其它一些優(yōu)點。至于Alexa，它的購物指令特別出色。
如果語音AI想獲得最終勝利，必須與用戶進行交流，這種交流長達幾分鐘，非常真實。任務艱巨，機器的能力必須很強大，能夠判斷人類說話者的意圖，甚至能夠識別不明顯的請求。
當朋友說：“我?guī)字軟]有去健身房了。”人類知道他的意思可能是想談談壓力或者自尊。對于AI軟件而言，這種意圖很難明白。突然轉換話題，AI也很難跟得上節(jié)奏。
為了與下一代AI、語音研究人員建立更強的聯(lián)系，一年前亞馬遜邀請幾十所大學的工程學學生開發(fā)語音機器人，亞馬遜要求機器人可以完成20分鐘的對話。在11月截止日期之前突破最大的學校將會拿到50萬美元獎金。
我花了一周時間對將近5款機器人程序進行測試，每一次都從簡單的問題開始，然后進入巧妙的開放式陳述，陳述的只是觀點，回應有很多的可能性。開始時還是不錯的，機器會問你：“看了最近上映的電影嗎？”我說：“看了。我們看了 《隱藏人物》（Hidden Figures）。”
這部電影講述的是NASA成立之初的故事，接下來，聊天機器人模仿報紙對電影發(fā)表評論，它說：“我認為在實際數(shù)學方面《隱藏人物》有點淺薄。”我對這部電影沒有這樣的感覺，看起來這樣表述對于AI程序而言還是很不錯的。很快對話就進行不下去了，不過至少還有之前剎那的美妙時光。
可惜，沒有一款聊天機器人程序能夠完成任務。最讓人困惑的是機器會說：“你喜歡路邊餐飲嗎？”而測試時我們談的卻是網(wǎng)站。
幾天后，我問普拉薩德，讓他談談對社交機器人的看法，早期的失敗沒有困擾他。普拉薩德說：“這是一個超級重要的領域。如果達到這樣的水平，那么Alexa將是非常聰明的。要達到很難，比圍棋或者國際象棋難。在這些游戲中雖然可能性的棋步很多，但是我們知道最終目標是什么。如果是對話，你不知道對方想達成怎樣的目的。”如果Alexa能夠解決這個問題，我們就可以與它真正對話了。
