爬科技樹不是一朝一夕

 

　　我估計中國過去幾年，各種不同名目的對話型“機器人”的公司，從軟件到硬件的，數(shù)百家是有的，也許有一千家？有一次，在一個會議上遇到一個公司，想做這個事情，想找一個“領(lǐng)軍人物”來帶，領(lǐng)導(dǎo)十多個人。我想，這個公司可能大大低估了做這個事情的難度：這種“領(lǐng)軍人物”在中國可能不超過20個，也許只有10個？十多個人也難以做出一個工業(yè)可用的系統(tǒng)。就是有所謂的領(lǐng)軍人物，有豐富經(jīng)驗的，想把工程重建，也不是短期可以奏效的。這個東西真的是沒有捷徑。

 

　　2012年隨著Siri的發(fā)布，有一波中國的copycat，除了幾個大廠的，大部分很快就滅了。過去一兩年隨著深度學(xué)習(xí)、知識圖譜又起來一波。我認(rèn)為其中的大部分是炒概念，超出現(xiàn)在的技術(shù)能達到的能力，兩三年內(nèi)就會群滅。

 

 

　　我覺得這個東西，屬于典型的系統(tǒng)集成創(chuàng)新，只適合大廠戰(zhàn)略布局用。大廠做這事，并不在乎場景的冷啟動。而對創(chuàng)業(yè)公司，無論是技術(shù)鏈條長度，還是商業(yè)模式啟動的困難，都是超出一般公司體量的?，F(xiàn)在大家都想從問答、個人助理、目標(biāo)達成的角度來切入。大企業(yè)玩玩可以，對小企業(yè)，想顛覆，不能走這條路，技術(shù)鏈太長，商業(yè)模式鏈更長。傳統(tǒng)搜索肯定要被別的取代，但不能是直接拼大廠的長處這樣。

 

　　往大了說，我對這一輪人工智能的幾個熱點應(yīng)用——語音個人助手，問答系統(tǒng)，基于視覺的自動駕駛——都持悲觀態(tài)度。我認(rèn)為這種“準(zhǔn)圖靈測試”類產(chǎn)品，都超越了當(dāng)前的盈利前沿，大規(guī)模應(yīng)用是不現(xiàn)實的。例外是政府（特別是軍方）和某些大公司不計成本地布局，瞄準(zhǔn)十年之后。其他群眾吃瓜圍觀就好。

 

　　各大廠推出的度秘、小冰、Cortana、Google Now，還有搜狗、京東、騰訊等等各種產(chǎn)品，技術(shù)上都各有驚艷之處。未來怎么樣，我也很難現(xiàn)在做出評價。問答系統(tǒng)六個層次：基礎(chǔ)搜索、詞聯(lián)想、本體知識庫，短程關(guān)系、長程關(guān)系、基于上下文的自由問答，現(xiàn)在大家也基本只做到了短程關(guān)系，長程關(guān)系以上都要靠各種“人工”。爬科技樹，絕非一朝一夕。

 

　　科技樹是要爬的。導(dǎo)彈這種大家很容易理解，每一種零件，每一種生產(chǎn)工具，每一種生成工具的機器，缺一種都不行。錢學(xué)森學(xué)到了導(dǎo)彈的一切，回中國建立這個工業(yè)也花了三十年。對于問答系統(tǒng)這種軟件，大家可能不太容易直觀理解，其實也是同樣的，做一個管用的之前要攻克的小問題太多了。就是別人把全套解決方案告訴你了，你都不一定能復(fù)制出來，因為還得有一整套的工業(yè)體系在后面支撐才行。從知識提取，知識存儲，知識表達，知識檢索，到人機交互、知識庫，不知道多少個小零件要逐一打造。所以軟件產(chǎn)業(yè)也和其他工業(yè)一樣，要老老實實爬科技樹。

 

　　Siri的創(chuàng)始人80年代就是Lisp機器的創(chuàng)業(yè)者。大家只關(guān)注到國防部和Siri那部分淵源（美國政府在CALO上投了1．5億美元。Siri獨立后，風(fēng)投又投了2400萬。蘋果花了大概1．5－2．5億美元買Siri。這個買賣真是合算），哪里想到它成立前的二十多年，它的創(chuàng)始人就把知識表達的坑全趟了一遍了。所以世界上沒有無緣無故的成功，也沒有捷徑。

 

　　機器善于做短程關(guān)系的查找（lookup），一層，罕見的情況下可以做兩層。長程關(guān)系的發(fā)現(xiàn)（discovery）是機器做不好的，只能由人來寫，最后變成規(guī)則機器執(zhí)行。那些Siri里有趣的回答，都是人寫的，和機器智能無關(guān)。

 

　　問答系統(tǒng)的現(xiàn)在逐漸從基于知識庫的，發(fā)展到基于檢索的，或者是從基于規(guī)則的，發(fā)展到基于數(shù)據(jù)的。但QA這事，至少目前，不是說數(shù)據(jù)足夠多就行。特別是，數(shù)據(jù)再多，其中高質(zhì)量數(shù)據(jù)（特別是結(jié)構(gòu)化語義數(shù)據(jù)）有多少。實戰(zhàn)一下就知道，靠統(tǒng)計機器學(xué)習(xí)來挖掘高質(zhì)量數(shù)據(jù)，難度太大了，完全不實用。對問題和答案都需要NLP，其間檢索和排序算法都是新的課題，需要多種方法的綜合。

 

　　各種語音交互加攝像頭識別產(chǎn)品，過去以app的形式承載，一直沒有抓住用戶的痛點，沒有進入主流（除了被強推的siri）。所以最近兩年，廠商開始試圖用物理硬件來跑這些app，套個人形的塑料殼稱為“機器人”。應(yīng)用也逐漸細(xì)分，如兒童、戀愛、健康、娛樂等等。這些都是有益的嘗試，但是還是忽悠居多。

 

　　特別是最近的一些“智能”玩具機器人（兒童機器人、陪伴機器人），基本看不懂。我買了個1000塊的某某兒童對話機器人來玩，頭5分鐘大家都很興奮，然后就沒有然后了。關(guān)鍵連開關(guān)都沒有，又蠢又停不下來。然后給我們COO拿回家給4歲的兒子玩，基本沒法用，錯得驢唇不對馬嘴。強烈懷疑兒童陪伴、聽歌、故事機器人現(xiàn)階段實用了。后來又玩了幾個市面上能買到的問答系統(tǒng)硬件。得到的結(jié)論是為時尚早，問答系統(tǒng)難以實用。

 

　　從外觀來征服用戶的，也是一條路。工業(yè)設(shè)計、硅膠科技的方法都有……看起來好看其實蠻重要的，有利于user acquisition。當(dāng)然user retention就不夠了，那還是要真本事。

 

　　在我看來，聊天機器人、個人助手這些東西的場景絕不是智能對話，不是智能對話，不是智能對話（重要的事情說三遍）。聊天機器人往問答系統(tǒng)的方向做本身就錯了。問答系統(tǒng)實用化根本不可能。聊天機器人的定位應(yīng)該是自動化，就醬。

 

　　我想，做語義技術(shù)的應(yīng)用第一重要的是盈利，而不是擴大市場份額。要壟斷一個小市場，競爭對手還不夠強大，市場小到巨頭們無利可圖。語義搜索，一定要走K策略，深挖領(lǐng)域知識，而不是推出一個大而全，大而無用的知識庫、問答系統(tǒng)、個人助手、搜索引擎blah blah。歷史上那些走R策略的語義搜索都活不長。一些垂直的客服系統(tǒng)可能是有用的。我沒做過那樣的系統(tǒng)，所以也不知道其中的坑在哪里。

 

　　不僅技術(shù)上有無數(shù)的坑，要在工業(yè)界搞好一個問答的團隊，那是真心不容易！ 就是在IBM， 說服上層領(lǐng)導(dǎo)就花了好幾年。而且攤子一大，各種山頭光內(nèi)耗就能搞死。另外，問答系統(tǒng)是最接近圖靈測試的，如何巧妙地應(yīng)對來自上面的各種不切實際的靈感，是多考驗負(fù)責(zé)人的情商和智商啊。

 

　　SIRI的一些回顧

 

　　因為工作的關(guān)系，從2010年開始就在關(guān)注Siri。2014年的時候把過去幾年關(guān)于Siri的微博匯總了一下，大概有一百條，全文見《Siri有關(guān)的微博》。兩個短篇見《語義網(wǎng)的公司（6）Siri》《SIRI的貢獻和價值》。也請參考以前為＠好東西傳送門 做的《關(guān)于問答系統(tǒng)博文的目錄貼》。Apple的Siri專利，長，但是對于理解語義網(wǎng)技術(shù)如何在終端用戶產(chǎn)品中運用，很值得一讀。

 

　　凡是抄siri而大談?wù)Z音的，都是還沒入門的（2013）。

 

　　Siri之類的系統(tǒng)，核心是模板系統(tǒng)和結(jié)構(gòu)化數(shù)據(jù)庫（as of 2012）。自然語言處理都是輔助的，真正提高F1分?jǐn)?shù)的還是規(guī)則，模板這些“低級”技術(shù)。數(shù)據(jù)的質(zhì)量和覆蓋率也極其重要?，F(xiàn)在看語音界面超前了，因為語音極大提高了人們對智能的期望。而且語音對環(huán)境和口音要求太高。光口音這一點不知趕走多少用戶。

 

　　Siri之父Adam Cheyer和Steve Jobs在語音界面這一點上曾經(jīng)有分歧。關(guān)于Siri的早期（還沒有被Apple收購之前）的一些設(shè)計理念，參Adam Cheyer早年在Ontolog 上的兩個談話：Ontology Management in CALO， a Cognitive Assistant that Learns and Organizes ，和 Siri： An Ontology－driven Application for the Masses。后來的分歧，見【Siri之父Adam Cheyer：為你講述Siri的前世今生】，里面說，Adam回憶起早期的Siri的時候，也說，“最開始的時候，Siri是沒有聲音的，只會以文本形式推送答案，這樣結(jié)果是視覺化的，也更方便人們?yōu)g覽。使用語音是Steve Jobs的提議，盡管我反對但是他一直堅持”。Cheyer最后只好走人，去創(chuàng)立了Viv，2016年被三星收購——雖然Viv也被標(biāo)簽為“AI語音助手”。

 

　　我認(rèn)為當(dāng)初Cheyer是對的，Jobs是錯的。語音極大提高了用戶的期望，極大提高了系統(tǒng)的誤差。當(dāng)年Adam Cheyer等對Siri的定位還是對的，就是個數(shù)據(jù)集成工具。被蘋果買后Jobs強行要改成語音助手，Cheyer只好出走。現(xiàn)在可以看清楚，Jobs的定位違反技術(shù)規(guī)律。和當(dāng)年的愛瘋天線門一樣，是Jobs以他天才的現(xiàn)實扭曲力場（Reality Distortion Field），試圖扭曲技術(shù)規(guī)律的行為。遺憾的是，電磁波定律無法被扭曲，人工智能的的規(guī)律也無法被扭曲。

 

　　2012年還在研究語音助手的時候，曾拿Siri來反向工程，問各種結(jié)構(gòu)的句子，反推她的模板系統(tǒng)到底是什么樣子。結(jié)果發(fā)現(xiàn)她有些系統(tǒng)性的不能回答的結(jié)構(gòu)，顯然是沒有對應(yīng)的模板。最有意思的有人發(fā)現(xiàn)問“叫我老婆回家吃飯”，Siri回答“從現(xiàn)在開始叫你‘老婆回家吃飯’”。

 

　?。ê髞砟眠@套方法分析了其他一些知名的語音助手，結(jié)果也很有趣）

 

　　當(dāng)然后來Siri也在演進。2013年iOS7上的siri，就有兩點新東西。一是和Bing集成。很可能看中了satori知識圖譜。短期內(nèi)借助外力開發(fā)智能問答引擎，很合理。二是在宣傳中突出語音對設(shè)備的控制和簡單的檢索，而非問答式的個人助手。Siri老團隊的核心當(dāng)時都已經(jīng)走了。

 

　　近年的事情我就不清楚了。

 

 

　　The key is timing and positioning

 

　　遲早有一天，各種聊天機器人會以軟件和硬件的形式進入我們的生活。但是重要的是路徑設(shè)計，而非預(yù)期的愿景；市場的一步步的相對優(yōu)勢的爭取，而非平臺優(yōu)勢的爭取。

 

　　True Knowledge（產(chǎn)品后來改名Evi）曾經(jīng)是一家非常優(yōu)秀的公司，它的知識庫是可以和Google Knowledge Graph媲美的好東西。他家的自然語言理解模板也是值錢的。它可以說是起了大早，趕了個晚集的典型。2005年就開始搞知識圖譜，問答系統(tǒng)也做到了世界領(lǐng)先，但是就是一直沒搞好商業(yè)化，最后以地板價（2600萬美元）賣給了Amazon。這個公司不懂得包裝自己，好好弄弄說值10億美元也是沒有問題的。本來它可以更開放，以更積極的態(tài)度和上下游企業(yè)合作。它并沒有必要成為Siri的直接競爭對手。它應(yīng)該更快地進入美國本地服務(wù)市場——現(xiàn)在的幾個競爭對手本來都比它擁有技術(shù)晚。可惜它被執(zhí)行得更象一個研究項目而不是關(guān)心市場?，F(xiàn)在Amazon的Echo音箱能做好，就有True Knowledge十幾年的積累在里面。

 

　　我認(rèn)為，早在2012年，直接做語音助手的黃金期已過，還沒推出產(chǎn)品的公司就應(yīng)該轉(zhuǎn)進了。其實各種垂直領(lǐng)域都不錯，用戶體驗會更好。語音不語音不是核心問題，Siri能做好的最后必然是擁有數(shù)據(jù)的公司。制造設(shè)備的公司會有幻覺，以為自己有用戶數(shù)據(jù)，其實此數(shù)據(jù)非彼數(shù)據(jù)。自然語言理解雖然是語義搜索的重要輔助工具，但是當(dāng)前階段還不應(yīng)是Value Proposition或者Key Technology。淺而高質(zhì)量的數(shù)據(jù)關(guān)系才是。過于復(fù)雜的理解技術(shù)，不管是查詢問題理解還是語義關(guān)系提取，現(xiàn)在都不足以大規(guī)模工業(yè)化。從這個角度，我認(rèn)為Siri或者其他類似的產(chǎn)品，針對主流市場是危險的。

 

　　Tom Gruber（Siri CTO，我們語義網(wǎng)界的老前輩）曾說： the killer app for semantic technology is your life （online） 。這句話有好幾層意思，背后代表著一整套哲學(xué)、方法論和技術(shù)路線。越實踐，越覺得機會無窮。他也提出了intelligence at interface的一套理論，見他在SemTech08上的演講，很有意思。但是我依然覺得 Siri 在timing上稍微早了一點。結(jié)構(gòu)化數(shù)據(jù)的豐富程度還不足以支持 Siri 的大規(guī)模使用。模版系統(tǒng)的產(chǎn)生方式還不夠規(guī)?；；A(chǔ)NLP的精度還有待提高。類似產(chǎn)品不宜立即投放大眾市場，應(yīng)該再等幾年的。

 

　　2012年，對Siri這類產(chǎn)品，輿論界曾有很高的預(yù)期。典型如【在血刃Google的路上，Siri會先被蘋果給玩死么？】這個文章的作者低估了Siri作為任務(wù)引擎的困難程度。他也應(yīng)該深入想一想，為什么原來的 Siri Assistant 比后來集成的Siri強大但是太慢？為什么集成Siri需要兩年？這背后的結(jié)構(gòu)化數(shù)據(jù)，服務(wù)集成，語義推理，語義理解，常識知識，要涵蓋日常生活的方方面面，甚至不是蘋果一家公司兩三年能搞定的。

 

　　Siri的CEO Dag Kittlaus有一篇文章Siri Is Only The Beginning，看起來很像是科學(xué)美國人上2001年的那篇語義網(wǎng)奠基文章 The Semantic Web。 在十幾年里我們低估了語義網(wǎng)的實現(xiàn)難度，當(dāng)年對Siri的興奮也許同樣低估了問題的復(fù)雜性？在2012年我估計，這一天會到來，但恐怕不是5年內(nèi)?，F(xiàn)在到了2017年，可以認(rèn)為當(dāng)初的保守估計是合理的。或如文章里說，“when our kids are our age”，20－30年吧。

 

　　未來在哪里？

 

　　我不知道。我離開這個領(lǐng)域前沿也有三年了，所以知識也是落后的，很多黑科技可能我是不知道的。

 

　　（我唯一可以確定的，就是這個黑科技不是深度學(xué)習(xí)，肯定不是。）

 

　　大量的試錯總是好的?，F(xiàn)在市場上既然有數(shù)百個嘗試者，最后總會有一些走出來的，其他的至少也為這個市場鍛煉了人才。

 

　　作為創(chuàng)業(yè)團隊，最好先做整個技術(shù)鏈條里一個組件的工作，不要試圖上來整一個問答系統(tǒng)的全周期。即使是對一個垂直領(lǐng)域，這都是困難的事情。根據(jù)不同的團隊構(gòu)成，可以從數(shù)據(jù)庫建造開始，或者可視化開始，或者NLP API，甚至人工的咨詢服務(wù)?？傊麄€大鏈條十幾個大環(huán)節(jié)，先切一個，建立穩(wěn)固的根據(jù)地，再循序漸進。

 

　　未必要在語音這條線上吊死。視覺的并行性和（sort of）可隨機存取性是最寶貴的注意力資源。語音在并行性上有先天不足。純文本也是。長遠(yuǎn)看，個人助理必然要更多使用視覺元素。狗尾草（Gowild）走AR（增強現(xiàn)實）路線，我覺得很有意思，這條路未來大有前景。

 

　　搜索引擎勢必要智能化，勢必要更多利用結(jié)構(gòu)化數(shù)據(jù)（也就是知識圖譜）。這有兩個大方向，一是變成問答系統(tǒng)，依賴自然語言處理走硬AI，二是變成探索引擎，依賴人機交互。我以為第一條路是難以走通的，試圖模擬人的智能，技術(shù)鏈條太長短期內(nèi)不可能解決實際問題。第二條路才是現(xiàn)階段可行的方法，交互式展示半結(jié)構(gòu)化數(shù)據(jù)，利用人的智能彌補機器的不足。

 

　　也不能迷信垂直領(lǐng)域，比如金融。我不但不看好通用域問答系統(tǒng)，也不看好大部分的垂直領(lǐng)域問答系統(tǒng)，因為人的愚蠢是不分領(lǐng)域的。除非該垂直領(lǐng)域是小眾的。具體的以后另專文說吧，這里篇幅太短說不清楚。

 

　　不過AI沒有禁區(qū)，什么意外都有的。我也希望自己說的這些都被打臉。