1493862035685582.jpg

1493862049531743.jpg

日前,美國一家公司宣稱專業(yè)速記員在記錄對話時(shí),轉(zhuǎn)錄詞錯率為5.1%,而該公司最新研發(fā)的語音識別系統(tǒng)詞錯率已達(dá)到5.5%,超越之前的歷史最佳水平,樹立了新的里程碑。語音識別,是人工智能領(lǐng)域的核心問題之一,0.4%的差距似乎意味著機(jī)器即將比肩人類。

已過“甲子”之年

斯坦福大學(xué)的相關(guān)研究者在2016年9月發(fā)布了一篇名為《2030年的人工智能與生活》的文章,提到:人工智能領(lǐng)域正式誕生于1956年夏天,一場由約翰·麥卡錫組織的在美國達(dá)特茅斯暑期研究項(xiàng)目的研討會,在多年以后被認(rèn)定為全球人工智能研究的起點(diǎn)。

其實(shí),對于人工智能子項(xiàng)目之一的語音識別來說,它的歷史甚至比60年還要久。

語音識別的研究源頭可追溯至1950年,計(jì)算機(jī)科學(xué)之父阿蘭·圖靈在《思想》(Mind)雜志上發(fā)表了題為“計(jì)算的機(jī)器和智能”的論文,首次提出了機(jī)器智能的概念,論文還提出了一種驗(yàn)證機(jī)器是否有智能的方法:讓人和機(jī)器進(jìn)行交流,如果人無法判斷自己交流的對象是人還是機(jī)器,就說明這個機(jī)器有智能了,這就是后來鼎鼎有名的人工智能圖靈測試。

圖靈測試的概念極大影響了人工智能對于功能的定義,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)到和人類智能一樣的高度。

在這一時(shí)期,科學(xué)家們也將語音識別比作“機(jī)器的聽覺系統(tǒng)”,該技術(shù)可以讓機(jī)器通過識別和理解,把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令。1952年,貝爾研究所、Davis等人研制了世界上第一個能識別10個英文數(shù)字發(fā)音的實(shí)驗(yàn)系統(tǒng)。1960年,英國的Denes等人研制了第一個計(jì)算機(jī)語音識別系統(tǒng)。

從“模擬”人腦到開創(chuàng)統(tǒng)計(jì)方法

當(dāng)20世紀(jì)50年代明確了人工智能要模擬人類智慧這一大膽目標(biāo)后,這一領(lǐng)域經(jīng)歷了近20年的輝煌。研究人員開展了一系列項(xiàng)目,表明計(jì)算機(jī)能夠完成一系列原本只屬于人類能力范疇之內(nèi)的任務(wù),例如證明定理、求解微積分、通過規(guī)劃來響應(yīng)命令、履行物理動作,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。

但是,過分簡單的算法以及計(jì)算能力的限制,嚴(yán)重阻礙了人們使用人工智能來解決更加困難和多樣化的問題。

這一階段在人工智能的細(xì)分領(lǐng)域語音識別上,科學(xué)家們也走上了同樣的彎路。他們認(rèn)為,計(jì)算機(jī)要完成語音識別這類只有人才能做的事情,必須先讓計(jì)算機(jī)理解自然語言,導(dǎo)致研究局限在人類學(xué)習(xí)語言的方式上了,即電腦模擬人腦,語言學(xué)者參與了大量的研究工作,但最后的成果卻近乎為零。伴隨著對未來繼續(xù)努力的失望,人工智能包括語音識別都于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)語言學(xué)的創(chuàng)立上。這不得不提一個關(guān)鍵性人物——德里克·賈里尼克和他領(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)的語音識別率從70%迅速提升到90%,同時(shí)語音識別的規(guī)模從幾百個單詞上升到幾萬個單詞,使得語音識別就有了從實(shí)驗(yàn)室走向?qū)嶋H應(yīng)用的可能。

在賈里尼克之前,科學(xué)家們都把語音識別問題的核心歸結(jié)為語言學(xué)中的規(guī)則問題,而賈里尼克將它當(dāng)作通信問題后,用兩個隱含馬爾可夫模型(聲學(xué)模型和語言模型)把語音識別重新概括清楚了。

這個框架結(jié)構(gòu)至今仍對語音識別影響深遠(yuǎn),它不僅從根本上使得語音識別有使用的可能,而且奠定了今天自然語言處理的基礎(chǔ)。賈里尼克后來也因此當(dāng)選美國工程院院士,并被某雜志評為20世紀(jì)100名發(fā)明家之一。

盡管賈里尼克在1972年就提出了新的研究范式,但模擬人腦與統(tǒng)計(jì)學(xué)的方法之爭,卻持續(xù)了近十五年時(shí)間,語音識別領(lǐng)域歷經(jīng)了十五年的新舊交替后,最大的成果其實(shí)是在技術(shù)的應(yīng)用及產(chǎn)品化方面出現(xiàn)了進(jìn)展。

大進(jìn)步的催化劑

在互聯(lián)網(wǎng)大爆發(fā)的20世紀(jì)90年代,人工智能的相關(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)興人工智能研究進(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)。得益于互聯(lián)網(wǎng)、社交媒體、移動設(shè)備和廉價(jià)的傳感器,這個世界產(chǎn)生的數(shù)據(jù)量急劇增加。大數(shù)據(jù)是人工智能發(fā)展的助推劑,這是因?yàn)橛行┤斯ぶ悄芗夹g(shù)使用統(tǒng)計(jì)模型來進(jìn)行數(shù)據(jù)的概率推算,如語音識別,通過數(shù)據(jù)的海洋中豐富的語料,使得技術(shù)不斷優(yōu)化。

新算法。算法是解決一個設(shè)計(jì)程序或完成任務(wù)的路徑方法。在一個完整的工業(yè)界語音識別系統(tǒng)里,最關(guān)鍵的是深度學(xué)習(xí)算法,還有很多工作是專業(yè)領(lǐng)域相關(guān)的算法,以及海量數(shù)據(jù)收集和工程系統(tǒng)架構(gòu)的搭建。這些算法本身很重要,同時(shí)也是其他技術(shù)的推動者,比如機(jī)器學(xué)習(xí)算法Google的TensorFlow目前就被開源使用。

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

谷歌是最早在全球范圍內(nèi)大規(guī)模使用深度學(xué)習(xí)算法的公司,也最早開創(chuàng)了用互聯(lián)網(wǎng)思維做語音識別。在這方面,科大訊飛受到谷歌的啟發(fā),迅速跟進(jìn)成為國內(nèi)第一個在商用系統(tǒng)里使用深度學(xué)習(xí)的公司。

現(xiàn)有成績和待解難題一樣多

語音識別技術(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科技巨頭,據(jù)統(tǒng)計(jì),美國至少有26家公司在開發(fā)語音識別技術(shù),而中國則有近50家公司研究這一領(lǐng)域。

盡管谷歌這些巨頭在語音識別技術(shù)上的技術(shù)積累和先發(fā)優(yōu)勢讓后來者似乎難以望其項(xiàng)背,但因?yàn)橐恍┱吆褪袌龇矫娴脑?,?dāng)然也有部分原因是中文的復(fù)雜程度高于英語,所以國際巨頭的語音識別主要偏向于英語,中文領(lǐng)域的語音智能機(jī)會則留給了科大訊飛、百度、搜狗等中國公司。在國內(nèi),這些本土化產(chǎn)品更為用戶所熟知。

中文領(lǐng)域的識別難度在哪里?舉個簡單的例子,魯迅《孔乙己》中的孔乙己之問:茴香豆的“茴”有幾種寫法?或者一個更有時(shí)代感的案例,如何形容物流很快?據(jù)說,在漢語里回答這個問題竟然至少有3600種說法,比如第二天就到了、物流很給力、給快遞點(diǎn)贊等不盡其詳。盡管語音識別在近些年來取得了巨大的進(jìn)步,但其實(shí)仍然還有很多的工作要做。

此外,還有確保語音識別能在更為真實(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,比如聚會場所或在高速路上駕駛的時(shí)候;還有在多人交談環(huán)境中將不同的說話人區(qū)分開。

還有一個更深層次的難題是,如果需要實(shí)現(xiàn)人機(jī)對話、人機(jī)寫作,不只是需要用機(jī)器轉(zhuǎn)錄來自人類嘴巴的聲音信號,更要理解人們所說的話。

從語音識別來看,下一個前沿是從識別走向理解,真正的人工智能仍然還在遙遠(yuǎn)的地平線上,在機(jī)器能理解其所聽到或看到的事物的真正含義之前,還需要很長時(shí)間的工作,有很長的路要走。

或許也可以說,我們正在從一個人類必須理解計(jì)算機(jī)的世界,邁向一個計(jì)算機(jī)必須理解我們的世界。亞里士多德曾說過,如果機(jī)器能干很多活,豈不能讓人類解放出來,或許這一解放的起點(diǎn)就是“理解”。


智能界(m.ukrainianorthodoxchurchinexile.com)中國智能科技聚合推薦平臺,秉承“引領(lǐng)未來智能生活”的理念,專注報(bào)道智能家居、可穿戴設(shè)備、智能醫(yī)療、機(jī)器人、3D打印、智能汽車、VR/AR/MR/、人工智能等諸多科技前沿領(lǐng)域。關(guān)注智能創(chuàng)新對人的生活方式、價(jià)值的改變,致力傳播放大這部分聲量。聚合品牌宣傳、代理招商、產(chǎn)品評測、原創(chuàng)視頻、fm電臺與試用眾測,深入智能科技行業(yè),全平臺多維度為用戶及廠商提供服務(wù),致力成為中國最具影響力的智能科技聚合推薦平臺。

智能界【微信公眾號ID:znjchina】【新浪/騰訊微博:@智能界】


人已收藏

相關(guān)文章

評論列表(已有條評論)

最新評論