中國電子信息博覽會上，小朋友體驗科大訊飛VR創(chuàng)新教學產(chǎn)品。圖 | 受訪者提供
 

以報道新興科技與創(chuàng)新商業(yè)為特色的《麻省理工科技評論》，在進入互聯(lián)網(wǎng)時代以后很受中國年輕一代技術(shù)男們的追捧，而這本雜志實際上已有118年的歷史了。

2017年6月27日，《麻省理工科技評論》發(fā)布了“全世界最聰明的50家公司”榜單，其中排名全球第六、中國第一的，不是風頭正勁的中國互聯(lián)網(wǎng)巨頭BAT中的任何一家，而是科大訊飛。

該刊對科大訊飛的上榜理由是這樣描述的：“該公司旗下的語音助理技術(shù)是中國版的Siri。其可攜帶實時翻譯器則是一款杰出的人工智能應用，克服了方言、俚語和背景雜音，可將漢語精準地翻譯成十幾種語言。”

科大訊飛董事長劉慶峰對“人工智能+”時代的趨勢總結(jié)道，“以語音為主導，以鍵盤和觸摸屏為輔助的人機交互時代正在到來。”在他描繪的圖景里，未來的人工智能會像水和電一樣進入每個行業(yè)，深刻地改變?nèi)祟惖氖澜?。這其中，“語音是人工智能的重要入口”。他認為，這是訊飛走紅的原因。 
 

“我們很榮幸入選‘最聰明的公司’，但是我覺得，科大訊飛在過去十幾年做的幾乎每件事都是挺笨的。”在《麻省理工科技評論》揭曉“全世界最聰明50家公司”現(xiàn)場致辭時，科大訊飛高級副總裁江濤說。

對于當下的中國青年人來說，創(chuàng)業(yè)是一種時髦，然而對于訊飛來說，卻開始于近20年前。

1999年，科大訊飛成立，18名成員全部是中國科學技術(shù)大學的畢業(yè)生。此時，恰逢全球語音技術(shù)產(chǎn)品化的第一波熱潮。微軟、IBM、英特爾和摩托羅拉都在中國成立了專門的語音研究基地，并把中文作為最重要的戰(zhàn)略主攻方向之一。

然而，這一波熱潮并沒有真正熱起來。其原因，是受語音技術(shù)發(fā)展水平的限制。劉慶峰記得，當時語音合成出來的效果是“一字一頓”的，連續(xù)性不好；而語音識別和語音解析則更多地停留在實驗室階段。

語音技術(shù)如何賺錢，初創(chuàng)團隊誰都說不清楚。當時，蘋果的Siri還沒出現(xiàn)，距人機語音交互也還十分遙遠，但那時劉慶峰就認為，語音技術(shù)遲早要面對大眾，融入人們的日常生活。如果說，語音合成是讓機器擁有人類的聲音，那么，語音識別和語音解析則是賦予了機器人的耳朵和大腦。讓機器能聽會說，成為訊飛成立之初就設(shè)定的目標。

按照當時的估算，這項技術(shù)有著100億元左右的市場空間，但這只是幾個創(chuàng)業(yè)青年的簡單推算。劉慶峰回憶說，“我們當時想，語音用在工商查詢系統(tǒng)中會有多大市場規(guī)模？我們的系統(tǒng)使用費用20萬元，全國400個工商局就是8000萬元，如果放到教育上豈不是更大？”

不久，他們開發(fā)了一款名叫“暢言2000”的電腦軟件。這是一款能把語音自動轉(zhuǎn)換成文字的工具，甚至還可以讓用戶通過語音控制電腦，現(xiàn)在看來，這有點像訊飛后來一些產(chǎn)品的原型了。

一開始，這款設(shè)計受到了很多人的喜愛，尤其是對電腦接受度低的離退休人群。但是很快劉慶峰就發(fā)現(xiàn)產(chǎn)品很難賺到錢。一方面是因為盜版橫行，另一方面，用戶年齡偏大，對電腦知之甚少，維護成本高。

他們試圖將技術(shù)提供給中國電信等大公司來獲取利潤，對方卻不放心將單子交給一個十幾人組成的年輕團隊。后來，劉慶峰想辦法將技術(shù)嵌在包括華為在內(nèi)的大的技術(shù)平臺上，謀求與第三方的合作。這成為后來訊飛主要的商業(yè)模式。

劉慶峰許下的上億元規(guī)模的市場空間并沒有成為現(xiàn)實，而且大筆的收入被投入到核心技術(shù)的進一步研發(fā)中了，創(chuàng)業(yè)成員只能拿到兩三千元的工資?，F(xiàn)實讓他們感到有些失望。同時，各種質(zhì)疑聲四起。劉慶峰則堅持，“我們不可能一步登天，只能腳踏實地。成功一定會來，但絕對不是現(xiàn)在。”

直到2010年，公司推出了訊飛輸入法，以此宣告語音聽寫時代的到來。劉慶峰還記得發(fā)布會的地點是在北京的香格里拉飯店，當時整個會場的人都很興奮。一位在場的記者用福州口音嘗試了訊飛輸入法后激動地說，“中國終于有個像Siri的產(chǎn)品出現(xiàn)了”。

然而，訊飛輸入法并沒有預料中的那樣突飛猛進。劉慶峰很清楚，“當時80％的識別率是在特定場景下實現(xiàn)的，然而，如果在噪聲環(huán)境或網(wǎng)絡(luò)環(huán)境不好的情況下，實際的識別率就只有60％了。”

當時，訊飛剛剛將“深度學習”技術(shù)引入到語音識別中去，“機器學習”依然是最主要的計算方法。這個已經(jīng)發(fā)展數(shù)十年的技術(shù)對于語音的特征提取有著天然的局限性。其他條件也都還沒有準備好。2010年，距離中國政府正式發(fā)布3G牌照僅僅一年的時間，國內(nèi)手機市場依然是以2G為主導。移動網(wǎng)絡(luò)的限制體現(xiàn)在數(shù)據(jù)傳送速度上，用戶說完話后，需要等待一段時間才能將語音變成文字。

五年之后，一切都發(fā)生了變化。2015年，全球智能手機出貨量為12.93億部，年增長10.3％。2016年，這一數(shù)據(jù)為14.8億臺。截至2016年7月,中國移動電話4G用戶總數(shù)達到6.46億。

與此同時，深度學習技術(shù)也迅速發(fā)展起來。深度學習通過建立、模擬人腦進行分析學習的神經(jīng)網(wǎng)絡(luò)，使得機器能從大量歷史數(shù)據(jù)中學習規(guī)律，從而對新的樣本做智能識別或?qū)ξ磥碜鲱A測，以達到具有人類一樣的思考能力。這一技術(shù)迅速地被應用在語音識別、圖像識別等領(lǐng)域。

語音技術(shù)一下子火了起來。智能語音在國外得到互聯(lián)網(wǎng)巨頭的重視。蘋果推出了Siri，谷歌發(fā)布了GoogleNow，微軟的Cortana也問世了。這些公司都希望通過語音助手來打開人工智能的入口。2016年9月，微軟執(zhí)行副總裁沈向洋在接受媒體采訪時表示，語音的徹底主流化已經(jīng)不是一個需要討論的問題，只是一個時間和習慣轉(zhuǎn)移的問題。

“互聯(lián)網(wǎng)女皇”瑪麗·米克爾（Mary Meeker）發(fā)布2016年互聯(lián)網(wǎng)趨勢報告，用近四分之一的篇幅論述語音識別交互帶來的改變，將語音功能贊譽為“人機交互的新范式”。她說，語音功能解放了雙手和眼睛，擴展了永遠在線的概念，只需要一個聲音的交流，就可以迅速高效地完成一些操作，傳統(tǒng)的鍵盤、手寫板或現(xiàn)在流行的視頻都不可能如此充滿想象力而且便利。

劉慶峰終于等到了最好的時代。訊飛語音占領(lǐng)了各類會議的大屏幕，訊飛輸入法成為互聯(lián)網(wǎng)人的標配。“許多人覺得人工智能突然火了，但我們其實一直在這個領(lǐng)域努力。科大訊飛看準一個方向，就會不遺余力地走下去。”

一切都朝著新的目標努力，即機器不僅能聽會說，還能理解、會思考。在資金投入上，科大訊飛每年將銷售收入的25％投入研發(fā)中去，遠超其他科技企業(yè)3％～5％的平均水平。不過，做出一款類似《超能陸戰(zhàn)隊》里的大白的產(chǎn)品，能夠完全理解人類的語言和行為，注定是一場漫長的戰(zhàn)役。

比如說，既有的語音識別工具仍然不能勝任嘈雜或回聲繚繞的地方——訊飛的產(chǎn)品目前也只能保證5米內(nèi)的識別；如果硬件比較差，那就更糟糕了，對語音識別的結(jié)果會變得磕磕絆絆。“要把一個人工智能的‘耳朵’做成一般人的聽力水平并不難，問題是要讓這只耳朵在嘈雜環(huán)境下也能聽懂人說話，那就不是容易的事情。”劉慶峰說。

按照他的說法，人工智能可以分成三大階段，第一個階段叫計算智能，如計算機下象棋贏了國際象棋大師，代表了計算能力越來越強；第二個是感知智能，機器在視覺、聽覺上以及語音上超越人類；而下一步就是認知智能，讓機器有學習和推理能力。只有這樣，人工智能才能帶來更多驚喜。

科大訊飛信息科技股份有限公司的訊飛研究院內(nèi)，研發(fā)人員在實驗室監(jiān)測車內(nèi)噪聲環(huán)境下車載語音導航的識別率。圖|新華
 

“最聰明的”訊飛到底有多聰明？在訊飛的“曉譯翻譯機”發(fā)布會現(xiàn)場，科大訊飛高級副總裁胡郁演示了該產(chǎn)品的功能。他邀請一位外國女士上臺。這位女士懂一點漢語，卻不能完成流利的交談。雙方都手持著一個翻譯機。胡郁說中文，對方則用英語。

“你好，歡迎參加我們的發(fā)布會，請問你叫什么名字？”

“我叫南希，我很榮幸能參加這場盛會。”

“看了這么多產(chǎn)品，你覺得怎么樣？”

“很精彩，我覺得好玩又有趣。”

“有了這個設(shè)備后，你覺得還有必要學中文嗎？”

“這個設(shè)備讓我震撼。我想推薦給我的朋友們，但是學習中文還是我最大的興趣。”

 “翻譯機擁有大學英語六級的水平，能起到日常交流的作用，但還不能取代同傳。”科大訊飛多語種翻譯業(yè)務(wù)線副總監(jiān)馬家領(lǐng)告訴《中國新聞周刊》。

語音翻譯是集語音識別、口語翻譯和語音合成為一體的技術(shù)。隨著全世界互聯(lián)互通不可阻擋的趨勢，它被視為當前移動互聯(lián)時代最受矚目的影響人類生活的重大技術(shù)之一。

機器翻譯的歷史最早可以追溯到1954年。當時，美國喬治敦大學與IBM公司聯(lián)合使用IBM-701計算機首次完成了英俄機器翻譯試驗，拉開了機器翻譯研究的序幕。此后幾十年間眾多不同的翻譯方法相繼出現(xiàn)。

自20世紀80年代末以來，語音翻譯技術(shù)一直備受各國政府和研究機構(gòu)的關(guān)注和重視。1985年，美國航空航天局翻譯科主任 Timothy J.Rowe 就說過:“機器翻譯是明天就要掀起的浪潮，這一點已毫無疑問了。”然而，這一技術(shù)的發(fā)展并沒有預料的那么迅速。語音翻譯僅僅涉及天氣信息、觀光旅游、購物和旅館預訂等限定領(lǐng)域的實驗研究，主要以研究、系統(tǒng)演示和展示為主。

人們頗為熟知的在線翻譯讓機器翻譯技術(shù)往前邁進了一步。它的工作原理是將整個句子切分多個詞組、短語，進行翻譯組合。比如，在中英文翻譯中，它會把中文、英文短語之間的影射關(guān)系建立起來，解決的是對齊問題，譯成小短語，以達到最大化的翻譯流利程度。不過，這種組合產(chǎn)生的翻譯方式因為較大的誤差而不實用。

訊飛采用的技術(shù)將機器翻譯大大地往前推進了一步。它使用的是“編碼器-解碼器”模型，能夠?qū)卧~的特征進行提取，并具備語譯能力，這是基于人工神經(jīng)網(wǎng)絡(luò)的一種機器學習方法，能夠模擬人腦神經(jīng)的層級結(jié)構(gòu)，從基礎(chǔ)層開始，每一層都對從上一層接收來的信息進行抽象，自動識別出語言的規(guī)則、模式。這也是目前業(yè)界都在努力研究的一個方向。

在美國，谷歌、微軟都將神經(jīng)網(wǎng)絡(luò)應用于機器翻譯領(lǐng)域，谷歌更是表示會將神經(jīng)網(wǎng)絡(luò)機器翻譯技術(shù)推廣到Google Translate支持的全部103個語種中。

美國國家標準技術(shù)研究院（NIST）組織的機器翻譯大賽（Open Machine Translation Evaluation）被業(yè)界視為全球最權(quán)威的機器翻譯技術(shù)評測。2015年，在眾多巨頭的包圍下，科大訊飛取得了全球第一的成績，能夠做到字到字的完全準確，包括語義理解準確。而一年前，科大訊飛在2014年國際口語翻譯大賽（IWSLT）上獲得中英和英中兩個翻譯方向的全球第一名。

現(xiàn)在，只要依靠手中比智能手機還要小的翻譯機，就可以出國旅游，甚至進行一些低難度的商務(wù)會談。人人都渴望的實時翻譯技術(shù)似乎已經(jīng)變成現(xiàn)實，更有人提出，機器翻譯或?qū)⑷〈晜髯g。

不過，劉慶峰試圖給樂觀的人潑點冷水，“機器翻譯大賽，訊飛雖然獲得了第一名，但準確率只有52％，跟人工翻譯還有很大差距。”劉慶峰告訴《中國新聞周刊》。

確實，在人工智能的武裝下，機器翻譯的準確度有了很大的提高，在一定程度上可以達到“信”的標準，但若想實現(xiàn) “達”和“雅”的要求，則有些力不從心。尤其是對于那些有多種修辭手法的詩歌、小說來說，要想實現(xiàn)較為精確的翻譯，難度就更大了。 
 

科大訊飛高級副總裁杜蘭描繪了未來使用語音實現(xiàn)各種人機交互的典型的一天：早上來到客廳，對智能電視說一句“回看昨晚的新聞聯(lián)播”，電視便按你的心意播放；隨后，你可以通過喚醒語音操控系統(tǒng)，將家里的空氣凈化器、空調(diào)、加濕器等電器調(diào)整到最舒適健康的狀態(tài)。

上午，要開一個重要會議，合作伙伴來自韓國、日本和美國等國家，翻譯機可以實時將多國語言轉(zhuǎn)化成文字并翻譯在大屏幕上，來自各國的參會者不用翻譯就能進行溝通。

下班后，你駕駛著汽車問語音助手，怎么去最近的某銀行營業(yè)大廳，它將把快速搜索的結(jié)果推薦給你，并規(guī)劃好前往的路線。

……

一切都顯得太智能、太美好了，在未來，動動嘴就能過上智能生活。更讓人興奮的是，當智能手機、平板電腦、智能手表、智能電視以及更多日常物品接入互聯(lián)網(wǎng)，這一切就已經(jīng)不遠了。

拓普研究所的數(shù)據(jù)顯示，2014年到2017年全球語音設(shè)備出貨量大幅度攀升。2014年全球出貨量不足500萬臺，到2017年出貨量將達到2500萬臺。預計到2020年，全球語音識別的市場規(guī)模將會從2015年的61.9億美元增長到200億美元。

美國研究機構(gòu)BI Intelligence發(fā)布的《2016年全球物聯(lián)網(wǎng)發(fā)展研究報告》則預測，2020年全球?qū)⒂?40億臺設(shè)備接入互聯(lián)網(wǎng)，平均每人有4個硬件設(shè)備。其中，語音使得智能家居成為物聯(lián)網(wǎng)時代最激烈的戰(zhàn)場。據(jù)研究機構(gòu)Research and Markets報告顯示，未來五年，全球智能家居設(shè)備和服務(wù)市場將每年以8％～10％的速度增長，到2018年市場規(guī)模將達到680億美元。

那么，用什么當作智能家居的入口呢？最先入局的是亞馬遜。2014年，亞馬遜推出智能音箱echo，它能夠接收來自房間各個角落的聲音，可在不到兩秒內(nèi)回應諸如交通狀況等日?，嵤碌脑儐?。亞馬遜選擇音箱的原因很簡單，首先必須是家居設(shè)備，價格不能太貴，最好每個人都買得起；其次是共有需求。

谷歌緊隨其后。2016年5月，谷歌發(fā)布了智能音箱Google Home。競爭到了2017年愈加白熱化。當年5月，在48小時內(nèi)，來自三家公司的音箱產(chǎn)品競相發(fā)布：微軟攜手三星旗下音響品牌哈曼卡頓，發(fā)布智能音箱Invoke；聯(lián)想集團發(fā)布中國版本智能音箱；亞馬遜在美國發(fā)布帶7英寸觸摸屏的Echo Show。6月28日剛剛發(fā)布的這款新品是音箱與平板電腦的結(jié)合。很明顯，這些大牌公司的目標跟亞馬遜一樣，即通過音箱打造一個無所不在的電商模式。

2015年，科大訊飛攜手京東發(fā)布了類似的產(chǎn)品叮咚音箱。劉慶峰覺得，音箱本身炫酷，又有時尚感，可以作為智能家居的一個入口。不過，在中國，他最看好的依然是電視屏幕。“電視有著成熟的商業(yè)模式和明確的應用價值，家家戶戶都有一塊電視屏，現(xiàn)在只需要把他們激活就行了。在電視上花力氣，是會有回報的。”

訊飛正在執(zhí)行的“訊飛超腦”計劃正在努力將一切變?yōu)楝F(xiàn)實，未來，你可以通過用語音指揮電視進行購物，也可以由此來控制家里的冰箱、洗衣機、熱水器；甚至將教育資源搬上電視。

最近一年多以來，在資本的加持下，許多公司紛紛貼上了人工智能的標簽。李開復曾在演講中提到，他見到過一個內(nèi)衣企業(yè)，也聲稱自己是人工智能企業(yè)。“這是非常不正常的現(xiàn)象。現(xiàn)在，人工智能領(lǐng)域的泡沫化特別嚴重。”“新經(jīng)濟100人”創(chuàng)始人兼CEO李志剛則表示“未來兩三年，95％以上的人工智能創(chuàng)業(yè)公司要倒閉”。

為此，劉慶峰提議建設(shè)中國的人工智能聯(lián)盟。對于開發(fā)者來說，一個統(tǒng)一的標準，能夠避免產(chǎn)品開發(fā)中的資源浪費，對于消費者來說也劃算；其次，有了標準之后，可以避免魚龍混雜。“人工智能不能只停留在概念，大家都說自己的產(chǎn)品好，但是缺乏評定標準，老百姓和政府也搞不清楚，人工智能是浪潮還是泡沫，也很難說明白。有了標準，一切都可以解決。”

產(chǎn)業(yè)聯(lián)盟的成立也有利于中國企業(yè)聯(lián)合起來應對國外的競爭。 《紐約時報》曾發(fā)文指出，美國正面臨挑戰(zhàn)，其在機器人和人工智能領(lǐng)域一家獨大的想法已然過時，中國的公司正在一點點瓜分市場。“人工智能真的要贏，絕對不是一個企業(yè)取代另一個企業(yè)，是一個產(chǎn)業(yè)鏈和一個產(chǎn)業(yè)鏈的競爭，是一個生態(tài)對一個生態(tài)的競爭。”劉慶峰說，目前國際范圍內(nèi)人工智能的對抗依然主要是中美兩國之間的對抗，想要贏得戰(zhàn)爭，必須要協(xié)同起來