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

以報(bào)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(jìn)入互聯(lián)網(wǎng)時(shí)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(shí)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(fēng)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(shí)時(shí)翻譯器則是一款杰出的人工智能應(yīng)用，克服了方言、俚語和背景雜音，可將漢語精準(zhǔn)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(shí)代的趨勢總結(jié)道，“以語音為主導(dǎo)，以鍵盤和觸摸屏為輔助的人機(jī)交互時(shí)代正在到來。”在他描繪的圖景里，未來的人工智能會(huì)像水和電一樣進(jìn)入每個(gè)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(rèn)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(shí)，科大訊飛高級副總裁江濤說。

對于當(dāng)下的中國青年人來說，創(chuàng)業(yè)是一種時(shí)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(xué)技術(shù)大學(xué)的畢業(yè)生。此時(shí)，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(dāng)時(shí)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(shí)別和語音解析則更多地停留在實(shí)驗(yàn)室階段。

語音技術(shù)如何賺錢，初創(chuàng)團(tuán)隊(duì)誰都說不清楚。當(dāng)時(shí)，蘋果的Siri還沒出現(xiàn)，距人機(jī)語音交互也還十分遙遠(yuǎn)，但那時(shí)劉慶峰就認(rèn)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(jī)器擁有人類的聲音，那么，語音識(shí)別和語音解析則是賦予了機(jī)器人的耳朵和大腦。讓機(jī)器能聽會(huì)說，成為訊飛成立之初就設(shè)定的目標(biāo)。

按照當(dāng)時(shí)的估算，這項(xiàng)技術(shù)有著100億元左右的市場空間，但這只是幾個(gè)創(chuàng)業(yè)青年的簡單推算。劉慶峰回憶說，“我們當(dāng)時(shí)想，語音用在工商查詢系統(tǒng)中會(huì)有多大市場規(guī)模？我們的系統(tǒng)使用費(fèi)用20萬元，全國400個(gè)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(dòng)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(diǎn)像訊飛后來一些產(chǎn)品的原型了。

一開始，這款設(shè)計(jì)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?yàn)楸I版橫行，另一方面，用戶年齡偏大，對電腦知之甚少，維護(hù)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(gè)十幾人組成的年輕團(tuán)隊(duì)。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(tái)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(shí)，而且大筆的收入被投入到核心技術(shù)的進(jìn)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(shí)讓他們感到有些失望。同時(shí)，各種質(zhì)疑聲四起。劉慶峰則堅(jiān)持，“我們不可能一步登天，只能腳踏實(shí)地。成功一定會(huì)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(shí)代的到來。劉慶峰還記得發(fā)布會(huì)的地點(diǎn)是在北京的香格里拉飯店，當(dāng)時(shí)整個(gè)會(huì)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(dòng)地說，“中國終于有個(gè)像Siri的產(chǎn)品出現(xiàn)了”。

然而，訊飛輸入法并沒有預(yù)料中的那樣突飛猛進(jìn)。劉慶峰很清楚，“當(dāng)時(shí)80％的識(shí)別率是在特定場景下實(shí)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(shí)際的識(shí)別率就只有60％了。”

當(dāng)時(shí)，訊飛剛剛將“深度學(xué)習(xí)”技術(shù)引入到語音識(shí)別中去，“機(jī)器學(xué)習(xí)”依然是最主要的計(jì)算方法。這個(gè)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(zhǔn)備好。2010年，距離中國政府正式發(fā)布3G牌照僅僅一年的時(shí)間，國內(nèi)手機(jī)市場依然是以2G為主導(dǎo)。移動(dòng)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(shí)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(jī)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(tái)。截至2016年7月,中國移動(dòng)電話4G用戶總數(shù)達(dá)到6.46億。

與此同時(shí)，深度學(xué)習(xí)技術(shù)也迅速發(fā)展起來。深度學(xué)習(xí)通過建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，使得機(jī)器能從大量歷史數(shù)據(jù)中學(xué)習(xí)規(guī)律，從而對新的樣本做智能識(shí)別或?qū)ξ磥碜鲱A(yù)測，以達(dá)到具有人類一樣的思考能力。這一技術(shù)迅速地被應(yīng)用在語音識(shí)別、圖像識(shí)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(shí)表示，語音的徹底主流化已經(jīng)不是一個(gè)需要討論的問題，只是一個(gè)時(shí)間和習(xí)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(bào)告，用近四分之一的篇幅論述語音識(shí)別交互帶來的改變，將語音功能贊譽(yù)為“人機(jī)交互的新范式”。她說，語音功能解放了雙手和眼睛，擴(kuò)展了永遠(yuǎn)在線的概念，只需要一個(gè)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(shí)代。訊飛語音占領(lǐng)了各類會(huì)議的大屏幕，訊飛輸入法成為互聯(lián)網(wǎng)人的標(biāo)配。“許多人覺得人工智能突然火了，但我們其實(shí)一直在這個(gè)領(lǐng)域努力?？拼笥嶏w看準(zhǔn)一個(gè)方向，就會(huì)不遺余力地走下去。”

一切都朝著新的目標(biāo)努力，即機(jī)器不僅能聽會(huì)說，還能理解、會(huì)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(yuǎn)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(duì)》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(shí)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(shí)別；如果硬件比較差，那就更糟糕了，對語音識(shí)別的結(jié)果會(huì)變得磕磕絆絆。“要把一個(gè)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(gè)階段叫計(jì)算智能，如計(jì)算機(jī)下象棋贏了國際象棋大師，代表了計(jì)算能力越來越強(qiáng)；第二個(gè)是感知智能，機(jī)器在視覺、聽覺上以及語音上超越人類；而下一步就是認(rèn)知智能，讓機(jī)器有學(xué)習(xí)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(shí)驗(yàn)室監(jiān)測車內(nèi)噪聲環(huán)境下車載語音導(dǎo)航的識(shí)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(jī)”發(fā)布會(huì)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(tái)。這位女士懂一點(diǎn)漢語，卻不能完成流利的交談。雙方都手持著一個(gè)翻譯機(jī)。胡郁說中文，對方則用英語。

“你好，歡迎參加我們的發(fā)布會(huì)，請問你叫什么名字？”

“我叫南希，我很榮幸能參加這場盛會(huì)。”

“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(gè)設(shè)備后，你覺得還有必要學(xué)中文嗎？”

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

 “翻譯機(jī)擁有大學(xué)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(shí)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(dāng)前移動(dòng)互聯(lián)時(shí)代最受矚目的影響人類生活的重大技術(shù)之一。

機(jī)器翻譯的歷史最早可以追溯到1954年。當(dāng)時(shí)，美國喬治敦大學(xué)與IBM公司聯(lián)合使用IBM-701計(jì)算機(jī)首次完成了英俄機(jī)器翻譯試驗(yàn)，拉開了機(jī)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(jì)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(jī)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(jī)器翻譯是明天就要掀起的浪潮，這一點(diǎn)已毫無疑問了。”然而，這一技術(shù)的發(fā)展并沒有預(yù)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(yù)訂等限定領(lǐng)域的實(shí)驗(yàn)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(jī)器翻譯技術(shù)往前邁進(jìn)了一步。它的工作原理是將整個(gè)句子切分多個(gè)詞組、短語，進(jìn)行翻譯組合。比如，在中英文翻譯中，它會(huì)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(dá)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?yàn)檩^大的誤差而不實(shí)用。

訊飛采用的技術(shù)將機(jī)器翻譯大大地往前推進(jìn)了一步。它使用的是“編碼器-解碼器”模型，能夠?qū)卧~的特征進(jìn)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(jī)器學(xué)習(xí)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(jìn)行抽象，自動(dòng)識(shí)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(gè)方向。

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

美國國家標(biāo)準(zhǔn)技術(shù)研究院（NIST）組織的機(jī)器翻譯大賽（Open Machine Translation Evaluation）被業(yè)界視為全球最權(quán)威的機(jī)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(zhǔn)確，包括語義理解準(zhǔn)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(gè)翻譯方向的全球第一名。

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

不過，劉慶峰試圖給樂觀的人潑點(diǎn)冷水，“機(jī)器翻譯大賽，訊飛雖然獲得了第一名，但準(zhǔn)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(shí)，在人工智能的武裝下，機(jī)器翻譯的準(zhǔn)確度有了很大的提高，在一定程度上可以達(dá)到“信”的標(biāo)準(zhǔn)，但若想實(shí)現(xiàn) “達(dá)”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(shí)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(shí)現(xiàn)各種人機(jī)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(gè)重要會(huì)議，合作伙伴來自韓國、日本和美國等國家，翻譯機(jī)可以實(shí)時(shí)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(huì)者不用翻譯就能進(jìn)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(dòng)動(dòng)嘴就能過上智能生活。更讓人興奮的是，當(dāng)智能手機(jī)、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(yuǎn)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(tái)，到2017年出貨量將達(dá)到2500萬臺(tái)。預(yù)計(jì)到2020年，全球語音識(shí)別的市場規(guī)模將會(huì)從2015年的61.9億美元增長到200億美元。

美國研究機(jī)構(gòu)BI Intelligence發(fā)布的《2016年全球物聯(lián)網(wǎng)發(fā)展研究報(bào)告》則預(yù)測，2020年全球?qū)⒂?40億臺(tái)設(shè)備接入互聯(lián)網(wǎng)，平均每人有4個(gè)硬件設(shè)備。其中，語音使得智能家居成為物聯(lián)網(wǎng)時(shí)代最激烈的戰(zhàn)場。據(jù)研究機(jī)構(gòu)Research and Markets報(bào)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(dá)到680億美元。

那么，用什么當(dāng)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(gè)角落的聲音，可在不到兩秒內(nèi)回應(yīng)諸如交通狀況等日常瑣事的詢問。亞馬遜選擇音箱的原因很簡單，首先必須是家居設(shè)備，價(jià)格不能太貴，最好每個(gè)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(dāng)年5月，在48小時(shí)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(tuán)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(biāo)跟亞馬遜一樣，即通過音箱打造一個(gè)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(shí)尚感，可以作為智能家居的一個(gè)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(yīng)用價(jià)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(huì)有回報(bào)的。”

訊飛正在執(zhí)行的“訊飛超腦”計(jì)劃正在努力將一切變?yōu)楝F(xiàn)實(shí)，未來，你可以通過用語音指揮電視進(jìn)行購物，也可以由此來控制家里的冰箱、洗衣機(jī)、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(biāo)簽。李開復(fù)曾在演講中提到，他見到過一個(gè)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(yán)重。”“新經(jīng)濟(jì)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(gè)統(tǒng)一的標(biāo)準(zhǔn)，能夠避免產(chǎn)品開發(fā)中的資源浪費(fèi)，對于消費(fèi)者來說也劃算；其次，有了標(biāo)準(zhǔn)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(biāo)準(zhǔn)，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(biāo)準(zhǔn)，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(yīng)對國外的競爭。 《紐約時(shí)報(bào)》曾發(fā)文指出，美國正面臨挑戰(zhàn)，其在機(jī)器人和人工智能領(lǐng)域一家獨(dú)大的想法已然過時(shí)，中國的公司正在一點(diǎn)點(diǎn)瓜分市場。“人工智能真的要贏，絕對不是一個(gè)企業(yè)取代另一個(gè)企業(yè)，是一個(gè)產(chǎn)業(yè)鏈和一個(gè)產(chǎn)業(yè)鏈的競爭，是一個(gè)生態(tài)對一個(gè)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