IT思维

两年前的今天，AI流行下围棋；今天，AI流行打电话……

这个潮流的最近一次上演，是几天前的百度AI开发者大会上，李彦宏现场播放了百度AI客服邀请开发者的真实电话录音。

当时我就在现场，第一通电话里那位开发者方言比较重，到底说了什么我基本没听懂。但百度的AI却应对自如，在电话中回答了各种问题。

第二通电话更神了，那位女开发者发现了小度的AI身份，直接问百度给ta发钱吗，结果被小度用一句“百度给我免费充电”，巧妙的“回撩”了过去。

打电话这件事就这么重要吗？引三大AI巨头都不惜电话费也要硬杠一下？

事实上，在这个AI跟陌生人直接进行有效沟通的场景里，隐藏着两个AI语音与NLP技术的核心关卡，足够给今天AI公司的军备竞赛提供完美肌肉秀。而AI打电话同时也指向另一个问题：AI到底能干什么，是不是在很多领域已经可以完全代替真实的产业劳动？

打个call的功夫，这些复杂的竞争与技术炫技就都显露了出来。

我们知道，人和人之间的交流，其实绝大部分依靠的是简单的词汇量+大量复杂的情感词、语气词、助动词。如果我们把日常说话直接转化为文字，会发现文档里80%的话都是“无效信息”。

但怎么让AI学会这些东西，像真人一样有感情、有顿挫，有语气词，甚至有呼吸节奏地与人交流，是一门巨大的技术挑战。

百度AI开发者大会前，百度AI客服给大量开发者打了电话，其中很多开发者一开始压根没有发现这是位AI小姐姐。而这其实是建立在它没有刻意修饰机器音的基础上。

如何让AI听起来像人一样，这需要在语音合成与语序修饰上下一番功夫。而这也是各家展现本领的时刻。

根据资料，谷歌I/O大会上的打电话AI，使用了生成式 TTS 引擎。能根据不同的情境控制语音的语调，并生成一些语气词。当然，这背后还有DeepMind的WaveNet自然语音合成算法作为支撑。

所以我们在听百度AI客服打电话的时候，会在机器音之外听到自然的语序，合理的语气词使用，甚至模仿出的呼吸声，迈过了AI与人类傻傻分不清楚的第一道门槛。

当然了，只是说话好听是没用的，重点是能听懂，能聊下去。在理解层面，AI的挑战就更大了。

为了能在聊天时不“智障”，无数巧妙到毫厘的技术解决方案正在加紧研发与应用。AI能够真正与人聊天，而不是单纯的一问一答，需要的是AI能够快速识别人类问题，并快速给出回复。这个过程不能卡顿和延迟——没有人想跟慢半拍的机器聊天。

为了解决这个问题，各家高招跌出。比如第五代小冰采用了全双工语音技术，让预测模型和生成模型同步传输数据，达到预测聊天的效果。但可惜的是小冰似乎还没有脱离传统AI对话的窠臼，在流畅度以及“超纲”问题的应答上依旧不够灵敏。

对比谷歌和百度的打电话技术，会发现更好的解决方案，可能是结合自然声音合成技术同步生成高效预测，让AI和真人具有一样的沟通语言习惯。但谷歌的方案一出，马上收到了一些怀疑，比如他们的声音被多家媒体怀疑是录制声音作弊。

百度的绝招，在于这次强调百度大脑升级的多模态深度语义理解技术，其中语音语义一体化技术，可以有效解决语音识别与语义理解中间的环节迟慢和环节误差问题，达到真正的与人随说所理解。

百度另一个值得注意的核心技术突破，是Deep peak2技术，其识别方案利用音素组合建模，可以忽略上下文影响，极快速准确识别语音语义，在亮相之处就跟华少的语速PK了一把。通过Deep peak2，小度不仅能识别开发者大会上那位老铁让我没听懂的方言，还可以准确识别中英文混合建模。让百度AI的识别错误率，比市面上主流AI语音硬件下降20%，且能应对中英文混着说这个“老大难问题”。

结合知识图谱技术作为基础，新锐语音识别解决方案作为驱动，语音语义一体化技术作为核心，AI客服才能主动与人类聊下去，回答各种问题。可以说在这个技术应用方案上，中国百度已经明显与谷歌、微软拉开差距。

但这项技术的目的当然不仅是为了炫技，用谷歌I/O大会之后美国科技媒体的评价：AI打电话这件事，正在把人工智能技术史无前例地与真实世界联系到一起。

客服投诉、企业管理、调查回访、联系沟通，我们有太多工作是依靠打电话这件事来完成的。假如AI可以胜任这项工作的核心领域，甚至达到以假乱真的地步，那么大量简单重复的语言工作将不再浪费人类的宝贵工作时间。

这个层面上看，打电话这事可以说是AI现实应用的练兵场。开放的应用层，会带给产业世界无穷的想象。举个例子来说，假如打电话的AI沟通能力，跟精准的机器翻译相结合。那么用AI主动与歪果仁进行跨语种聊天，然后把获取信息反馈回来不就成为了可能？那么市面上那些大张旗鼓的“翻译机”产品，不就失去了基本的存在价值？这就是技术突破后的降维打击。

目前来看，小冰还是无法摆脱语料库的尴尬；而谷歌还需要在更多应用场景证明自己打电话的能力真实性。百度已经领先了一个身位，给中国AI的打call打个call，在今天看来并不过分。