王小川：AI还不具备创造和推理能力，无法取代人类

　　王小川：AI还不具备创造和推理能力，无法取代人类

　　文|《中国企业家》记者 崔鹏

　　12月8日至9日，由《中国企业家》杂志社主办的2019（第十八届）中国企业领袖年会在北京盛大举行。本届年会以“决胜2020”为主题，董明珠、刘永好、陈东升、王石、宋志平、宗庆后等上百位企业领袖齐聚一堂，上千位行业领军者到场。

　　9日上午，搜狗公司创始人、CEO王小川在大会现场发表演讲，阐述人工智能（AI）的发展方向，以及搜狗在AI领域的发力方向，尤其是在语言AI方面的尝试与积累。

　　王小川认为，目前AI在C端（消费者端）并没有太多商业模式方面的成功案例，更多在做的是to B（产业互联网）相关的事情。

　　在他看来，智能音箱并不是AI在硬件领域的未来产品形态。首先，AI硬件正从固定设备走向移动化，智能硬件的走势应该是便捷化和穿戴化；其次，智能硬件应该更加IoT导向，而不是计算力导向。

　　在人工智能领域，搜狗目前的探索方向是“语言”，其中包含语音识别、语音合成以及分身技术等。

　　“人工智能还没有创造力和推理能力，就是因为它对语言没有充分的理解。”王小川说，这恰恰是搜狗要攻克的问题。

　　搜狗从2012年开始提出自己的人工智能理念，在以自然交互和知识计算为核心的语言AI战略下，截至目前，搜狗已经在这条路径上推出了AI录音笔和AI合成主播等不同产品。

　　对于人机间交互的未来趋势，王小川认为，未来跟语言相关的应用场景，更多要靠人机耦合互动的方式，向人类提供帮助。

　　在现场提问环节，阿里巴巴产业互联网中心主任陈威如向王小川提问，未来是否有可能制造出一个机器人，能理解人类情绪，成为人类心灵的伙伴。

　　王小川回答说，以人类目前已知的技术无法做到这一点，机器本身对语言的理解已经非常困难，如果要理解人类的心灵，目前没有任何技术可以做到，但“一旦做到，机器就可能系统性的取代人类”。

　　以下为王小川在2019（第十八届）中国企业领袖年会上的演讲内容：

　　智能音箱不是未来AI硬件形态

　　2016年的时候AlphaGo面市，大家都觉得AI时代来了，结果三年过去，这个概念仿佛又变得模糊了。AI今天主要是做to B的事情，在商业模式里，C端并没有见到多少成功案例。

　　今年3月份搜狗录音笔开卖，这是第一款完整继承搜狗AI能力的硬件。用户拿到录音笔之后直接就能转写成文字，能云端存储，能够检索，能够生成文章的摘要，帮助用户做编辑。所以，一切东西都发生了本质的变化，这款硬件不仅是对传统收音功能改进，对声音背后意义的理解和处理也达到一个新高度，它甚至还有同声传译的翻译能力。

　　我认为目前的智能音箱不是AI硬件未来的产品形态。这块有两大法则：首先，AI硬件是从固定设备开始走向移动化，从携带开始变成穿戴，越来越轻便，所以智能硬件未来的趋势是便捷化和穿戴化。

　　另外就是更加的IoT导向。以前的PC机是计算力导向，内存大、速度快。后来有了声音、麦克风、各种传感器、GPS以及移动传感器，再到后面加入磁力计和心率监控，硬件能从环境中捕获更多数据，这些数据来自身体感官，智能硬件逐步从人适应机器走向机器适应人。

　　所以基于这两个趋势我对音箱有保留意见，它既不够移动，也不够IO，它不是未来的主线。

　　搜狗的竞争力在哪？

　　搜狗的竞争力在什么地方呢？我们使用了一个技术方面很性感的词，叫做“语言”。现在做图像的很多，做语音的也有很多。语言在领域内是最有挑战性，也最诱惑的事情。

　　当外界谈到人工智能的时候，如果用户看到一个机器，谈论它是否智能，可能第一反应就是跟它聊两句，如果它能跟你对话，能回答你的问题，用户就觉得它很智能，这是我们本性中对智能的理解。在图灵测试中也提到，能跟你对话的机器就是具有了人工智能。

　　今天大家认为人工智能可以解决重复性的劳动，就是因为人工智能还没有创造力和推理能力，就是因为它对语言没有充分的理解，这就是搜狗要攻克的问题。

　　搜狗之前做过输入法，也做过搜索，前一个是用语言帮助用户表达信息，后一个是用语言帮助用户获取信息。因此搜狗拥有很好的场景，在语言里面帮助用户做输入和输出。

　　当下人工智能领域有两个核心概念，一个是感知问题，就是模仿人的大脑连接，深度学习获得语音图像的能力，这类产品形态我们称之为“自然交互”，机器能够产生理解人行为的能力，能够表达人类的声音和图像。

　　比如以前的输入法用五笔，后来是拼音输入，现在用户能使用表情、手势来驱动，让机器以人的方式来进行沟通，这是一个非常重要的事，是以语言为核心的自然交互，是跟我们的感知系统特别的相关。

　　另外一件事情称为“知识计算”，就是在语言之上提取出跟语言的关联关系，在里面产生推理能力和知识的观念能力，这叫计算能力。

　　前面讲的是感知，后面讲的是认知。

　　因此搜狗从2012年开始提出自己核心理念，就是围绕着自然交互和知识计算去发展属于自己的核心语言AI能力。

　　在自然交互领域内，搜狗目前更关注OCR，做文字的理解，以及语音、唇语的识别等跟语言密切相关的部分。

　　在知识计算领域内，对话、问答和翻译更为搜狗所重视。翻译是知识计算里面比较简单的事情，在对知识的理解程度上，相较于对话和问答更浅显。搜狗已经进行的尝试有翻译中的同传，视觉翻译，实时的同传翻译，用中文搜索全球信息的翻译等。

　　搜狗因为有输入法，所以今年的语音识别请求已经超过8亿次，在峰值的时候，搜狗是最大的语音识别应用，它是包含在输入法里面的。

　　对于现在的语音识别引擎来说，最新的要求是提取出更多人和语义：

　　首先，要做人物的分割，不同的人说话的时候，AI能通过声纹做切割，分清楚每个人分别是谁。

　　其次，AI要能把声音中的笑声、掌声和音乐声识别出来，因此它不仅要识别语音文字，还要识别其他结构化的信息，甚至一声狗叫也能识别并告诉用户。

　　第三，中英文混合识别是行业前沿的难点。这类识别，调动的不仅是语音识别感知的系统，还牵扯到人类的认知结构。因为两种语言嵌套在一起，所以AI听的时候会突然发现语义不对，这个技术已经超越了目前深度学习的能力。

　　除了语音识别之外，语音合成是搜狗在做的另一项前沿工作。

　　目前已经有技术能做到合成各种在线、离线的男女声音，甚至多种语言的合成。这里的难点在于，如何把情感带入进一种声音，合成另外一个人的声音。

　　怎么理解呢？就是人类讲话是带有情感的，但机器没有情感表达的能力，如果用“声音皮肤”贴上去，就可以合成出带着情感的“人声”，这是行业中最核心的能力。

　　今天的语音技术、人工智能技术，还不能承担表演的职能，它只能做一些简单的合成，表演需要AI在语义背后做深刻的理解。

　　现在虽然做不到让AI去表演，但搜狗会用其他方法，采集一个人的声音，让机器分析，进而能合成、模拟出这个人的声音，目前已经可以标准化输出，这项技术有机会改变整个行业的音频生产模式。

　　搜狗已经在和一些内容工作者进行相关的音频输出尝试，但随之而来的一个问题就是，如何分辨人类的劳动成果，到底是对外输出的知识本身，还是人类的表演本身，机器在其中扮演什么样的角色？除了产权和法律问题以外，还有更多伦理和价值的梳理工作。

　　搜狗在研究的另一个重要方向，是分身技术。它不是单纯的语音合成，而是真人的视觉合成。

　　此前，搜狗已经与新华社的一位主持人合作，利用她的视觉和声音，经过建模后获得主持人的视觉合成能力。只要输入一段文字就能合成这位主持人的视频播报，它目前已经取代了这位主持人的部分工作，播报过3000多条内容，也是全球首个取代人的“AI主播”。

　　让机器更好地辅助人

　　中国目前是世界人口第一大国，大概有15亿人讲中文。第二大语言是西班牙语，第三是印度语，第四大才是英文，只占全球4%。但是今天95%的网上信息表达是英文，近100%的商贸活动是用英文写的。因此中国人要学很多年英文去跟世界进行交流。

　　搜狗觉得有责任让中国人不需要深入当地生活，研究当地语言，也可以用机器辅助人交流。

　　2016年搜狗全球首个发布从中文到英文的同传系统，2017年做了跨语言的搜索引擎，你可以用中文搜索全球信息，英文或者日韩信息都可以，然后翻译成中文信息。去年三季度发布全球首个英文到中文的同传系统，并且已经在一些不严肃的场合投入使用。

　　今天AI做的还是重复性较高、没有创造性的劳动，那些有创造力或者需要有表演才能的工作，今天机器还没法取代。

　　人类的文化越长，对AI的各项能力要求越高。随着深度学习的发展，对语言的初步处理已经可以产生简单的对话和问答能力，这就有机会在搜索行业中做一些改变。以后问题和答案会变成常见的与机器沟通的方式，这也是自然交互的升级，充分利用了知识计算的能力。

　　现在有很多的公司在干类似的事，比如说国内的音箱产品，或者国外的Amazon的Echo，还有Google Assistant，都在尝试在对话问答中做一些工作，搜狗也在做类似的产品。

　　不同的是，搜狗的问答技术不是在数据库检索，而是能同时对网上百亿的网页中间寻找答案，不过机器并不擅长推理，它有超越人的地方，但跟人类相比，还有很多不足的地方。

　　所以未来在语言相关的地方，更多是靠人机耦合互动的方式，才能为人类提供相关帮助。

责任编辑：刘万里 SF014