采访阿里天猫精灵聂再清：任何人都不能无差别地享受AI，程序员的耻辱-量子比特

如果技术不能让每个人无差别地使用，就不能帮助别人适应变化……

这是程序员的耻辱。

这就是阿里天猫精灵技术大牛、天猫精灵首席科学家、程序员聂再清，被问及最近成为话题时的态度。

最近，一场辩论引发了两种认知的分割。

智能手机给很多人的生活带来了各种各样的便利，但是很多老年人不能使用，不擅长使用智能手机，没有健康编码，技术的迅速扩展，反而给他们的生活带来了一定的麻烦。

于是问题来了：在这个科技日新月异的时代，如果有人跟不上技术迭代的节奏，怎么办？

有人说：科技反而使人类进步，跟不上发展就会被淘汰，这是时代在惩罚那些不主动学习的人。

有人坚决反对，技术的发展是否应该让每个人都能无差别地使用。

而阿里天猫精灵达人程序员聂再清则是后者的坚定支持者。

前微软亚洲研究院首席研究员，现任阿里天猫精灵首席科学家，聂再清目前推动的是新一代人机交互方式AI语音交互。

所以在他看来，应该让每个人无差别地使用最新的技术，技术帮助人适应变化，每个程序员、工程师都是最正常的使命。

当然，体现在他带领团队的最新技术和产品应用上，聂再清也是这样做的。

技术应该使每个人都能无差别地使用

7月5日，天猫精灵正好迎来三周年。

聂再清过去半年，疫情改变了工作形态，却没有改变工作目标——新的语音模块正在加速冲刺。

每天早上，他都会在自家小区400米一圈的院子里流汗浸透全身，回到家里，伴随着各种家用设备改造而成的AI实验仪器。

这个下一代语音模块的关键算法是实现云整合后，让不同的用户“无差别使用”。

所以，在刚刚过去的618消费季中，天猫精灵孵化的智能家居设备，虽然出现了100千万级的销售爆款。

但是最让聂再清高兴的新闻是杭州的孙女为祖母建造了无障碍房屋的“社会新闻”。

视频中，70多岁的老年人通过智能扬声器，用声音操作家里的空调、窗帘和电视。

这也是对聂再清团队持续进行“无差别实验”，特别是在特殊疫情环境下坚持下来的回报。

新冠疫情发生后，“聂再清”和天猫精灵产品团队的“无差别实验”差点面临停摆。

首先，天猫精灵自己的新算法测试流程，过去完成了大量的外包设备制造商和测试器，由于新型冠状病毒，2月份几乎无法重启。

更困难的是，618将成为全新的吸尘器、跑步机、按摩器、水果榨汁机、集成灶等智能设备，处于厂商与天猫精灵智能语音模块对接测试、量产的关键阶段。这些家电通常音量大，挑战智能语音识别。

受疫情影响，人们也在家庭环境中更频繁地购买和使用这些产品。继续降低技术门槛，使先进技术能够覆盖更多人。

这是天猫精灵三周年的目标之一，聂再清作为整个职业生涯，希望实现语音助手作为断点的“无差别”价值。

毫无疑问，语音对话、眼神手势交流是一种更自然的互动方式。这在技术层面，降低了用户接触前沿科技的门槛，以更简单的方式满足人们的科技需求，使科技惠及更多人的生活。

去年，聂再清利用业余时间制作过“爆金”，阿里反对骚扰电话AI**“二哈哈”。

近半年来，聂再清团队针对老年、儿童这样的弱势群体，尝试进一步扩大智能语音助手“基站”的覆盖范围，降低使用门槛。

例如，天猫精灵上线的方言功能，让不会说普通话、普通话不标准的老人也能轻松与语音助手互动。还可以合成四川语音，实现与老人的口音交流。

一般来说，智能产品的推出往往会选择先覆盖最主流、最具购买力的群体。但是这次，聂再清团队重点对老年人、儿童的功能进行了优化。背后的想法与商业价值有关，但与商业价值无关。

聂再清智能扬声器应该是智能网络时代的助手，但实际上认为是第三代互联网。

在移动互联网时代，手机通信依赖于基站，哪里覆盖基站、连接信号，这个地方的人还能享受手机服务呐。

能否发挥对语音技术最大的价值，最终取决于它能覆盖多少人。

就像在建设基站一样，解决覆盖人群的问题。最终，可以说智能语音成为第三代互联网助手的只有100%的覆盖率。

音素ー上意味理解

单纯站在技术的角度，聂再清说，科研的出发点很简单，就是让用户在使用过程中，感受到“人工智能”而不是“人工智障”。

核心需要解决的问题是，让数字世界天猫精灵般的语音助手，“了解”物理世界用户的需求。

传统方法分为三个阶段：。

首先，访问声音信号，进行声音识别，将声音变换为文本

接下来，从语义上理解文本。

最后，使用抽取关键字在知识库中创建实体链接。

这种方法其实有很多问题。例如，在语音识别阶段出现决策错误，后续流程将无法修正，影响识别精度。

此外，实体链接也是一大难题。因为实体的名称始终是“反语言模型”。例如，伊森昌的《圣诞结》在通常的语言模式下容易被认为是“圣诞节”。

那你能不能不要转换成文字，而是根据语音来理解意思。

答案是好的。聂再清介绍、语音语义一体化的关键在于音素。

音素是根据声音的自然属性分割的最小声音单位，根据人的发音动作进行分析，一个动作构成一个音素。

聂再清可以输入解释，例如，语音信号“liangzhu”，并通过声学模型计算音素后验矩阵。在这种情况下，模型不必马上判断“liangzhu”是指音乐的“梁祝”，还是建筑的“梁柱”，而是可以在音素后进行意图分类、语义分类。

这样可以避免一步走错一步。

也就是说，您可以根据音素、语义理解，将实体链接放置到一个统一的优化模型中进行优化。

该成果发表在ICASSP 2020上。聂再清介绍、实验表明，该方法在公开数据集上超过了以前的SOTA模型，同时在天猫精灵在线上解决了约30%的语义实体链接错误。

这使得智能语音助手能够“理解”人类的道路。

声音+眼神，让对话更加自然

聂再清思考的另一个问题是如何让下一代语音助手和人们的对话变得自然。

对话方式越自然，学习成本越低，使用门槛越低，可以为更多人服务。

随着屏幕扬声器越来越被市场认可，视觉技能点亮起，智能语音助手带来更多的可能性。

例如，多模式唤醒。

与其每次都喊出“天猫精灵”这一唤醒语，不如把目光转向智能音箱，你会发现你在对话，这样的互动更符合人们的习惯，更自然更直接。

聂再清我来介绍一下，这个难点是需要判断智能扬声器是否与语音对话，如果反复错误启动，就会变成“人工故障”。

于是，他们采用视觉+语音+全双工自然对话三管齐备的方式，优化了“闹钟”这个动作。

并且，如果这3个条件满足2个，则能够实现多模式唤醒。也就是说，无屏幕扬声器也能让对话变得更自然的技术。

这样，启动智能扬声器，打开空调后，就不用再启动啦。如果你说“调整到20度”，语音助手可以结合上下文来判断这个命令对它所说的话。

通过云整合，每个人都能享受同样的智能

从实验室到落地终端，用户的最终体验是如何保证的。

天猫精灵产品部资深专家孙尧介绍，一方面是针对特定用户的样本测试。

例如，老年人可能存在语言能力退化、重音重的问题，需要定向收集相关语料和录音，提高老年人语音识别的准确性。

另一方面，聂再清中提到的关键词是云整合。

依靠云的能力，硬件端的产品可以变得更便宜，更多人可以使用，但在智能体验方面没有损失。

这种方式还降低了AI能力接入硬件的门槛。

去年，天猫精灵推出了一款语音AI模块，将几个实现智能功能的设备集成到一块板上。这样，电器厂商只需在产品上留下标准接口，就能轻松将天猫精灵的AI能力融入到产品中。

t商场的工程师们在扩大感染的过程中使用了这样的语音AI模块，建立了有趣的“业余项目”

用地内的电梯连接语音助手

他们提取了天猫精灵智能模块，在业余时间自己买电路板进行DIY，优化离线算法，使电梯可以接入。大约两周后，这个项目就上了电梯，如果说“我要去○○楼”的话，电梯就会在没有接触的情况下启动。

你可能会变得更酷。

孙尧介绍了以下新的应用方案。访问“天猫精灵”，高层住户只需在家中让语音助手叫电梯，语音助手就可以隔着你的天空“推”电梯。

换鞋出门的时候，电梯到了。

技术的发展当然会给人们的生活带来变化。但在这种变化中，人们的习惯和技术本身不可能对立。

聂再清显示。

在变化过程中，科技也帮助人适应变化，而不是与人对立“淘汰”。

智能助理基于这样的逻辑：“和别人一样相处，希望为更多人提供最先进的技术。”。

聂再清还有以下的例子。

有各种各样的人的AI

从对从头到尾的口语理解，到多模态的自然互动，聂再清也承认，从技术的角度，语音助手的进步空间还是很大的。

[聂再清]描绘了语音对话的未来像。

即使你在北京，带着智能音箱，去杭州出差，在另一个设备上，智能助理也能一眼认出你，按照你的习惯调用所有的需求。

此时，终端只是一种交通工具，定制的语音助手将跟随它。

什么时候实现

有5年的话，也可以期待3年。

-完成-