人工智慧貶為人工智障，揭下“偽裝”的智慧產品

從三年前的Alphago與李世石的的世紀大戰引爆科技圈已來，人工智慧的話題一直是科技矚目的焦點，相較於傳統的基礎研究，好像人們對於這種新鮮事物更加的情有獨鍾，在Alphago大勝九段圍棋大師時，人們驚呼“人工智慧將要代替人類”，不過隨著時間的過去，人們也逐漸變得更為理性，即便是近三年人工智慧技術的成就驚人的矚目，但是遠遠沒有脫離“人工”的現實。

不過並不代表人工智慧不重要，相反它已近融入到我們生活中。早在18年5月的I/O開發者大會上面，不少的從業者展示了人工智慧語音技術，演示現場使用智慧語音Duplex更是驚豔四座、技驚全球。在對方完全不情的情況下，使用AI語音預約理髮服務、並且成功預約，而且對方也並未察覺，隨後董事長驕傲的向外界宣佈：他們的智慧電話機器人擺脫了好不好用的範疇，已經透過了圖靈測試。

然而事情遠遠沒有想象的這麼簡單，在隨後不久，《紐約時報》的記者在測試中發現，成功預約的4次中，有三次都是由人工偽裝完成的。後來Duplex的官方申明中進行反駁道，並不是人工偽裝，只是進行了適當的干預，其他都是自主完成操作。然後記者又繼續進行反駁，後面的口水戰就不用詳述了。

雖然著名的圖靈測試，在其特定的歷史環境下面也存在侷限性，但這次事件過後，業界又對於人工智慧充滿了憂愁，AI陷入了“人工智慧”之困的窘境。其實這一切都是對於如今的人工智慧期望值過於高的緣故，要知道如今的智慧並不能之為智慧，在基礎物理學還未突破之際，完全智慧化的產品是不現實的。如果以電影《機械姬》中的人工智慧為標準的話，那就有點不講道理了。

實際上，AI語音互動的基礎是基於深度學習演算法對語言系統的深度整合，因而決定其具有明顯的“雙邊效應”，一方面，AI語音互動的完成度越高，其使用者數量增長越;另一方面，使用者數量與使用頻次的增長反作用於AI語音互動的深度學習訓練解決電話機器人好不好用的問題，從而實現更高的完成度、更準確的反饋。

在技術構成上面，可分為三個層面“互動層、演算法層、資料層”在一個完整的AI語音互動過程中。從本質上來講，現階段的語音互動系統是在大資料下面進行的“動態規劃”以邏輯方式對資料進行精準匹配，數學層面是運籌學的一個分支，是求解決策過程的最優數學方法。

要實現語言資料的100%精確匹配需要一些“先決條件”。

互動層實現100%準確率的語音識別準確率是保證整個語音互動不會出現語義“理解”偏差的重要前提，而要實現語音識的精準必須構建完整的“語句資料庫”，然後透過大量的識別訓練提升其準確度。

其次，在實現精確語音識別後，需要演算法對其進行“資料打包”並且實現對“語言系統資料庫”進行快速檢索，從而匹配到相應的“反饋方案”，而由於不同的語義決定了不同的語音互動場景，因此需要涵蓋幾乎所有語音互動場景的“演算法倉”，同時每個演算法必須滿足對於精度和效率的雙重需求。

這樣繁瑣複雜的的程式也無法實現真正上的人工智慧，也只是屬於弱人工智慧的範疇，人們總是對於人工智慧期待值過於高，但是基礎物理學未得到突破之前，很難實現電影級別的智慧產品，相較於電影。我們都往往忽略了一個點，人工智慧的出現是為了更好的服務於人，或企業，而不是必須要像人，至少目前技術來講實現不了也沒必要。我們更應該關注如今AI技術對於當下的改變，而AI語音互動作為AI技術應用的前沿陣地，任何的技術以及應用層面的進展都更值得我們去關注。