百度AI進階：從生活智慧到科研全景

本文轉載自產業科技

作為一種前沿通用技術，AI對現實世界的滲透和改變，不止於末端的生活體驗創新，更在於高階的科學研究賦能。

在一些AI實力靠前的科技公司戰略圖景中，可以看到它們的錨點已經從生活智慧向基礎科學研究進階。例如百度近期舉辦的Create大會-技術開放日媒體溝通會，向外界披露了百度最新技術進展，分層次展示百度AI解決方案，對智慧生活、產業智慧和科學研究的助推能力。

具體來看，百度相關技術負責人輪番介紹了智慧出行的自由語音互動，自動駕駛的核心技術Bev，以及人工智慧科學計算與超大規模圖學習訓練技術。這些AI黑科技已處於行業領先水平，而技術的終極目標均指向“用科技讓複雜的世界更簡單”的願景。

如果說提升衣食住行的智慧體驗，是AI技術的初級能力，那麼當AI在足夠的資料、靈活的演算法和巨大算力支撐下，技術趨向成熟，也應具備更高層次的服務能力。迴歸到科學研究的基本盤，AI向技術上游滲透的趨勢顯現，助力科學研究成為衡量頂尖AI價值的新標尺。

不過，要想實現技術生態外延，必然需要科技企業建立一支強大的人才團隊，並持續投入技術研發，只有這樣才保證創新能力不斷迭代，產出更多前沿解決方案，進而在多場景落地。

據瞭解，百度在技術研發上的累計投入已超過1000億元，開發了大量業界領先的技術。在語音互動、自動駕駛和科研場景之外，百度正在續寫更多技術創新推動增長的可能性。

破解語音互動回聲消除

語音互動的回聲消除難題，一直是手機App語音識別服務的痛點。尤其在使用手機導航軟體時，手機一邊實時播放導航語音認路，一邊在聽外界語音資訊，很可能反應不過來，最終會出現識別自己說的話及其他錯誤資訊。

對於導航應用而言，資訊誤判甚至會關係到交通安全問題。同時，為了安全起見，一些使用者往往會選擇先把車停下，待語音播報停止時重新發布語音指令，規劃行程路線等。很明顯，這樣會大大降低出行效率。

對此，百度語音首席架構師賈磊說，在世界範圍內，很長時間都沒有一個方案能普適的支援在手機上實現全雙工的語音互動。所謂全雙工語音互動，通俗的解釋就是在手機播放導航提示的同時，也能夠聽清使用者的指令，甚至像真人對話一樣可以被使用者隨時打斷，並對新的語音指令給予反饋。

雖然全雙工語音互動方案能實現手機導航等場景的實時互動效果，但技術突破存在諸多難點。首先，就是要做到語音互動的回聲消除，才能避免手機終端識別自己播放的聲音。

按照軟體性質劃分，回聲消除的落地難度也不盡相同。對於前裝軟體的音響、車載系統，可以透過硬體適配演算法，提前保證回聲消除的效果。

而對於手機App這種純軟體後裝方案，需要讓軟體演算法適配不同型號的終端硬體。一般來講，手機上喇叭距離麥克風的距離比較近，並且手機終端款式多樣，複雜的硬體環境決定了聲音訊號的回聲消除會出現各種各樣的問題。再加上手機硬體的迭代頻次高，回聲消除效果就更加難以保證。

值得一提的是，百度在手機語音互動場景中的回聲消除上率先找到了答案。百度技術團隊融合了傳統訊號處理和深度學習模型的優點，基於語音識別目標，實現端到端地進行回聲消除和訊號增強，解決了手機場景下的回聲消除難題。

一個形象的概括是，即使手機音量開到最大，回聲消除量也能達到40分貝，使得手機APP的語音識別功能能夠正常工作。據瞭解，這是世界範圍內第一個能在手機上實現純軟體方案回聲消除的技術。

另外，對於多場景下的智慧語音識別，百度研發出的基於SMLTA2的多場景統一預訓練模型，解決噪聲、使用者口音和回聲消除殘餘吸收等難題。

在日常使用過程中，語音互動的使用場景其實非常複雜，如在互動中常常面臨音樂、閒聊、環境噪聲、內噪殘餘等與互動內容無關的其他資訊干擾，從而給傳統語音識別技術帶來極大的識別難度。有了SMLTA2大模型加持，各場景下識別率相對提升超過20%，在業界同類技術中準確率最高。

搭配語音語義一體化的置信技術，百度的語音互動技術方案還可以降低錯誤響應，支援互動過程中的引導和澄清，讓人機互動更智慧順暢，最大化接近真人之間的交流溝通。

目前，百度全雙工語音互動技術已經應用於手機端，真正實現自然流暢的全雙工語音互動，下一步還可能被用到更多產品中。

解鎖自動駕駛“千里眼”

無論是低階智慧駕駛還是高階自動駕駛，感知技術都是最底層的邏輯支撐。汽車自動駕駛水平的高低，關鍵在於系統感知識別能力的強弱。

在傳統駕駛場景中，駕駛員主要依靠視覺觀察道路和周邊情況，而遷移到自動駕駛場景，鐳射雷達、毫米波雷達和高解析度攝像頭等感測器，逐漸代替人類的視覺，它們決定了自動駕駛系統能獲得什麼環境、路況資訊。

因此，建立高效精準的感知方案，是自動駕駛從實驗室走向量產的前提。從自動駕駛感知路線演變來看，經歷了一場從低維到高維的過程。

以往，自動駕駛所依靠的傳統影像空間感知方法，是將汽車上的雷達、攝像頭等不同感測器採集來的資料分別進行分析運算，然後把分析結果融合到統一的空間座標系中，再去規劃車輛的行駛軌跡。

問題顯而易見。傳統方案的感知過程中，每個獨立感測器收集到的資料往往受到特定視角的侷限，經過各自的分析運算後，融合階段容易發生誤差疊加，最終導致真實路況難以輸出，路線規劃決策自然存在偏差。

隨著自動駕駛技術演進，感知方案的痛點也逐漸被破解。近年來，行業中提出了BEV（Bird's Eye View，視覺為中心的俯檢視）自動駕駛感知方案。該方案就像俯瞰全域性的“上帝視角”，透過車上多個感測器採集的資料，輸入到一個統一模型進行整體分析推理生成鳥瞰圖，有效避免誤差疊加。

BEV感知方案還能夠做到時序融合，不僅收集分析一個時刻的資料，而且支援把過去一個時間片段中的資料都融合進模型做環境感知建模，時序資訊的引入讓感知到的結果更穩定。感知結果越穩定，車輛對於道路情況的判斷就會更加準確，也會讓自動駕駛成為一項更安全的技術。

作為全球自動駕駛技術第一梯隊的玩家，百度在高階別自動駕駛模型方面取得較多成果。除了BEV自動駕駛感知方案，百度還在業內首次提出車路一體的解決方案UniBEV，該方案整合了車端多相機、多感測器的線上建圖、動態障礙物感知，以及路側視角下的多路口多感測器融合等任務。

據百度技術團隊介紹，基於統一的BEV空間，UniBEV 車路一體大模型更容易實現多模態、多視角、多時間上的時空特徵融合。百度藉助大資料+大模型+小型化技術閉環，在車端路側的動靜態感知任務上快人一步。

助推科學研究智慧化

若問AI未來的歸宿是什麼？答案顯然要從AI的第一性原理出發，即作為先進生產力的代表，AI有沒有場景限制。從手機語音互動到自動駕駛感知模型再到人工智慧科學計算（AI for Science），百度證明了AI的全景服務能力。

就在百度把AI解決方案輸送到科學研究領域，幫助科學家們加速科學研究時，AI事實上已經在科學研究中扮演著越來越重要的角色。

例如，在氣象領域，AI實現更快更精準的數值天氣預報，包括預測強對流天氣的短時臨近降水情況和揭示大尺度的颱風形成和演變規律。在生命科學領域，傳統的科研方法面臨生物型別實驗資料少、計算任務複雜、學科交叉多等挑戰，如今AI應用已逐漸在藥物篩選、藥物設計、靶點研究、合成生物學、疾病機理研究等方面落地，幫助生命科學研究增效提質。

AI 具備服務科研上游的能力背後，是一場AI技術的迭代與升級。以工具角色參與科學研究，勢必對工具的精準程度和效率提出更高要求，這樣才能與嚴謹的科研專案相適配。拆解AI助推科研場景下的技術底座，最核心的支撐便在於AI基礎軟硬體能力。

首先，深度學習平臺需要具備更加豐富的各類計算表達能力，如高階自動微分、複數微分、高階最佳化器等；其次，科學問題求解需要超大規模的計算，這對深度學習平臺與異構超算/智算中心適配及融合最佳化，神經網路編譯器加速和大規模分散式訓練提出了新的要求。此外，如何實現人工智慧與傳統科學計算工具鏈的協同，也是需要解決的問題。

著眼科學研究對AI的能力要求，過去幾年，百度飛槳團隊持續攻關並取得不少成果。作為國內首個自主研發、開源開放的產業級深度學習平臺，飛槳研發了一系列用於科學研究的工具元件，比如賽槳PaddleScience、螺旋槳PaddleHelix、量槳Paddle Quantum等，支援複雜外形障礙物繞流、結構應力應變分析、材料分子模擬，廣泛應用於AI加計算流體力學、生物計算、量子計算等前沿方向的科研探索和產業應用。

對於科學領域大規模計算的需求，飛槳推出了超大規模圖學習訓練技術PGLBox。這項技術是業界首個同時支援複雜演算法+超大圖+超大離散模型的大規模圖學習訓練技術，透過視訊記憶體、記憶體、SSD三級儲存技術和訓練框架的效能最佳化技術，單機即可支援百億節點、數百億邊的圖取樣和訓練，並可透過多機擴充套件支援更大規模。

衡量一項技術的價值前景，關鍵標準在於產學研的有效落地，以及技術生態的共生共榮。目前，百度飛槳已經與高校、科研機構等開展了計算流體力學、分子動力學、動力氣象學等方面的範例建設，並形成了一些開放性的、多學科交叉的生態社群，包括飛槳特殊興趣小組(PPSIG)、共創計劃等，多方協同強化AI的科研創新底色。

押注 AI for Science 賽道，對百度飛槳而言有難度，但很值得。每一次技術突破，都加深了百度飛槳對AI的洞察力和號召力，置身科學全景，百度飛槳不做旁觀者，而是科技文明的推動者。