以下為採訪實錄摘要：
Alex: 大家好，我是Alex，是BoomingStar Ventures的管理合夥人，也是Robin.ly的創始人。Robin.ly是一個影片內容平臺，主要目的是為了提高工程師和研究人員對於AI，創業以及leadership方面的理解。我們邀請了很多AI方面的科學家，知名創業者，投資人，以及一些業內leader，來分享他們在這些領域的心得。今天的嘉賓是流利說矽谷AI Lab的負責人，劉揚教授，她將分享在自然語言處理以及conversational AI方面的體會。 劉教授在AI和自然語言處理領域有超過20年的經驗，獲清華大學本科和碩士學位，後又就讀於普渡大學並取得博士學位，並在2011年獲得了UT Dallas的終身教授職位。她曾獲得NSF Career Award以及Air Force Young Investigator Award等榮譽，並任Google Visiting Scientist及Facebook Research Scientist等職位。2017年，劉教授加入了流利說，擔任AI Lab負責人——流利說在2018年9月底成功在紐交所上市。劉教授在普渡讀PhD時候的論文是關於語音識別, speech recognition，後在ICSI以及UT Dallas都選擇了自然語言處理方向，考慮到當時深度學習和AI並非熱門領域，能否介紹下您選擇這個方向的初衷？
劉揚：其實我對這個領域的關注，不是從讀博士時候開始而是在清華讀本科的時候就開始了。1996年在做本科畢業論文時的主題就是中文的自動分詞。中文是一個一個的字，並沒有詞的這個概念。但是無論做語音識別還是自然語言理解，都需要以詞作單位，所以當時本科畢業論文做的就是中文自動分詞。當時用的最簡單的方法就是從左到右，找一個在字典中可以匹配出來的最長的詞，或者再加一些統計模型，用一些HMM/隱藏馬爾可夫模型，或其他的一些辦法來完成。當時主要是為了語音識別，因為語音識別需要language model。從1996年開始，到現在我已經做了20年了。當時在中國從本科一直讀到研究生，選擇的餘地有限。比如，考上清華，在電子系，我們班就是做資訊這方面的科學研究，跟模式識別和AI的關係很緊密。當時我所在的組的實驗室主要也是做語音識別。所以從本科畢業論文開始，做分詞也好，做語音識別也好，以後就很自然的繼續做下去。那時候不像現在的本科生，exposed的東西特別多，想想自己對什麼東西有興趣。我們那時候往往是被老師帶上了這麼一個專案，後來也確實覺得是挺有興趣，就堅持下來了。
Alex: 堅持下來的原因是覺得課題本身有意思？
劉揚：是的。因為人的語言每天都在用，有很多有趣的現象。舉兩個例子，比如像我們現在常常用的叫code switching，就是中文和英文夾在一塊兒，現在很多雙語者都有這個問題，無論做語音識別還是做自然語言理解時都需要處理的一個問題。 平常因為在語言中有挺多類似的有趣現象，做這個研究課題就覺得有很多事情可以做。再舉個例子，我的博士論文是做conversational speech，spontaneous speech，人們常常說了一個詞，又回去再改一個詞，或者再重複一個詞，這是一種挺常見的現象，或者有不連貫的這種語句，在語音識別中也是一個挺大的問題，我的 博士論文就研究這個問題。後來也做過處理小孩子的語言現象，或者是有各種語言問題的語言現象，非常有趣。雖然當時這並不是一個熱門方向，但無心插柳，這麼多年堅持下來，這個領域在過去幾年成為了很流行的話題，應該說我的選擇不是特別錯誤：至少見到自己做的東西，或者落地，或者研究領域，都有一個很大的成就。
Alex: 您是什麼時候開始接觸深度學習並且把深度學習應用到NLP上面的？
劉揚：我對深度學習的接觸歷程跟整個領域發展階段大致重合。從2010,2011年開始，Microsoft或者Geoffrey Hinton這些人開始涉獵這一領域。在語音識別中，MSR的語音識別是一個方向。另外還有computer vision那邊也見到了很大的一個成就，那時候我還在學校，有點跟著潮流，看到在其他領域都有挺大的發展，就慢慢地把很多原來用傳統machine learning做的事情換成用深度學習，神經網路來做。當時學校裡有一個有趣的現象，學生們因為順著這個研究的潮流，把原來的東西拿過來用深度學習再做一遍。畢業論文答辯的時候，其他的答辯組成員最常問的問題就是：用這個方法做，在科學方面有什麼樣的貢獻，有什麼樣的發現，僅僅是因為神經網路流行所以跟風，還是確實解決了一個實實在在的問題？所以當時很多學生都面臨這樣一個問題，既想從研究方面確實對這個問題有深入的理解，但又想跟上整個大的學術界或者工業界所有人的腳步，想趕上這班車。
Alex: 深度學習很多是drawbox的方法，很難去追究它的成本？
劉揚：對，或者說對這個問題的理解。大家現在都強調這個模型的interpretability，你到底有什麼樣的解釋。即使是Google，比如說search這個問題，要不要用深度學習最後去做這個ranking？系統有時候需要解釋，一個query處理得好或者處理得不好，要如何去修改。
Alex:2015年，您從學校去Google做了visiting scientist，當時是出於什麼樣的考慮？想去看一下工業界在發生什麼嗎？後來您又去了Facebook，以及現在的流利說，您的心路歷程是什麼？工業界和學術界有什麼區別？
劉揚：現在回頭看，好像從學術界到工業界挺自然，很多教授可能也都是走這麼一條路。但當時對我來說主要是一個個人的原因。好多認識我的人都知道，我先生早先在矽谷工作，當時思考這個問題怎麼解決。 最後決定利用sabbatical leave的機會，到矽谷這邊的工業界試試水，所以去Google是挺自然的一個選擇。選擇Google的原因是，他們對學校sabbatical leave有一個非常成熟的process的系統，所以可以正常申請，到Google找一個researcher一塊兒合作一個project。像Apple，Facebook之類的公司，這方面和Google比起來的話，sabbatical leave流程還不是特別成熟 。
Alex: 您當時主要研究的課題是什麼？
劉揚：當時做的還是NLP。最開始是想做跟information extraction比較像的方向，怎麼檢測文章中發生的事情，有哪些重要的人。去了之後有一些變化，也做了一些跟別的方面的理解相關的內容，但大部分依然用深度學習解決NLP的問題。工業界的research，一方面跟學術界有些像，確實要找一些research的問題，用先進一點的方法去嘗試，即使他們在基礎框架上比學校有很多好處，但另一個大的差別是在對研究問題的評估上要考慮產品的影響力。 因為畢竟是在產業界，不像在學校在實驗室中就可以找一個研究的問題，有可能會解決世界上一些先進的研究上的問題，當然也有可能沒有任何實際用處。在工業界進行的研究往往是由實際問題引起的研究，或者他們希望現在做的這些東西將來對公司，對產品，或者對其他現實問題起到很大的影響。
Alex:您在Facebook主要負責什麼方面的工作？
劉揚：當時去Facebook也考慮了一下究竟應該加入哪個組。 FacebooK研究方面比較紅火的就是FAIR，FacebookAI Research。另一方面是Applied Machine Learning，還有就是Facebook其他的產品組，包括Facebook的ads，NewsFeed，search等。因為在Google做研究的經歷，感覺去Facebook的FAIR聽起來像是挺自然的一個選擇。但當時我認為自己已經在學術界呆了很久，在Google也見過科研，去Facebook繼續做這種純的基礎科研沒有什麼改變，但如果直接進入一個全產品的組變化也有點劇烈。後來找了折中的點就是Applied Machine Learning，把一些大家可以用的深度學習 或者是泛泛的機器學習用到Facebook的產品中。當時看到了很多把各種各樣的machine learning應用到在Facebook的ads ranking，feed ranking等產品中，以這樣的方式實現了AI落地的應用。
Alex: 您進一步加入流利說的時候，是因為本身的教育背景所以選擇了流利說的英語教學這個方向麼？出於哪些考慮？
劉揚：有好幾點原因。一方面，我相當於是做教育出身，雖然教育跟我們現在做的教育不太一樣，但是從情懷講起來這個還是相關的。另外一方面，是因為跟現在這個公司的創始人原本認識，對這個公司和這個行業比較關注。最後就是因為跟自己這麼多年做的語音識別和自然語言理解相關，語言學習是這些研究的一個自然的落地方向。很多業內人士都是在考慮如何將AI和機器學習進行具體應用，第一個能想到的就是教語言，學語言，所以這是特別自然的一個應用。
Alex: 有一個產品叫“雅思流利說”，應該也是你們的一個主打的收費產品。像這種國際型的人語標準化水平測試，最大的問題就是如何保證打分的準確性，您覺得你們在這方面有什麼技術優勢？
劉揚：這其實是一個挺複雜的技術問題。 如果大家參加過託福或者雅思考試就知道，口語考試是給一道題，要求應試者講半分鐘或者一分鐘來回答，比如說對動物園有什麼看法，對現在的一些政治問題有什麼樣的看法，一般是有一些agree或者disagree這樣明顯的性質。或者託福的考官要對這個人說的話進行打分。這個過程是用語言/speech回答了問題，如果要對他/她打分，首先要求這個系統能夠做語音識別，我先要知道都講了什麼，所以語言識別是第一步。然後有了語言識別的結果之後，要對學生說的內容進行打分，進行理解。這個裡邊要考慮的就是他/她的詞彙怎麼樣，語法怎麼樣，句與句之間的連貫性怎麼樣，整個篇章/段落的觀點表達得合理不合理。所以整個系統看，從語音識別一直到自然語言處理裡面包括的點就非常多--從詞彙到特別highlevel的段落--篇章都要考慮。就連第一個問題語言識別，也不簡單。不僅有中國人的口音還因為這是一個即興的演講過程。 會涉及到講話時候的改正，比如一個詞說到一半又把這個句子從頭開始說了一遍，這對於語言識別來說都是特別特別難的問題。另外中國人講英語，有各種語法問題，用詞不合適的問題。對於聲學模型，語言模型來說都特別困難。所以第一步語言識別就已經不容易了，識別出來的這些話可能有很多錯誤已經包括在裡面了。第二步再做自然語音處理的時候要看語法錯誤，用詞錯誤，連貫性等，依然是很難的問題。當然，這些所有的問題現在都用機器學習做過，其中一些component是用的深度學習，有一些就是傳統的machine learning。
最後回到系統打分，雅思考試得了5分，6分還是7分，能跟考官打的分之間的correlation應特別高。這需要透過機器學習的一些方法實現——如果機器已經見過若干人的雅思或者託福口語考試分數，我又見過一些考官打的分，就可以學習什麼樣的分能跟人打的分相似。所以也相當於是machine learning。我們現在這個系統歐洲或者雅思的官方很認可，打分確實跟考官基本一致，所以現在“雅思流利說”的產品，有很多人用它去練習，希望花一兩個月的時間把自己的考試成績從5分提到6分，從6分提到7分。
Alex: 目前市場上語言學習的產品較多，很多公司聲稱自己有AI技術，你們在技術上希望怎麼保持優勢？
劉揚： 希望把AI應用到公司產品的各個components上，我們要保持在語音識別技術上最領先的地位， 在NLP各個方面同時要保持領先技術，這只是從純技術這看。要保證公司整個產品都處於領先，除了技術還包括其他，可能比技術佔的比例更大的，比如公司產品內容，整個UI design，要使學生能夠更喜歡這個產品的要素。剛才提到了一個技術優勢，像我剛才說的，識別中國人的語音不是那麼容易，中國人的發音，標準音 “I”，可能被不同的人講出來，有南方口音有北方口音,但都不是英語中所謂的標準音。原來在做傳統的語音識別的時候，有聲學模型，有語言模型，還有一個叫詞典/字典。這個東西要告訴我們這裡有一個詞，它的發音是什麼，這個Robin是要念成r-o-bin這個音嗎？但是對中國人來講，這個音可能念得不是那麼準，我如果想用一個字典來把中國人可能讀的音都表示出來，不是那麼容易的一件事。
在深度學習中無論做語音識別還是做NLP，都有一個端到端的學習，End-to-end的體系。這個系統裡 沒有我們剛才說的聲學模型，語言模型，和詞典，基本就是一個系統把所有需要包括的東西都包括其中。我們現在也在做這方面的研究，中國人可能讀這個音會有3種，5種，10種不同的讀音。如果一個End-to-end system能夠自動學習中國人發英語這個詞的發音，它的這個聲學模型依次去建模，就是比較理想的一個狀態。我們前幾天剛剛提交了iCAST的一個論文，同時放在了Arxiv上，表明這個方面的嘗試很成功。現在初步的結果跟傳統的結果差不多。但是因為系統簡化很多，在public的一個English的dataset中，我們的結果基本上是全世界最好的。所以公司在整個AI，從語音到語言，各個方面都還是想保持技術上的領先性 。
Alex: 您認為教育希望實現全面的因材施教，那這裡邊最大的技術難題是什麼？您剛才提到了語音識別，除此之外是不是還有一些資料採集，產品定位，UI/UX，或者說另外一些非技術困難？你們現在最關心的問題或者說最大的難題有哪些？
劉揚：做 “AI+教育” 這個領域，進行personalization是特別重要的一個課題。就像因材施教，這個是在傳統的教室中無法實現的，因為一個老師要教30個人，100個人。現在因為每個人都有一個app，希望每個人都可以針對自己的情況去學習。這中間的難點不是AI的難點，是想怎麼把使用者各個方面的行為給model出來，才能夠真正去因材施教。並非只是語音語法這些知識的掌握，更多是行為層面。比如有些人需要老師天天督促學習，另一些人需要老師去鼓勵，還有些人是需要老師批評，所以我說的是這方面針對使用者的model，或者建模，使得確實能做到personalization。比如，做題容易放棄，或者是需要什麼激勵才能繼續學習下去。我要做強化學習，就要把這個人的所有data point都考慮，最後看怎麼用最合適的reward去使teaching更有效，這些都是現在還在嘗試中。
劉揚現場講述流利說技術難題
Alex: 資料採集本來就是個難題了——
劉揚：對，要考慮究竟哪些data point最合適。
Alex: 用類似測評的方法嗎？
劉揚：對，測評是一方面。但是很多東西不是透過一個簡單的測評就知道做錯題目背後的原因 。究竟只是有一個語法沒掌握，一個單詞發音不正確，還是有其他各方面的原因，那些東西可能是我所說的技術上面的難度——但不是AI這方面的技術。另一個非技術方面的難題是教育本身，如果這是一個做遊戲的公司，客戶黏性會很高，今天用了這個產品，明天還繼續用； 但是教育不是。不是人人都能留在app上，天天都去學習。像剛才提到的雅思考試，也許下個月要考雅思或者再過兩個月或一年出國，在這個特別明確的目標下，可能就會去用產品。但只是為了提高自身水平，想學點英語，沒有明確目標，就很難讓每個人都特別有engagement留在app上，使得他/她每天去學習。公司現在做的一些事情，就是企圖做一些social方面的東西使得產品與使用者的粘合性更好，或者做一些其他方面的嘗試——我們有督學，促學性質的老師天天提醒你，或者建一個群，使得大家能夠更motivated的去學習。但究竟怎麼是最有效的方式，還需要摸索。
Alex: 記得微軟亞院的副院長周明講過，在認知和語言處理方面，一個很大的因素是不像感知——它還需要一些UI/UX的配合。一個產品UI/UX做得好，使用者更願意engage，才能蒐集到更多資料，做更好的模型。您從技術到產品過渡的過程中遇到過類似的問題，怎麼能夠讓您的好技術跟產品很好的嫁接在一起？
劉揚：這屬於很多不是做純技術的人可以解決得比較好的一個問題。比如說AI core的技術在裡面，但是需要把它給包裝成使用者都喜歡用的產品，裡面就需要很多像UI/UX或者內容的東西。即使能夠識別語言，能夠知道語法錯誤，但怎麼把它變成一個每個人都特別適合用的產品——就需要結合合適的內容，還有產品各方面的這幾。我們這邊有兩個人是做內容，每天在考慮怎麼去教使用者，即使是同樣的語法點或者說一個詞，要用什麼樣方式教給使用者。這裡面有一些動畫的設計，有一些內容/topic方面的設計，整體屬於大的產品設計。
Alex: 有人把自然語言處理的問題分成了五類，比如classification，matching，translation，structure prediction，以及sequential decision process。深度學習現在用在這些領域都取得了很大的進展對，但是還不完美的地方。您認為深度學習在這五個領域都進行到了什麼地步了？還有什麼問題是比較難的問題？
劉揚：五個問題中最難的是最後一個問題 。classification是人們比較容易理解的問題。比如一段文字，像做classification的這個class可以根據不同的場景去做。有的人是關心，這個人對這篇review（的評價）是正面還是負面，就是評價歸類；也可能是做主題歸類，一個新聞，識別出是政治，魚類還是金融或者其他，就是主題歸類。這是standard machine learning的問題，傳統上有各種各樣的machine learning的分類器，從以前特別流行的SVM到最大熵模型，在NLP上面都比較有效。現在用深度學習跟原來的方法沒有實質性的變化，但是因為現在的方法簡化了很多，原來傳統的分類器往往是需要有人去設計feature——
Alex:Feature Engineering
劉揚：對，這方面的工作特別多。如果要做positive/negative sentiment analysis，就要設計個詞是正面或負面，要找一些feature。如果做topic，要去做跟這個相關的feature engineering。現在的深度學習就是embedding進去，模型自然就學到了，神經網路裡面每一層都展示了不同的東西，最重要的就是系統簡化了。NLP不像speech recognization或者computer vision的改進特別大。深度學習在NLP上面沒有翻天覆地的變化。
Alex:最早的深度學習是用在語言/speech上面的？
劉揚：對，用在speech上面，我指的NLP是傳統的textbased的NLP。當然也可能問題是，text本來就是一個個符號化這個token，但演講或者視覺本身有連續性的特徵，深度學習 也許更適合。除了classification，還有一個是sequential。一句話，要把這裡面我想要找出的東西找出來，一個問題就information extraction，或者named-entity recognition。一句話我要找出來，這裡面有一個實體是表示姓名，可能是人名，還有一個表示餐廳，地點的名字，可以把它算成是sequence labeling 。一串的sequence其中有幾個是想找的有趣或者關注的 。傳統上的模型叫HMM，或者CNF，現在都用深度學習取代了，就是RNN，LSTM這些性質的模型，表現很好。對剛才說的classification的問題，也是省了很多feature engineering的問題。翻譯是第三類問題，現在基本上已經代替了傳統翻譯用的phrase-based translation的系統，基本上現在Facebook， Google，Microsoft等所有的公司都在用不同的深度學習，大家在框架上是稍微有一點點差別，但都是基於深度學習的翻譯體系。這是業界公認有效的一個體系。最後的一個問題就是sequential decision process，不管是深度學習還是傳統的machine learning都還沒有解決這個問題。每天跟Siri或者Alexa講話都是multi-term conversation，我們往往說幾句話就意識到，這個系統完全不行。一句話，有時候它還能回答。一句話如果讓它做classification，它知道問的是哪一個問題——要找一個人還是問一個地點，這是簡單的可以回到份內的問題，或者回到matching的問題——在一個很大的資料庫中可以找到類似的答案，但是如果需要建模個人的對話，從第一句話到第二句話，到第三句話，還有你我分別說了什麼，這個整體的談話歷史的構建，暫時還沒有特別好的解決方法。
Alex: 您未來三五年的工作方向是什麼？
劉揚：像我剛才說的，公司還是想做AI在教育方面的應用。短期來看還是語言學習，將來這個教育能夠擴充套件到哪些領域，現在還不是特別確定。但即使從語言學習這個方面已經很多事情需要做，把AI做好，從語言識別到自然語言理解。自然語言理解包括方方面面，從詞到語法，到語義，再加上對整個世界各種common sense的knowledge都要model，使老師能夠有效的去教學生。加上剛才提及的，要對學生各種各樣的行為建模，使他們能更好的personalized learning。在未來一到三年，要做中國人的語言，也可能包括其他語言，對不同年齡層——成人，兒童的英語——進行建模，不是件特別容易的事情。
Alex: 今天聽了劉教授對自然語言處理技術的一些分析，以及她對於流利說如何把技術利用在教育領域的感想，受益匪淺 。同時也瞭解到劉教授從一個頂尖科研人員到涉足產品技術，幫助AI應用，以及成為工程師的職業轉變。希望對大家有所啟發。謝謝劉教授！
劉揚：謝謝！
