AI颠覆的用户体验有多厉害

一、AI驱动硬件，颠覆用户体验

1.AI录音笔

虽然说录音笔是个小众市场，但有了人工智能的加持，录音笔变成了电商爆款。

我们今年出品了一款人工智能的加持的AI录音笔，它在双十一多个主流电商平台上取得了单品销量第一的成绩，同时复购率还很高。

相对传统录音笔来说，我们的AI录音笔不仅有双麦克风阵列，同时还有AI降噪、实时转写文字、云端存储和搜索、智能编辑、同声传译等功能。

这款产品上线后，整个市场都改变了，索尼、爱国者、纽曼都加入进来，成立了一个联盟，而搜狗成了盟主。

根据我们的调查，我们的AI录音笔上线之前，整个录音笔市场销量是逐年下滑的，市场保有量只有400万支。

从3月份我们上线第一代产品开始，主流电商平台的录音笔搜索量开始上升，到12月份我们发布了第二代产品，开始一点点变硬，就像之前手机从功能机走向智能机一样。而且，加上AI能力的注入，带来的注定是颠覆式的体验。

2.AI时代个人硬件的趋势

有了AI的注入，C端消费品也发生了变化，这个变化主要有两大趋势。

① 变得更加便携

以前放在桌上的PC机很大，随后智能硬件开始走向笔记本、iPad、手机，甚至开始走向可穿戴，因此未来个人硬件的趋势是越来越移动化、便携化。

② 拥有更强的IO能力

从以前的计算能力走向传感器能力，并且基于AI的处理能力，将从人去适应机器，变成机器适应人，最终机器接管人的感官，成为人的助理。

AI对硬件会产生什么影响呢？对于未来10年路径，我的畅想是智能硬件从手机走向手表、耳机，到未来走向眼镜，这可能会逐渐改变我们以手机为中心的使用方式，比如眼镜和耳机会取代手机作为我们接触外界信息的通道。

硬件背后，是人去感知这个世界。

除了有图像和声音之外，很重要的就是语言，它是我们与世界交互的一种抽象方式。而且，只有人类能够处理语言。

亚里士多德曾讲到，“语言是心灵印象的符号，是人类思维的工具，是知识的载体。有了语言，人类社会才能沟通交流。不管是我们生产的语言，还是计算机处理的语言，语言都是最难的一件事情，是人工智能皇冠上的明珠。”

图灵测试中提到，机器能够用语言与人交流，就代表它拥有智能。

今天我们的人工智能还不具有创造力和通用的推理能力，但是可以做这样一个猜想：

只有当机器掌握了语言之后，它才能够完整地拥有创造力和推理能力。

不会讲话的机器，你会认为它智能吗？当然不会。因此，语言在智能当中极其重要，这也是人与动物的重大区别。

二、语言AI的发展趋势

我们会看到，以语言为核心变成了人工智能发展路径的关键节点。我们做输入法、做搜索，其实都是在处理语言，都是为了帮大家更好地表达、更好地获取信息。

1.语言的自然交互和认知问题

关于语言，我有两部分内容要分享给大家：

第一，自然交互。

自然交互让人跟机器之间能够用语音、图像、手势等各种方式产生交流，其中用到了语音、图像技术，也包括视觉技术。

第二，认知问题，我们叫做知识计算。

基于语言，机器能够进行问答和对话，机器翻译是认知技术入门的门槛。有了更好的感知技术，机器会从手机走向新的智能硬件；有了更好的认知技术，机器对知识会产生理解和推理，尤其是在垂直领域拥有问答的能力。

智能硬件新的硬件形式与新的对话和问答能力，未来会走向智能助理，这也是整个AI行业在产品层面上最明珠的地方。

苹果大概在2006年就开始推出智能助理，到今天Google、百度、阿里、小米做这样的音箱产品，核心都是在做智能助理。但是从外壳上来说，我认为并不是最好的方向。

在知识计算之后，我们强调一个核心观点，就是机器做阅读理解之后做问答，传统的搜索是通过关键词给你10条链接，随着技术的进步，我们整个处理能力会从词变成句子、段落、篇章，用户的表达也可能会转换成句子，机器的阅读理解也会走向篇章和整个文章体系，这是技术进步带来的机会。

首先，人声分离，如果是两个人在对话，机器要能识别不同的人，能动态地去判断是第一个人还是第二个人。

其次，机器要能够识别掌声、笑声或其它声音，帮助我们理解内容。

最后，中英文混合是非常难的事情，从传统的深度学习网络数据中得不到一个混合的模型，所以要在机器中加入一些特定知识，来改变这个系统。

传统的硬件是用麦克风矩阵实现的，用多个麦克风进行中间的数字计算、信号处理。今天依靠人工智能，我们有了新的方法，我们的工程师在现实场景中对4万种噪音进行了学习，使得机器有能力分辨噪音。

3.语音合成

做技术的人都知道，以今天的AI能力，机器不会有非常精准的认知理解，大家听到的可能还是转述师那种毫无情感的声音，为了让合成的声音更加具有感情、更加像本人真实声音，我们使用了一种新技术：声音皮肤。在技术上，我们称之为特征的提取能力。

比如，大家在得到听梁宁的课程，其实就是让另外一个人读一篇文章，再把声音皮肤附到这个声音里面来，使得合成的声音可以表达他的情感，经过合成之后，最后由梁宁来呈现。

这种做法能改善整个音频节目的生产环节，表演者和生产者做到一定的分离，避免因为人员离职、生病等带来的各种不确定因素。

这种情况下，使得我们每个人在互联网上不仅可以换成其它形象，也可以换成自己想要的任何一个声音形象。

在生活中也有实际用处，年底马上要开年会了，如果你要表演唱歌，但是五音不全怎么办呢？可以把你的声音特征做一次提取，然后放到《蓝精灵》歌里，会比你自己唱得好听。

这样一些技术，使得在交互中间能够做到人机结合，使得制作能力能够放大。

4.从语音变声到视频合成

搜狗分身发展到现在经历了多次技术迭代，从最早给新华社做主持人，到给央视做主持人，再到第二代能够让它更丰富地表达；

第三代，能够站起来有手势；

到第四代之后就开始做到了多语言、多场景的播报能力；

到了第五代之后开始能够做交互，比如平安普惠的保险项目，服务人员已经被机器取代了，实际你在保险签约的时候，是机器人跟你做交互回答。

我们将很快发布第六代产品，它将拥有大角度、大幅度的动作能力。

这样的技术是机器在取代人上面的一次重大应用。所以，这里面我们可以看到，以语言为核心，背后配上语音、人的表情、肢体、唇语，是能够使得人机交互实现更自然的状态的。

在未来，也许不到10年时间，我们将会构建这样一条路径：自然交互会从文字走向语音、图像理解，大家看到的录音笔、同传、合成主播等，其实是在语音图像的交互能力里面做增强，背后还是语言。

另外一条道路就是认知能力不断提升，使得从搜索走向、辅助医疗、辅助问答以及合并语音图像技术，最终走向行业终极的理想，就是每个人都拥有一个个人助理。

在一些垂直领域当中，能够帮你去做秘书的工作，或者是成为你的分身，跟世界进行沟通。

我们也会持续布局语言AI下的产品，为大家呈现颠覆体验的个人助理，用机器帮助每一个人，让表达、获取信息更加简单。谢谢！