飛象網(wǎng)訊（李樂羽/文），4月28日消息，在今天的GMIC 2017北京大會未來創(chuàng)新峰會上，阿里巴巴公司阿里云IDST總監(jiān)初敏發(fā)表演講，演講題目為AI技術發(fā)展與商業(yè)化之路。
以下為演講內(nèi)容：
主題：未來創(chuàng)新峰會
時間：2017年4月28日（上午）
地點：國家會議中心大宴會廳B
嘉賓：初敏 阿里云IDST總監(jiān), 阿里巴巴
非常高興有機會跟大家分享我們最近做的事情的感悟。最主要的是分享感悟。剛剛簡先生講AI是不是有泡沫，其實大家已經(jīng)開始擔心了。最近的AI跟過去相比已經(jīng)開始商業(yè)應用了，技術的商業(yè)化正在開啟，但這個過程沒有想象的那么容易。我認為在未來幾年里，只在說的人會越來越少，大家會看到某一些泡沫似乎在降下去，但我覺得會有更多實際干的人出來，真正的把這個技術用到每個行業(yè)中，讓我們真正體驗到用，而不僅僅是在媒體上看到的宣傳。
我今天想跟大家分享的，一個是技術的發(fā)展，一個是真正的商業(yè)化之路是會非常艱難的。
人工智能這一波的熱度是數(shù)據(jù)驅(qū)動的智能時代的到來。雖然大家表面上關注的最主要的是算法，是從深度學習開始的。現(xiàn)在還有強化學習、無監(jiān)督、半監(jiān)督等等各種各樣的學習方法。事實上這些學習方法真正能起到作用、能帶來改變，是因為現(xiàn)在有很強大的計算能力，以及有各種各樣的數(shù)據(jù)貫穿在一起。
我們做機器學習的人，這么多年下來，有非常強大的經(jīng)驗。你在算法上的改變，往往不如數(shù)據(jù)種類的豐富性，以及規(guī)模增大帶來的好處更大。
這兩年能看到很大的進步，歸根到底的原因是計算能力。計算能力包括原來在單臺機器上，后來是在一大組CPU集群上，包括TPU等等各種探索，都是在解決計算能力的問題。因為聯(lián)網(wǎng)把數(shù)據(jù)聯(lián)接起來了，數(shù)據(jù)從不同的源到一個結點上進行統(tǒng)一學習，增強了學習效果。這一輪所謂的AI真正是大數(shù)據(jù)驅(qū)動的，云計算+大數(shù)據(jù)+算法的進步來推動的。
從另外一個應用的角度，大家體會最強的是互聯(lián)網(wǎng)上的改變。這一輪算法技術，推薦、搜索、推送，我們已經(jīng)能體驗到一部分。今天我們感受到的變化更垂直化、個性化、智能化，在很多地方的細微改變都是因為數(shù)據(jù)的聚匯，以及學習對人、對各種細節(jié)學習能力的增強，使我們感受到細微的變化。
另外就是每個個體感受不那么深的，給傳統(tǒng)工業(yè)帶來了很多變化。比如，我們用在工廠的數(shù)據(jù)里，監(jiān)測工廠的故障率、提高產(chǎn)品的良品率�？梢灶A測城市生活中未來N個小時的交通情況，哪里會堵、哪里會出現(xiàn)風險，通過信號燈的調(diào)節(jié)能不能更好的疏通交通的通暢性。這些技術的確在方方面面，有一些是我們能夠感受到的，有一些是在日常生活中不能直接感受到的，但都在發(fā)生著變化。智能化的過程已經(jīng)開啟，而且正在飛快的進步。
這件事情不是一個企業(yè)、一個人、一個機構能獨立完成的。如果真把所有的技術從頭到尾打通，有非常多的工作要做。從底層的計算能力，到垂直的語音、圖像技術，即便是個Bot，也要把這些東西集成起來。最終這些技術能不能是放之四海而皆準的，往往都是需要根據(jù)場景、根據(jù)垂直行業(yè)的需求來進行改變。一個系統(tǒng)不可能十年都不變，它要跟著外界的情況發(fā)生改變。一個系統(tǒng)第一天上線，我覺得它的效果很好，不是它一定要好一輩子的。你要把數(shù)據(jù)灌進去，要讓這個系統(tǒng)24小時不停地轉(zhuǎn)，這個轉(zhuǎn)的過程也是學習的過程。只有這樣的系統(tǒng)才真正的能用起來。很多時候我們看到上線一個東西，3個月的效果很好，過一段時間就用不起來了。
這個技術不應該是在象牙塔里了，而是應該在很多地方推，這個推的過程是很多環(huán)節(jié)的銜接。在某些媒體上傳播的時候，我們只看到了美妙的想象的部分，沒有重視到實施過程中的各個環(huán)節(jié)。只有這些東西都做好，我們想象中的那個美妙的結果才能得到。商業(yè)化的過程中最大的困難，每個企業(yè)、每個環(huán)節(jié)想引入這些技術，想在你的場景中用通的時候，實際是要有思想準備的。不是閉著眼睛從哪里接根管子就用得非常好了，而是要有決心，要扎下去，打透了，才能得到非常好的結果。
人工智能真的需要分工協(xié)作，我們大家的定位在什么地方，我需要誰來幫助我。另外就是人才的儲備。AI很熱，這個領域的人才非常熱。我自己觀察到的還有一種人才也非常缺失，其實是怎么用的人。比如，一個機器人在我們的環(huán)境中提供客服，應該怎么交互、怎么用、怎么設計、入口在哪里，這樣的人才是更缺失的。我自己在公司里跟很多部門合作的時候都碰到這個困難，最終反而是技術人員好像更理解一點。其實這是不對的。
我覺得真正懂得AI技術在某一個場景中真正該怎么用的人才也是非常稀缺的。要打通的是各處的，只不過大家立足點不一樣，你側重的人才會不一樣。
阿里云做的更多是底層，是以平臺來提供的，底下會有集群、云計算的平臺、大數(shù)據(jù)的平臺，以及人工智能的各種專項技術。做這些專項的技術，語音識別本身都是投資非常大的，不是每個企業(yè)都值得自己去投資。因為做這些事情，既要很多人，又要很多錢，又要很多數(shù)據(jù)和很多計算能力，平臺形式的提供是更為合理的。這也是為什么我們作為云計算公司會做很多這樣的工作。各個層面的行業(yè)的打通，是各個領域的專家更懂的，后面就應該是各種解決方案。我們會提供各種基礎能力，而真正的解決方案是跟合作伙伴一起打通，真正把這個垂直行業(yè)落地，工作量是非常大的。
因為我自己帶的是語音交互的團隊，我給大家舉一個例子。底層也是一樣，有識別。語音識別合成是大家傳統(tǒng)講的語音技術。現(xiàn)在有兩個方向，一個是所謂的人機對話。各種應用APP里可以嵌入這種交互。但是，在你做APP交互的時候，因為你知道的事情比較少，能做的會比較窄。你從操作系統(tǒng)開始做，系統(tǒng)底層知道的更多，能通過這個交互實現(xiàn)和打通的信息就會更多。在我們自己內(nèi)部做的時候也是這樣，更重要的是以操作系統(tǒng)為依托，走到各種端，它可能是手機，也可能是車，也可能是電視，或者其他設備。當然，也可以提供一個簡單的接入，讓各種APP接入進去。
另外一個部分也是非常重要的，就是數(shù)據(jù)價值的發(fā)現(xiàn)。我們在阿里自己的云棲大會上，會直接接上語音轉(zhuǎn)寫，我在這里的講話就被實時的轉(zhuǎn)譯成了文字。這樣的資料就會非常有價值。這樣的轉(zhuǎn)寫在法庭等各種場景都能用起來。如果我們把語音變成了文字，這就變成了很珍貴的數(shù)據(jù)資源，就可以發(fā)揮很大的價值。很多東西會隨著時間發(fā)生非常大的變化。
在去年的云棲大會上，我們做過一次ET的演示。交互是一個最表層的東西，最終它是要把很多深的服務串起來。前提是我們背后有很多的資源能夠接入。即便你理解了，如果我沒有后備的服務是沒有用的。這就是非常大的配合，一層是做語音、語言理解、對話的管理，但最后一定要把它轉(zhuǎn)成某一個服務的查詢。ET是我們包裝阿里云人工智能技術的代言人。這種實時的大會字幕，實時的語音能轉(zhuǎn)成文字，中文、英文都在自己的系列會上用得非常成功，基本上已經(jīng)是標配，包括“雙11”時做的節(jié)目。不同的場景，很難有一個固定的Bot能完成。我們能很快的在不同的場景做，實際上是因為我們可以根據(jù)場景快速的定制各種Bot，根據(jù)場景的只是一個非常重要的能力。
語音識別是很重要的，最大的問題是算法的復雜度。因為有的時候復雜的算法的效果好。我需要實時，基本是在復雜率和實時之間的平衡。
還有數(shù)據(jù)的規(guī)模。你會問到方言覆蓋率怎么樣、能說多少種語言，其實這些轉(zhuǎn)化到最后都是你有什么數(shù)據(jù)、你有多少計算能力、你多快能把這些語言做掉。能做中文、能做英文，其實做所有語言在技術上是一樣的，差異是在于你的數(shù)據(jù)來源，你有沒有那么多數(shù)據(jù)，你有沒有那么多計算能力可以很快的把這些東西搞出來。在真正用的時候，實際上還是數(shù)據(jù)和計算能力的變化，以及模型迭代能多快。如果我有很強的計算能力在一個月里可以比較20種方法，我的進步就會很快。如果一個月里只能迭代一輪，我會進步的很慢。最終很多時候我們比的是這個。
各種場景的自適應。我們做實時字幕的時候，在技術性會議上是做的很好的�？梢约僭O想象到，我去一個醫(yī)療會議上，可能會很痛苦，因為里面有太多的醫(yī)學專有名詞，我們的系統(tǒng)沒有。怎么根據(jù)具體的場景，讓它快速的adapt過去。
（演示）
剛剛稍微聽了兩個片段。語音合成技術這些年已經(jīng)比較成熟了，剛剛放的兩段是我們合作的兩個場景，一個是語音播報頻道。另外一個是面向兒童，講故事的。這個技術也是可以定制，不同場景需要的聲音是不一樣的。我們面臨的最大挑戰(zhàn)還是如何快速的根據(jù)不同場景定制出不同的聲音，適應不同的需求。這是商業(yè)應用時最大的挑戰(zhàn)。今天做到的效果總的來說還是不錯的。但是，這兩個聲音的場景如果換一下，其實是完全不好用的。這意味著我們需要根據(jù)場景來做定制化。
語言的理解與對話。簡先生講的Bot也是理解和交互。我覺得交互的目的是找到答案。其實是根據(jù)你的知識點在哪里，你的知識點是什么樣的組織，我們才根據(jù)這個技術做這個事情。很重要的源是知識，知識的組織，以及知識從哪里來，這是真正應用的場景。一個企業(yè)做客服，你就需要有自己的客服知識庫，這個事情是別人不能替代你的，一定是自己提供的。技術能提供的是什么？是如果你有自己的知識庫，我是不是能很快的把它變成很好的問答的能力，變成和人交互的能力。
信息的抽取。一旦把語音變成文字，可以做很多自然語言的抽取。我們在客服場景里做的就是質(zhì)檢。因為今天所有的電話都被錄音下來了，服務的質(zhì)量好不好，用人去篩查，這件事情基本是做不到的。我們已經(jīng)把阿里系的所有電話都語音識別出來，在文字層面做質(zhì)檢。這是螞蟻客服的效果，本來他們有30多個人做1%的抽檢，因為現(xiàn)在用了這個技術，可以做到100%的覆蓋，人還會留一些，但工作量會減少很多，而且做到了100%的質(zhì)檢。類似的技術還可以用來進行產(chǎn)品的監(jiān)控、危機的識別。
客服可以打電話，我們稱之為熱線。通過IM的交互，稱之為在線。傳統(tǒng)的做法，電話進來是一個按鍵菜單，最后都是人工服務。它也會記錄下數(shù)據(jù)，通過數(shù)據(jù)的沉淀，我們有了知識庫，這個行為中該怎么提供服務，可以學習到很多，最終可以進行改造。電話進來，可以用語音識別。然后，根據(jù)人的問題進行分類，猜你碰到了什么困難。如果這個問題是服務的機器人可以回答的，基本就可以自助的服務完成。如果是比較復雜的問題，就會輸送到不同的技能組，因為客服人員也是分技能組的。這個過程中的數(shù)據(jù)而不斷的沉淀下來，這些沉淀的數(shù)據(jù)又變成寶貴的數(shù)據(jù)資源，可以進行產(chǎn)品監(jiān)控、異常監(jiān)控，甚至是對用戶技術分析�？头瞧髽I(yè)跟客戶接觸最多的地方，對用戶的了解也是最深的。傳統(tǒng)的客服中心，經(jīng)過各種智能化改造，它實際上變成了數(shù)據(jù)中心，會提供非常強大的數(shù)據(jù)支撐。
隨著每年“雙11”業(yè)務量的增大，服務的請求量也是增長很快的。我們不可能通過加人來提高服務，必須用智能手段來保證服務質(zhì)量。從2014年到2015年，服務請求量的增長非常大，主要是來自IM，是因為當年把入口放得更明顯了，用戶更容易找到IM的入口，請求量大了很多。那一年在自助的能力上做了很大提升，人工服務量并沒有增長，還有點下降，特別是IM入口，服務量下降很多，就是因為機器人能自助回答大部分問題。但是，人工電話的服務量是有所上升的。2015年到2016年的變化，是因為我們一起合作了一個項目，加了語音電話進來的自助能力。到了2015年、2016年，電話人工量也下降了。在2016年的“雙11”，客服團隊的日子就好過很多，因為整個需要人工服務的量下降了非常多。
雖然我們自己是做語音交互的，但跟很多業(yè)務團隊做了非常深入的合作。核心困難就是在最后一公里的落地上。只有我們有足夠的投入，那些效果才能全盤的打通。語音接入本身就很難，經(jīng)常有各種錄音。我剛剛上場前，會提示我麥克風離得近一點，要不然收音就不好。在各種場合不能控制的時候，收音本身就是很痛苦的事情。
還有不同的場景，你需要的重點的詞匯，你有自己特別的詞匯，你有自己的口語化的問題，包括你自己的知識庫。這個過程中很多環(huán)節(jié)，只有都打通了，真正的智能才能實現(xiàn)。不是說今天有泡沫，而是有多少人愿意實干，不是在那兒說，而是實實在在的把每一個環(huán)節(jié)打通，智能是一定能落地的，而且一定能帶來商業(yè)價值。有很多例子可以看到，在真正落地的時候也遇到了非常多的困難。這跟企業(yè)想做這件事的決心特別相關。
我們做的是核心技術，最終還是要依靠生態(tài)和跟合作伙伴的合作，讓智能化的技術在每個場景中落地。我們期待著把智能化真正的多地。
謝謝大家！
