導讀： 來自南京工業(yè)大學的宋昊旻用聽上去有些蹩腳的普通話，在微軟人工智能大會的舞臺上，跟微軟全球執(zhí)行副總裁、微軟人工智能及微軟研究事業(yè)部負責人沈向洋進行對話的時候，現(xiàn)場很多人都非常感動。

來自南京工業(yè)大學的宋昊旻用聽上去有些蹩腳的普通話，在微軟人工智能大會的舞臺上，跟微軟全球執(zhí)行副總裁、微軟人工智能及微軟研究事業(yè)部負責人沈向洋進行對話的時候，現(xiàn)場很多人都非常感動。對于一個雙耳失聰?shù)娜藖碚f，只要拿著一部手機，就可以跟人正常交流，是多么難的一件事。我們不會手語，而他們聽不到聲音，而我們和他們之間的鴻溝，現(xiàn)在只要有一部手機就幫助宋昊旻跟正常人溝通，甚至可以跟外國人交流了。

圖：宋昊旻（右）與微軟全球執(zhí)行副總裁、微軟人工智能及微軟研究事業(yè)部負責人沈向洋（左）

解決宋昊旻的溝通問題，可能只是我們看到的其中一個小例子，幫助人類解決更多語言的問題，才是人工智能的專家們孜孜以求的目標。微軟云與人工智能事業(yè)部全球資深技術院士兼首席語音科學家黃學東，正在微軟領導語音技術和語言翻譯工作，他們的工作就是想解決這些問題。

從感知到認知

二十幾年前的時候，沒有GPU，沒有DSP、TMS320……，那個時候的黃學東是不敢想象，計算機語音識別、語音合成能達到可以媲美人類的水平，到今天來看，這已經(jīng)是很了不起的成就，是令語音識別這個領域的人值得驕傲的成績。

圖：微軟云與人工智能事業(yè)部全球資深技術院士兼首席語音科學家黃學東

從整個人工智能的發(fā)展水平來看，這是人工智能在感知層面的一大步。

不管是語音識別也好，計算機視覺也罷，都屬于“感知”層面，感知智能因為深度學習、神經(jīng)網(wǎng)絡的發(fā)展，獲得了突破性的成果。但是在認知層面，進步還是有限的。

我們當前看到的機器翻譯，實際上是處于感知到認知之間的過程，它可以“假裝”聽懂，來做翻譯工作，而且翻譯出來的效果還不錯，但實際上，它并沒有聽懂。

今年，黃學東帶領團隊在中英文新聞翻譯任務（WMT－2017）上首次實現(xiàn)了可以媲美人類的機器翻譯歷史性突破，這是非常有歷史性意義的事實。語音和語言是人類進化中重要的要素，而現(xiàn)在，計算機第一次在翻譯質(zhì)量上超過專業(yè)人士的水平，這對人類文明的進展來說，都很有里程碑意義。

所謂“認知”包括上下文推理，真正的自然語言處理，而這方面還需要更長的路要走，那才是人工智能真正的皇冠，我們現(xiàn)在還沒有達到，也不知道什么時候達到。

可以想象一下，如果有一天，機器可以理解我們所有的文本，了解上下文，有推理的功能，這意味著機器可以24小時閱讀所有的新聞，所有出版過的文件、著作、科學文獻，那是真正的“上知天文下知地理”，還有生物等等各個學科的知識，那個時候的機器比愛因斯坦，因為愛因斯坦也是只懂物理，那個時候，才是真正的“強人工智能”的來臨。

強人工智能，一定是有自然語言理解，由感知驅(qū)動的，讓計算機能達到人的知識獲取能力，可以通過閱讀自動獲取知識。過去5000年人類的所有文獻，它都可以讀得一個字不忘，還有超過人類的深入理解。

比如說，今天，我們引用《封神演義》里的一句：眼觀六路、耳聽八方，其實《封神演義》里面講的不是六路，是眼觀四路、耳聽八方。如果計算機在自然語言處理上進步了，機器就可以指出“眼觀六方”是不對的，《封神演義》講的是四方，不是六方。

智能音箱、翻譯機開始“感知”

當然，讓黃學東感到遺憾的是，以目前的技術能力和水平，還不知道什么時候能夠?qū)崿F(xiàn)真正的“強人工智能”。但好消息是，在從感知到認知的過程中，我們已經(jīng)有了一步一步的成績。

黃學東強調(diào)，語音技術是一個賦能的技術，所有的開發(fā)者都可以把這個技術拿過來，實現(xiàn)自己想要做的東西，比如智能音箱和翻譯器的火爆，是兩個很好的案例。

“現(xiàn)在遠場語音識別能力已經(jīng)很強，所以音箱火得不能再火了，智能音箱也成為今年CES展上的重頭戲。音箱出現(xiàn)很重要的一個原因就是，語音識別技術進步到了這個水平，遠場交互都已經(jīng)達到了可用的水平，所以促使了智能音箱市場的火爆。”

今年另一個熱門產(chǎn)品翻譯器，尤其在中國，是一個很大的市場。中國每年有1．2億的游客出去，微軟跟小米生態(tài)鏈企業(yè)香蕉出行合作推出的魔芋AI翻譯機，能夠提供覆蓋全球170多個國家和地區(qū)的14種語言的實時語音翻譯，而且物美價廉，常常是脫銷狀態(tài)。

從翻譯的質(zhì)量來看，目前的翻譯機也是不遜色的。翻譯滿分是100分的話，微軟最新的機器翻譯系統(tǒng)已經(jīng)達到了69分，可以媲美人類。機器翻譯不像語音識別只有唯一的答案，機器翻譯是有很多種答案的，評價機器翻譯的時候，現(xiàn)在只能靠人為判斷。現(xiàn)有的商用系統(tǒng)中，微軟和谷歌在標準的測試集上，得分分別在56分、54分左右，在微軟有最新突破之前，國內(nèi)的搜狗公司達到了62分的水平。

然而當翻譯機火爆的時候，人工智能威脅說也隨之愈演愈烈，人工智能會取代翻譯的說法也鋪天蓋地。

但黃學東覺得，目前機器翻譯取代人類還為時尚早，機器翻譯出錯誤會出得比人類更離譜，最好的方法就是在機器轉(zhuǎn)錄翻譯的時候，有人在旁邊看著，有錯誤就給糾正一下，人和機器協(xié)同工作，這是最好的模式。

因為在出現(xiàn)冷僻的詞、新的概念的時候，機器往往會出錯。人可以實時學習冷僻的詞和新的概念，這里面實際上包含很大的信息量，人類馬上可以自適應，可以舉一反三，而機器就做不到。怎么樣處理沒有見過的事情，這才是真的智能，也是人類智能和機器智能最大的區(qū)別。

“如果是沒有突發(fā)事件，那么是基本可信、基本可達、基本還算比較雅。如果出現(xiàn)突發(fā)事件，就舉一不可反三，這是人工智能和人的智能最大的差距?！?/p>