一開始，它只不過是個看似新奇的小玩意兒。2014年11月，亞馬遜發(fā)布了Echo智能音箱，它使用了人工智能技術(shù)來傾聽人類的提問。Echo會掃描聯(lián)網(wǎng)數(shù)據(jù)庫中的數(shù)百萬個單詞，不論你提出的問題是深邃還是淺顯，它都能給出答案。目前，Echo智能音箱的銷量已達到4700多萬臺，其用戶來自從阿爾巴尼亞到贊比亞的80多個國家，其服務(wù)器每天要回答用戶的1.3億多個問題。亞馬遜的語音識別引擎Alexa得名于亞歷山大港的古埃及圖書館，它可以按照用戶的要求播放音樂，提供天氣預(yù)報信息或體育比賽的得分，甚至可以遠程調(diào)節(jié)用戶家里的室溫。它還會講笑話，回答一些瑣碎的問題，抖個機靈，或者開些無傷大雅的玩笑。（比如你可以讓它放個屁來聽聽）。
亞馬遜并沒有“發(fā)明”語音識別技術(shù)，實際上語音識別技術(shù)已經(jīng)發(fā)明出來幾十年了。亞馬遜甚至并不是第一家提供主流語音識別應(yīng)用的科技巨頭。蘋果的Siri和谷歌語音助手的上市時間要比它早得多。微軟Cortana的發(fā)布基本上與Alexa在同一時期。但是隨著Echo的廣泛成功，語音識別領(lǐng)域的競爭驟然激烈了起來，各大科技廠商紛紛投下重注，試圖將這些“智能”家居設(shè)備變得跟PC甚至和智能手機一樣重要。正如谷歌的搜索引擎算法徹底改變了人們的信息消費模式，進而顛覆了整個廣告行業(yè)一樣，由人工智能技術(shù)驅(qū)動的語音識別技術(shù)也會推動類似的革命。亞馬遜Alexa部門的首席科學(xué)家羅希特·普拉薩德表示：“我們想抹平用戶使用互聯(lián)網(wǎng)時的不順暢，而最自然的方法就是聲音。Alexa不是那種一下子給你展示很多搜索結(jié)果，然后說‘選一個吧’的那種搜索引擎，而是會直接告訴你答案。”
各大科技廠商紛紛將人工智能與語音識別技術(shù)相結(jié)合，其目的遠遠不只是為了推出一款圣誕購物季最熱賣的小家電這么簡單。目前，谷歌、蘋果、Facebook和微軟等公司紛紛砸下重金研發(fā)競品。據(jù)投資公司LoupVentures的分析師吉恩·蒙斯特估算，上述幾家科技巨頭每年在語音識別技術(shù)上的研發(fā)支出合計超過了50億美元，約占年度研發(fā)預(yù)算總額的10%。他認為，語音識別技術(shù)的出現(xiàn)是計算領(lǐng)域的一個“具有重大意義的變化”。他認為，語音指令很快將取代鍵盤和觸屏，成為“我們與互聯(lián)網(wǎng)交互的最常見的方式”。
隨著各大廠商紛紛投入重注，語音識別助手領(lǐng)域的競爭也變得愈發(fā)激烈。從研究公司Canalys提供的數(shù)據(jù)看，目前亞馬遜在這一領(lǐng)域暫時領(lǐng)先，它在全球聯(lián)網(wǎng)音箱市場上的份額達到了42%。谷歌的Home智能家居設(shè)備以34%的份額暫居亞軍，它搭載了谷歌自研的谷歌助手，據(jù)說近期的銷量已經(jīng)反超了亞馬遜。蘋果的HomePod價格最貴，加入戰(zhàn)局也是最晚，雖然市場占有率排名第三，但份額仍遠遠不如前面兩家。去年10月，F(xiàn)acebook也推出了自己的Portal系列影音設(shè)備，它們也具備部分語音識別功能。尤其值得注意的是，它搭載的也是亞馬遜的Alexa語音識別引擎。
當前，聯(lián)網(wǎng)智能音箱以及類似設(shè)備的市場規(guī)模已然不小，而且還在繼續(xù)增長。不過對于這些科技巨頭來說，語音識別技術(shù)的價值遠遠超過這些設(shè)備本身。據(jù)市場研究機構(gòu)全球市場觀察公司（GlobalMarketInsights）的研究，2017年，全球智能音箱市場的銷售額是45億元，預(yù)計到2024年將增長至300億美元。不過這幾家科技巨頭顯然并不在乎賣硬件的這點小錢，比如亞馬遜基本是在將Echo保本甚至虧本銷售。在去年歐美地區(qū)的假日購物季期間，亞馬遜推出了迷你版的EchoDot音箱，售價只有29美元，ABI研究公司認為這個價格甚至還要低于它的零部件成本。各大廠商之所以肯做賠本生意，就是為了把用戶鎖定在他們的其它產(chǎn)品和服務(wù)上。比如亞馬遜就是要通過Echo產(chǎn)品提高亞馬遜Prime訂閱服務(wù)的價值。谷歌則寄希望于語音搜索功能能夠引來更多的廣告收入。蘋果則希望以語音識別技術(shù)為工具，將手機、電腦、電視遙控器甚至是車載軟件整合在一塊，打造一體化的體驗。
由于語音識別領(lǐng)域已經(jīng)吸引了這么多的投資，而且還在快速創(chuàng)新，因此現(xiàn)在預(yù)測誰是贏家還為時過早。但有一點大家已經(jīng)形成了共識，那就是有了人工智能加成的語音識別技術(shù)，必然將向今天的智能手機一樣，成為我們訪問互聯(lián)網(wǎng)的新用戶界面。另外，語音識別技術(shù)也將降低人們使用科技的門檻，促進科技的普及。谷歌公司負責(zé)谷歌助手與搜索業(yè)務(wù)的產(chǎn)品與設(shè)計的副總裁尼克·�？怂贡硎荆�“它讓那些不太識字的人也能使用這個系統(tǒng)。另外，人們在開車的時候也可以使用它，做飯的時候也可以用它來聽菜譜。每過一段時間，科技就會發(fā)生一次結(jié)構(gòu)性的轉(zhuǎn)變。我們認為，語音識別就是這樣一種轉(zhuǎn)變。”
雖然如此，但今天的語音識別技術(shù)仍然處于比較早期的階段。它的應(yīng)用還比較初級，而且它也有一些比較大的風(fēng)險因素。比如科技公司會不會利用它對用戶進行竊聽，以及科技公司通過收集公民的語音數(shù)據(jù)又攫取了多少權(quán)力，人們對這些問題都存在著合理的擔(dān)憂。華盛頓大學(xué)電氣工程學(xué)教授、世界頂級的語音和語言技術(shù)科學(xué)家瑪麗·奧斯坦多夫表示：“有了人工智能語音識別技術(shù)，我們就好比從螺旋槳飛機進入了噴氣式飛機時代。”她指出，現(xiàn)在的語音識別技術(shù)已經(jīng)能夠很好地回答那些直截了當?shù)膯栴}，但在真實語境的對話中，表現(xiàn)得仍然令人失望。“在能識別多少個單詞、聽懂多少個指令上，人工智能語音識別技術(shù)表現(xiàn)得非常出色。但我們畢竟還沒進入火箭時代。”
幾十年來，科技行業(yè)一直堅信，語音識別技術(shù)必將成為下一個“殺手級應(yīng)用”。早在上世紀50年代，貝爾實驗室就開發(fā)了一個名為奧黛麗（Audrey）的系統(tǒng)，它可以識別從1到9的語音數(shù)字。20世紀90年代時已經(jīng)有了一款名叫DragonNaturallySpeaking的PC軟件，它可以實現(xiàn)簡單的語音識別功能，而不需要說話者每說完一個單詞就尷尬地停頓一會兒。但直到蘋果公司2010年在iPhone上發(fā)布了Siri語音助手，消費者才意識到一個擁有強大計算能力的語音識別引擎能做哪些事。大約就在同一時間段，亞馬遜這樣一家充滿了《星際迷航》式幻想的公司（它的老板杰夫·貝佐斯也是一個正牌《星際》迷）開始暢想，能不能將企業(yè)號星際飛船上的那種會說話的電腦變成現(xiàn)實。亞馬遜公司的普拉薩德曾發(fā)表過上百篇關(guān)于語音識別人工智能及相關(guān)話題的科學(xué)文章，他表示：“在我們的暢想中，未來你可以通過語音與任何服務(wù)交互。”而Alexa就是為此而生的。它是一臺多才多藝的設(shè)備，可以讓消費者更容易地與亞馬遜進行交互。
隨著語音識別技術(shù)的進步——也就是計算速度越來越快，價格越來越便宜，越來越普及，因此日益主流化——亞馬遜、谷歌、蘋果等科技廠商也得以更容易地建立一個無縫的網(wǎng)絡(luò)，利用語音識別技術(shù)，將智能家居設(shè)備與他們旗下的其他系統(tǒng)連接起來。比如蘋果CarPlay的用戶下班路上可以告訴Siri，別忘了在蘋果電視上下載最新一集的《權(quán)力的游戲》，然后讓HomePod等我一回家就開始播放。兩年前，谷歌也發(fā)布了基于語音識別技術(shù)的智能家居產(chǎn)品Home，它將谷歌的音樂服務(wù)（YouTube）和最新款的Pixel系列手機和平板產(chǎn)品結(jié)合在了一起。換言之，每個科技巨頭都將語音識別技術(shù)當作了連接其多個數(shù)碼產(chǎn)品的紐帶。
上述幾個科技巨頭個個都有超強的盈利能力，因此他們都有充足的資金來搞研究和營銷，最終拿出的產(chǎn)品也各不相同。蘋果和谷歌都有自己的移動操作系統(tǒng)，也就是說，iPhone和所有的安卓手機在出廠時就已預(yù)裝了Siri或谷歌助手。相比之下，亞馬遜就得說服用戶將Alexa應(yīng)用下載到他們的iPhone或安卓手機上了。前華爾街分析師蒙斯特認為：“要打開Alexa語音識別應(yīng)用，就要比Siri和谷歌助手多花一步，這對亞馬遜是一個明顯的劣勢。”而相比之下，Siri和谷歌助手只需用戶喊一聲它們的名字就能激活。
不過，iOS和Android是面向所有第三方開發(fā)者的，而Alexa應(yīng)用同時兼容這兩個平臺，也就是說，兩個平臺上的開發(fā)者都可以寫Alexa的程序。亞馬遜CEO杰夫·貝佐斯今年早些時候曾在一次財報發(fā)布會上稱：“有來自150多個國家的數(shù)萬名開發(fā)者”都在構(gòu)建Alexa的應(yīng)用程序，并將它們集成到非亞馬遜的設(shè)備里。而合作伙伴也是各大語音識別應(yīng)用競爭的一個競爭戰(zhàn)場�，F(xiàn)在，Sonos公司的“電聲棒”、Jabra公司的耳機，以及寶馬、福特、豐田等公司的汽車都已用上了Alexa。谷歌的語音識別程序則被集成到了索尼、鉑傲的音響、August公司的智能門鎖和飛利浦的LED照明系統(tǒng)上。蘋果的HomPod則與FirstAlert公司的安全防衛(wèi)系統(tǒng)和霍尼韋爾公司的智能恒溫器進行了合作。谷歌副總裁尼克斯表示：“這些合作的好處是將語音識別功能整合到了整個智能家居生態(tài)系統(tǒng)，我不用打開手機也能使用應(yīng)用程序了。我只要說一聲：‘讓我看看誰在門口’，門前的監(jiān)控視頻就會自動顯示出來�？傊ㄟ^統(tǒng)一實現(xiàn)了簡化。”
人工智能一直是反烏托邦文化里的常客，特別是在《終結(jié)者》和《黑客帝國》系列電影里，智能機器人甚至造了人類的反，將人類逼到了“亡球滅種”的邊緣。不過慶幸的是，現(xiàn)在的我們離被機器人奴役還有很遠。不過人工智能技術(shù)的進步，以及廉價計算設(shè)備的普及，已經(jīng)讓很多具有科幻感的構(gòu)思成為了現(xiàn)實。早期的語音識別程序雖然也不錯，但也沒有超過編寫它們的程序員的最高水平。但現(xiàn)在這些應(yīng)用卻變得越來越好了，這是因為它們通過互聯(lián)網(wǎng)與數(shù)據(jù)中心連接，而且科技公司花了好幾年時間，用大量數(shù)據(jù)對這些算法進行“訓(xùn)練”，使其學(xué)會了識別不同的語言模式�，F(xiàn)在，這些人工智能語音識別應(yīng)用不僅能識別單詞、方言和俗語，甚至還能根據(jù)上下文分析語義（比如通過分析呼叫中心的客服代表與客戶的電話錄音，或者分析用戶與數(shù)字助手的互動）。
語音識別系統(tǒng)既依賴于計算機科學(xué)，也依賴于物理學(xué)。語音會產(chǎn)生空氣振動，語音引擎則會接受模擬聲波，然后將其轉(zhuǎn)換成數(shù)字格式，計算機就會分析這些數(shù)據(jù)的意義，而人工智能則能夠加快這一過程。人工智能首先要搞清楚它收到的語音是不是指向它的系統(tǒng)的，因此它首先要檢測客戶選定的“喚醒詞”，比如“Alexa”。然后，系統(tǒng)會使用機器學(xué)習(xí)模型，對所接受的數(shù)據(jù)進行猜測。由于這個模型已經(jīng)用幾百萬個用戶貢獻的語料庫訓(xùn)練過，因此猜測的準確度是很高的。谷歌助手的工程副總裁約翰·斯考威克解釋道：“語音識別系統(tǒng)首先會識別聲音，然后會把這句話放到語境中去理解。比如說，如果我說了一句：‘天氣怎么樣？’系統(tǒng)就知道，我所指的是一個國家或一個城市的天氣。我們的數(shù)據(jù)庫中有500萬個單詞的英文詞匯，如果不結(jié)合語境，從500萬個單詞中識別出一個詞是極其困難的。但如果人工智能知道你問的是一個城市的情況，那么這就把范圍縮小到了三萬分之一，這樣猜中就簡單多了。”
有了強大的計算能力，系統(tǒng)就有了很多學(xué)習(xí)的機會。舉個真實的例子，為了讓Alexa打開家里的微波爐，語音識別引擎首先要理解這個指令。也就是說，它得能夠聽懂各州各省的方言，小孩子的高調(diào)門兒，或者是老外的怪腔怪調(diào)。與此同時，它還要過濾廣播、音樂等無關(guān)的背景音。然后，人們使用微波爐時的指令也是不一樣的。有人可能會說：“把我的飯重新熱一下”；有人則可能說：“打開微波爐”或“用微波爐把飯熱兩分鐘。”Alexa這種語音識別應(yīng)用會將用戶的問題與數(shù)據(jù)庫中的類似指令進行對比，從而明白“把我的飯重新熱一下”也是用戶有可能下的指令。
語音識別技術(shù)之所以近來大受歡迎，也是由于它在將人類指令轉(zhuǎn)化為行動方面表現(xiàn)得相當出色。谷歌公司的斯考威克表示，谷歌的語音識別引擎已經(jīng)能達到95%的準確率，比2013年的80%有了明顯提高，幾乎與人類的理解能力不相上下了。近來該領(lǐng)域的一個重大成績是語音識別引擎已經(jīng)學(xué)會了如何過濾背景噪音。不過只有當用戶的指令或問題比較簡單時，系統(tǒng)才能達到這樣高的識別率——比如問它：“最新的《諜中諜6》什么時候上映？”如果你就某件事征求Alexa或谷歌助手的意見，或是試圖跟它進行一場拉鋸式的談話，系統(tǒng)就要么會給出一個預(yù)先編程好的幽默答案，要么直接提出抗議：“我不知道怎么回答。”
在消費者看來，語音識別設(shè)備不僅實用，有時也能給人帶來快樂。而在制造它們的科技巨頭看來，語音識別設(shè)備雖小，但是極為高效的收集數(shù)據(jù)者。大約60%的亞馬遜Echo和谷歌Home的用戶至少將語音助手與一種智能家居設(shè)備相連（比如恒溫器、安全系統(tǒng)等），而這些智能家居設(shè)備可以透露關(guān)于用戶生活的無數(shù)細節(jié)。對于亞馬遜、谷歌和蘋果這些公司，他們收集的數(shù)據(jù)越多，就能更好地服務(wù)消費者——不管是通過附加服務(wù)、訂閱服務(wù)，還是代表其他商家打廣告。
這個領(lǐng)域的商機也是顯而易見的。一位消費者只要將Echo與恒溫器相連，那么如果他看到了智能照明系統(tǒng)的廣告，就也會傾向于購買。如果你對隱私特別在意，你或許會覺得被“竊聽”的感覺很不舒服。但借助這項技術(shù)，科技巨頭們已經(jīng)坐擁了海量個人數(shù)據(jù)，反過來這些數(shù)據(jù)也使他們能更有效地向消費者進行營銷。
這幾家科技巨頭的總體戰(zhàn)略各不相同，對收集來的數(shù)據(jù)的使用方式也略有差異。亞馬遜表示，Alexa收集來的數(shù)據(jù)主要用于該軟件的后續(xù)研發(fā)，以使它變得更加智能，對用戶更加實用。亞馬遜稱，Alexa進化得越好，用戶就會越能看到亞馬遜的產(chǎn)品和服務(wù)的價值——包括它的Prime會員計劃。盡管亞馬遜也在大力推動廣告業(yè)務(wù)（市場研究機構(gòu)eMarketer認為，2018年亞馬遜的數(shù)字廣告業(yè)務(wù)收入將達到46.1億美元），但亞馬遜的一位發(fā)言人表示，公司目前不會利用Alexa的數(shù)據(jù)賣廣告。谷歌雖然擁有龐大的廣告業(yè)務(wù)，卻也一反常態(tài)地表示，不會使用語音識別技術(shù)收集的數(shù)據(jù)賣廣告。蘋果向來號稱不愿利用顧客數(shù)據(jù)換取商業(yè)利益，此次自然也不例外，蘋果表示，該公司從語音識別技術(shù)中獲取的用戶數(shù)據(jù)將僅僅用于改善用戶體驗——以及銷售更多昂貴的HomePod設(shè)備。
雖然亞馬遜是做購物起家的，但大多數(shù)用戶并未使用語音識別設(shè)備幫助他們購物。亞馬遜不愿透露有多少Echo的用戶用它購物，不過咨詢機構(gòu)Codex集團最近對網(wǎng)購圖書者的一項調(diào)查顯示，只有8%的用戶通過Echo買過書，有13%的用戶通過它聽過電子書。研究機構(gòu)Canalys的分析師文森特·蒂爾克表示：“人是習(xí)慣性動物，如果你想買一個咖啡杯，你很難對智能音箱描述出你喜歡的杯子的樣式。”
亞馬遜表示，公司并未過分關(guān)注Echo作為購物助手的作用，不過它仍然希望亞馬遜的智能家居設(shè)備能反哺公司的零售業(yè)務(wù)。亞馬遜的自然語言處理科學(xué)家普拉薩德表示：“人總是根據(jù)以前的購物習(xí)慣去購物。如果你想買幾節(jié)電池，這種東西，你既不需要親眼去挑，也不需要記住買一種。如果以前你從沒買過電池，我們當然會建議你買亞馬遜品牌的。”
語音助手在購物上的作用遠遠不止買幾節(jié)電池。目前，很多商家都想跟這些科技巨頭合作，并利用這些平臺。據(jù)OC&C戰(zhàn)略咨詢公司預(yù)測，到2022年，語音識別購物的銷售額將從現(xiàn)在的20億美元增長至400億美元。現(xiàn)在，有幾款智能家居設(shè)備的迭代產(chǎn)品已經(jīng)展現(xiàn)了這個潛力。比如亞馬遜和谷歌都推出了帶屏幕的智能家居設(shè)備，它們看起來有點像小型電腦和電視機的跨界產(chǎn)品，因此更適合用來網(wǎng)購。2017年春天，亞馬遜推出了230美元的EchoShow。跟其他Echo設(shè)備一樣，EchoShow也內(nèi)置了Alexa應(yīng)用，但用戶也能通過它看到圖像。這樣一來，消費者就可以看見自己想買的商品和購物清單了。同時，用戶也可以用它來看電視、聽音樂、看監(jiān)控視頻、旅行照片等等。而在做這些的時候，用戶無需點擊任何一個按鍵，也完全不需要操縱鼠標。
谷歌已經(jīng)與四家消費電子廠商展開了合作，有些廠商最近已經(jīng)開售安裝了谷歌助手的智能屏產(chǎn)品。比如聯(lián)想的SmartDisplay智能顯示器看起來很像Facebook的Portal產(chǎn)品，零售價為250美元，與JBL的LinkView設(shè)備相同。LG也計劃推出搭載谷歌助手的ThinQView設(shè)備。今年10月，谷歌也開始銷售自己HomeHub設(shè)備了，該設(shè)備搭載了一塊7寸顯示屏，售價為149美元。
從長遠來看，谷歌認為，擁有屏幕將使語音購物變得更容易。谷歌并不像亞馬遜那樣直接銷售產(chǎn)品，但它的“谷歌購物”網(wǎng)站卻將零售商與谷歌搜索引擎直接相連。目前，谷歌已經(jīng)將Home設(shè)備打造成一個購物工具了。比如谷歌與星巴克有合作，用戶只需要告訴谷歌助手點一杯“老樣子”，飲品就會自動送上門。去年，谷歌還鞏固了與全球最大零售商沃爾瑪?shù)暮献麝P(guān)系。用戶可將沃爾瑪賬戶與谷歌購物網(wǎng)站相連，這樣通過谷歌的Home設(shè)備，用戶即可檢查附近的沃爾瑪門店里有沒有自己喜歡的運動鞋，或是預(yù)訂一臺平板電視當日提取。如果你不知道離你最近的沃爾瑪在哪兒，它也能幫你找到。
而視覺識別技術(shù)（它可以看作是人工智能語音識別技術(shù)的小弟，這種技術(shù)早就被用來在人群中對比罪犯了）的興起，將使人們在這些設(shè)備上購物變得更加便利。今年9月，亞馬遜宣布，它正在用Snapchat相機測試一款新應(yīng)用。消費只要用Snapchat的相機拍下某個產(chǎn)品或者條形碼的照片，就能在屏幕上看到亞馬遜的產(chǎn)品頁面。不難想象，要不了多久，用戶就能在他們EchoShow上實現(xiàn)類似功能，到時候用戶不光能看見產(chǎn)品的價格和評價，估計還能看見該產(chǎn)品是否支持Prime的兩天免費快遞上門服務(wù)。
雖然這項技術(shù)的前景令人興奮，可是對那些對高科技不敏感的人來說，他們可能得花一些時間，才能習(xí)慣跟機器對話�，F(xiàn)在很多科技公司的社會公信力不高，他們必須得讓消費者相信，這些設(shè)備并不是在出于邪惡的原因在竊聽他們。實際上，智能揚聲器只有檢測到“喚醒詞”才會切換到對話模式，比如“Alexa”或者“HeyGoogle”。今年5月，亞馬遜不小心將一位波特蘭市的高管與他妻子關(guān)于地板的一段對話發(fā)送給了他的一名員工。亞馬遜對此次事故公開道歉，并表示它“曲解”了這段對話。
口頭指令的出錯可能要遠遠超過打字輸入的命令。有些時候，你甚至可能為此付出代價。比如去年，達拉斯的一個6歲的小女孩在跟Alexa討論餅干和玩偶等話題。幾天后，快遞員就給她家送來了4磅餅干和一個價值170美元的玩偶。亞馬遜表示，Alexa是有家長控制功有的，如果啟用了該功能，這次事故本不會發(fā)生。
不管怎樣，人工智能語音識別的大規(guī)模采用很可能會是自然而然的事，畢竟它給我們帶來了更多的便利。目前，全球的人工智能語音識別設(shè)備已經(jīng)超過1億臺，語音成為人與機器的主要交互媒介只不過是個時間問題——哪怕有時這種對話只是毫無營養(yǎng)的惡搞和尬笑。（財富中文網(wǎng)）
本文作者布萊恩·杜梅因撰寫的關(guān)于亞馬遜的一本新書即將由斯克里布納出版社出版。
本文原載于2018年11月1日刊的《財富》雜志。
譯者：樸成奎
