作者：王剑白

1962年，美国西雅图举办了第二十一届“万国博览会”，也就是我们现在称呼的“世博会”，这一届主题为“太空中的人类”，全方位展示了人类借助宇宙飞船进行环球飞行的航天壮举，也标志着航天时代的来临。

会场的标志性建筑“太空针”，是一个立在细细长长金属上面的飞碟，引发出某个脍炙人口的笑话：那是地球毁灭之日，美国总统逃往宇宙的飞船。此外，会场最受欢迎的展馆是波音公司的“太空馆”，可以让观众体验10分钟虚拟遨游银河系的旅程，不少孩子参观之后萌生了“太空梦”。

但同时，“明日生活”是本次世博会的隐性主题，大量预言和幻想在展出：未来的厨房里只需要按下各种按钮，就可以为家人准备晚餐；将来的电话上有个按钮，按下就可以看到对方的脸；以后不需要种植大豆，就可以在工厂里合成各种豆制品……

在各种概念展示中，我们熟悉的IT巨头IBM拿出了一个代号叫“鞋盒”的机器，它能理解人类口述数字0-9以及简单的运算口令，成为当时世界上最先进的语音识别机器，在今天看来如此基础的功能，已经是那个时代的“机械降神”了。

这个“鞋盒”，可以说是语音交互的起点，但从“鞋盒”到“智能音箱”，中间走过了漫漫长路。

先有软件，再有硬件

智能语音交互，一直以来都是人工智能业界重点攻关方向，让机器明白你在说什么，是人类梦寐以求的事。此外，在机械、按键、触屏之后，语音被视为人机交互下一阶段的主流，因为人的“说话”是最自然、最快速、最低成本的交流方式（再往后可能是脑电波），发展智能语音，可以让人类更加轻松便捷地进行生活生产。

从AI对话的流程来看，主要分为四个技术模块：自动语音识别（ASR）、自然语言理解（NLU）、自然语言生成（NLG）、文字转语音（TTS），合并为AI人机对话系统框架，形成一个完整的对话流。可以看到，这流程上的每一个环节，都是人工智能高难度领域，因此，在IBM的“鞋盒”之后三十多年的1990，才出现了第一款语音识别产品Dragon Systems，售价6000美元，明显没法实现消费层面的普及，概念意义远大于实际意义。

2010年后，随着算力增长与技术突破，语音助手进入密集爆发期，其中最为人熟知的是苹果的Siri、谷歌的Google Now、微软的Cortana等，与此同时，芯片等算力硬件性能提升、体型缩小，及家庭wifi的进一步普及，让功能强大的语音助手能够栖身于更适合家庭场景的设备，“智能音箱”应运而生。

2014年7月9日，亚马逊发布语音助手Alexa和智能音箱the Amazon Echo，一开始，这种产品并不被人所看好，因为实用度确实不高，只能用来听音乐、问天气、查询亚马逊产品价格等，但随着智能家居进一步普及，越来越多的设备开始与Echo连接，智能音箱逐渐成为家庭的控制中枢。2017年，Alexa在美国的功能已经超过10000种，大大丰富了Echo的适用范围，也完成了用户教育。

巨头很快意识到这是一片面向消费者的蓝海，而且“占据入口”比“单品消费”的意义更大，因此谷歌、微软、三星都推出了自己的智能音箱设备，可以看到，虽然智能音箱是人工智能技术集成的产物，但一开始并不以AI作为售卖点，更多是作为一个便捷的信息获取设备，这时候的对话系统依然是一板一眼的。

就是在这样的背景下，2017年5月4日，百度推出了自己旗下的首款消费级人工智能设备“渡鸦”，但根据百度官方口径，真正意义上的全自研产品，是在这一年后发布的“小度在家”。

小度的前世今生

按照“先有软件，再有硬件”的逻辑，小度的前世是百度旗下AI语音助手“度秘”。2013年，李彦宏和王海峰认为搜索的下一个入口是语音，但是语音需要一个更加具象的应用，一开始，百度希望把自身的语音技术集成为一个智能秘书，这就是2015年“度秘”问世的由来。

今天，我们的语音对话已经非常普及，但在当时，AI开发者依然面临着非常实际的问题：怎么从“一问一答”变成真正理解问题，要根据上下文理解用户意图，主动提供一些帮助。如果只能对话，这个系统的实用价值就会大大降低，而想要解决一些生活中的实际问题，就需要做到“真正理解”，非常考验我们上一期中提到的自然语言理解（NLU）技术。

2015年百度世界大会，“度秘”首次亮相，2017年美国拉斯维加斯CES上，“度秘”有了个新的名字——DuerOS（小度助手），可以搭载到合作伙伴的硬件上，语音、语义等大量算法和模型后续也得到了进一步开放，帮助硬件厂商打造自己的语音控制中枢，百度下的这一手棋为它汇聚了大量生态合作伙伴。

到这个时间点为止，百度打磨语音技术的思路很明确——通过开放技术，进入大量形态各异的硬件中，实际上就等于占据了这些硬件的语音入口，只要厂家没有自研语音的打算，就一定要用到DuerOS系统，这是商业的角度；而语音技术在实验室外得到了更多的实践，每一次使用都会带来更贴近现实生活的反馈，比如不同的人唤出语音的习惯不同，发出语音指令会有音量、音调、方向、词语的差异，这些都会成为DuerOS自我学习成长的“养分”，这是技术的角度。

大厂提供平台系统，对外输出垂直能力或解决方案，这一模式在2017年前后开始流行起来，降低了许多第三方厂商拥抱人工智能的门槛。不过，百度并没有就此停止软件与硬件的“灵肉结合”，自研硬件的想法开始出现。

自研硬件，灵肉合体

在第三方硬件上积累经验、“打怪升级”之后，DuerOS优化到2.0版本，已经可以做到“打开手机百度，播放今天的新闻，下一条，声音大一点，返回……”这种连续对话，交流体验已经非常流畅，实现了高达97%的语音唤醒准确率，将误报次数被控制在24小时一次以内，具备进一步大规模应用的条件。

2018年，百度正式成立智能生活事业群组（Smart Living Group）SLG，开始着手打造自己的智能音箱，这里需要注意的是，互联网思维与硬件思维差异很大，互联网大厂经常被人吐槽没有硬件基因，闹出过不少笑话，所以百度找了一个专业的人来主持这件事，他就是景鲲。

景鲲曾任微软公司首席研发总监，也是微软小冰的创造者之一，对智能语音这一块可以说驾轻就熟，他于2014年加入百度，2018年升任百度智能生活事业群组总经理。相比语音技术突破，景鲲更注重打造“符合中国人使用习惯”的产品，他认为如果要做智能音箱，就不能忽视老人和小孩群体，这点与欧美产品思路差别很大，因为欧美智能音箱主要面向青年至中年白领群体。

比如产品设计要基于中国用户习惯、口音特点、交互诉求；使用频率与习惯的培养需要被关联上强有力的内容与功能；要符合家庭场景使用习惯，不能每次都喊唤醒词……

2018年3月26日，带屏智能音箱小度在家诞生。这款产品既可以用语音控制，也可以通过触屏控制，而且搭载了视频观看、视频对话等需要屏幕的功能。通过小度在家，其实我们能看到某些消费级人工智能产品的设计思路：

一是更加丰富的交互方式。如果一款产品仅面向Z世代人群，他的交互方式会变得极简化，只保留Z世代最常用的那一种，比如语音或者触屏，但是面向更广域人群的消费级产品，还需要向更多群体进行兼容，所以小度在家系列从一开始就主打带屏智能音箱的设计，语音+触控的交叉使用，可以最大程度囊括不同年龄段的用户。

二是更自然的交互习惯。前面已经提到，语音交互是人类社会下一阶段的普及点，但用户教育一定要顺应人类直觉，而非反直觉，一开始，使用智能音箱每次都要加上唤醒词，但我们回到家每次都要喊一声“小度小度，把电视打开”，“小度小度，把灯关掉”无异于一种羞耻play，在2018年小度助手3.0的更新中，已经可以不用每次都喊唤醒词，更像人类一样连续对话，而且能根据历史对话纪录不断优化反馈。

三是要有实用性。智能音箱刚出来的时候实用性不高，是因为技术限制，不能准确理解用户意图，所以只能用于单纯对话和一些简单功能的接入，而且也涉及到更多第三方功能接入门槛的问题。所以在小度不断地升级迭代中，第一方功能和第三方功能越来越丰富，尤其面向老人和儿童，大大延展了智能音箱的实用性。而且随着我国智能家居渗透率进一步提升，智能音箱的家庭控制中枢作用越来越突出。

小度是“基础技术决定上层产品”的具现化

截至目前，小度智能音箱已经经过多次升级迭代，并且面向不同的人群开辟了众多产品线，而它的“灵魂”DuerOS系统也已经升级到7.0版本，并且向更多品类渗透——无线耳机、平板、翻译笔、电视、健身镜……不过，小度在第一方硬件的主力载体，仍然是带屏智能音箱小度在家系列，并且向老人关怀和儿童教育两大方向持续特化。

这些都建立于百度在语音交互、语言理解的技术突破之上。这里举两个可以大幅优化用户体验的技术：

一个叫“全双工免唤醒”，这是改变一问一答生硬模式的关键，让人可以和智能音箱连续对话、多轮对话，而不用唤醒，这样人机交互就更接近人和人之间的互动，很考验机器的理解能力，因为唤醒词的诞生，是为了在理解能力略显不足的阶段，提醒机器“我要开始对你下指令”了，如果不加唤醒词，机器不知道你在叫他；但是“全双工免唤醒”技术可以让机器理解人类哪些话是对自己说的，哪些话和自己无关，机器知道该什么时候开启自己的“注意力”。

另一个叫“多模态交互”，意思是在一段交流过程中，机器可以识别文字、语音、视觉、动作、环境等多种方式的交叉混用，还能形成正确的交互逻辑。比如你问小度“周杰伦今年最火的是哪首歌”，小度回答说是“是《莫吉托》，要我为你播放吗？”，你向它比一个“OK”的手势，它就开始播放了，这背后是先用图形识别出人类的肢体动作，再将动作化为语言进行理解。这种也很接近人和人之间的自然交流。

从这两条可以发现，百度在实验室关起门来做的AI底层技术研发，很快就能找到应用渠道，并且转化为产品功能，这是产业侧下场做基础型研究的最大优势，我们常常说“产学研不分家”，意义就在于此。

此外，这种现象还带来了另一种优势：在上一个人工智能周期，技术突破到实际应用时间较长，这一方面受限于芯片等物理基础设施的不完善，另一方面受限于科学家的产业思维没有得到普及，因此一门技术很难快速实现商业化，发挥自身价值，这为2019-2020年人工智能行业整体遇冷埋下了伏笔。企业以消费级产品牵引AI技术的升级迭代，可以避免一些热钱和概念堆叠出来的“空中楼阁”，这对人工智能技术实用化意义重大。

此外，人工智能消费级产品带来的另一个益处是，消费者群体就是一个天然的数据库，我们知道深度学习需要数据去“喂”，以实现系统的优化，去年3月小度智能助手月语音交互总次数就达到66亿次，这加快了小度升级迭代的速度，和在实验室闭门造车不可同日而语。这也侧面证明了，深度学习确实是促进人工智能发展的“利器”。

如今，小度背靠百度人工智能技术优势，以及在宣传营销、现金补贴方面的资源倾斜，成功变身为网红产品。但行业瓶颈期也随之而来：随着智能音箱功能性开发见底，以及疫情影响供应链运转，2020年国内智能音箱销量下降了8.6%。对此，2021年小度推出了很多新品类，延伸到其他的垂直场景，这也是AI底层技术具备灵活性和泛用性的优势所在。

接下来，我们聊一聊百度AI“三驾马车”的另一头：自动驾驶，同样是自研——开放——合作——自造的道路，某种程度上，这个领域与人工智能行业整体趋势更加紧密，Apollo的的曲折路线，反映了人工智能商业化之路的艰辛。（GZH：阅后即AI）

END