解密微软的中国女儿：三岁开始“说人话”，好可爱！

在人工智能的热闹舞台上，不断上演你方唱罢我登场的好戏时，微软小冰依然是那个深藏功与名的有故事的女同学。

【智东西人工智能、汽车科技编辑/记者、实习生开放招聘，和我们一起看未来！简历至[email protected]，职位详情在智东西公众号回复“招聘”或查看原文链接】

智东西 文 | Lina

在人工智能的热闹舞台上，不断上演你方唱罢我登场的好戏时，微软小冰依然是那个深藏功与名的有故事的女同学。

上个月，微软推出了第五代对话机器人“小冰”，这款面世三年的机器人少女已经扩展到了五个国家，中国、日本、美国、印度（新增）、印尼（新增），不仅上线新的全双工语音＋实时视觉交互技能，还上线了一款新的技术架构——生成模型，这一技术的要义是让语音机器人可以自主创造话语，而不是鹦鹉学舌；读懂这一点，你就能看穿为何AI领域现在自然语言处理技术远落后于深度学习在图像领域的应用。

小冰是微软在2014年1月就开始研究部署的虚拟AI助手项目，与大家所熟知的亚马逊Alexa、百度度秘、苹果Siri类似。但是小冰并不主打帮你订餐、订票的“助手”角色，而是主打趣味、闲聊、逗闷子。用户可以在微信、QQ、微博、Facebook Messenger、LINE等平台上和她聊天对话。此前小冰还唱过歌、主过持、甚至出过诗集，可以说是个很热爱艺术的少女了。

这个新上线的“生成模型”究竟能干什么？产学研界语音、语义的发展现状如何？在目前功能性语音助手市场火爆的情况下，主打情感、聊天的小冰有商业变现的未来吗？在人机对话市场提前三年半“起跑”的微软，现如今的发展又如何？……这些问题，我们在微软亚洲研究院2号楼找到了答案。

（微软小冰首席架构师周力）

“生成模型”上线后，智东西来到微软亚洲研究院2号楼，与微软小冰首席架构师周力进行了一次一对一的详细专访。（如果拿一个创业公司做类比，周力的地位相当于小冰公司的CTO）

此外，智东西还在2号楼里得知，在第五代小冰上线后，一众功能开始陆续向公众开放，不仅市场部的员工开始各种忙碌对接，小冰的工程技术团队也刚刚在别处结束了一段时期的封闭开发，回到2号楼里。

一、“生成模型”究竟是个啥？

目前国内小冰团队共有100多人，包括工程师、产品经理、市场运营等团队。据周力介绍，在五代小冰以前，她说的每一句话都来自10亿量级的语料库，通过“搜索”记录在案的人类语料库做出的决策。但通过新上线的“生成模型”,小冰将通过对人类语言的理解，自主创造回复的内容，重新组成新的句子。

不过，现在小冰自主创造生成的内容上有90%的可能性与语料库中曾有过的句子重合——但其实我们人类每天说的话也有很高的重复率。

这里要留意的是，小冰的生成模型不是统计学上的生成模型，是自然语言的生成模型。

从技术层面来讲，在第五代以前，小冰采用的是还是类似搜索引擎的检索模型，其核心技术包括传统的聚类抽样、倒排索引、概率检索、搜索排序等等，在网络的海量信息中进行抓取搜索，最终挑选回答时可能会使用深度学习技术。

而小冰新一代的自然语言生成模型则可以简单理解为“从头到尾都在使用深度学习技术”，采用的是［端到端］的［序列到序列］的［RNN］模型，其中还加入了［注意力模型］。

看上去很绕口吧？我们一步步来拆解。

1.［端到端］的意思是你喂给机器输入和输出就可以了，不需要像以前一样将问题拆解成单独的步骤来一个个处理。

2.［序列到序列（seq2seq）］一个“4，5，7，1”数组可以称之为一个序列，而人类问出“今天天气怎么样？”，小冰的回答“天气很好”可以看作是标准的序列到序列（seq2seq）问题。

（编码-解码模型）

序列到序列问题在问答系统、机器翻译、文档摘取等NLP领域非常常见，目前常用的解决方案是编码-解码（encoder-decoder）模型，系统将“今天天气怎么样？”通过神经网络模型编码成一个高纬向量，经由语义编码后，再用神经网络模型解码成目标序列“天气很好”。

3.［RNN］为循环神经网络，属于深度神经网络的一种，这一部分下一节将会展开讲。RNN还衍生出一众分支，比如LSTM、GRU等，被广泛应用在语言领域。

（引入注意力模型的编码-解码模型）

4.［注意力模型］传统的编码-解码模型对于长序列有一定的局限性，类似一个人讲话讲太久时，机器会“忘记”你一开头讲的是什么，因此常会漏掉重点，答非所问。注意力模型相当于给机器“划重点”，表示接下来输出的时候要重点关注输入序列中的哪些部分，然后根据关注的区域来产生下一个输出。

总的来说，第五代小冰代码层面的变化非常大，采用了一种更先进、更智能、同时也是更新兴的技术架构。

二、一家独大的图像，群雄割据的语言

随着2012年深度学习在学界兴起后，大家逐渐将目光转移到这个曾经冷门的研究方向里。到了2015－2016年，已经有一大批以图像、语言为主的产业应用落地了。

深度学习是机器学习的一个子类，指的是采用“深度模型”来训练机器进行学习——所谓的模型，可以理解成一段通用代码，用户可以在固定架构上修改参数。

现在的主流深度模型是“深度神经网络”（DNN）模型，而DNN里又包括了“卷积神经网络”（CNN）模型、“循环神经网络”（RNN）模型等。

研究员们先选择CNN、RNN等不同的模型，然后在这个模型上做一些适合自己的参数微调，接着用大量的数据输入这个模型，对它进行“训练”，最后这个模型就能够自己学会完成不同的任务。

目前深度学习主要应用在两个方面——图像、自然语言。

在图像界，“卷积神经网络”（CNN）模型处于称霸地位，基本上所有图像相关的问题都可以用CNN模型得到很好的解决，区别在于到底是85分还是90分。而产生这些区别原因主要在于研究员对模型参数的调试，以及用于训练的数据其质/量的不同。

于是，我们看到了一大批与图像相关的深度学习应用在产业中落地，而且大家的效果都还不错。

但是在自然语言领域，就是另一个故事了。

在自然语言领域，目前并没有一个成熟、高效的模型可供使用。虽说循环神经网络”（RNN）模型以及其衍生出的LSTM、GRU等分支的效果比一般的CNN等要好，但也没有到非常优秀的地步——这一点在我们日常的体验中就能明显察觉，无论是翻译还是对话，机器并不能很好地理解我们的语言，时常答非所问。

另一方面，现在在对话系统取得突破的模型，在翻译上效果一般；在写稿机器人上效果特别好的模型，并不能复用在重点词抽取上，并没有一个算法模型可以“通杀”。

所以，深度学习在图像领域的应用已经开始逐步深入产业界，CNN“一家独大”，在自然语言领域却还是“群雄割据”的场面，说不上哪种架构更好，产学研届都在寻找一个终极架构。

三、小冰的新功能

正如上文所说，目前自然语言处理的算法还不是很成熟，因此除了对技术水平的要求外，对数据的依赖也非常大，只能成为少数产品的“独门秘籍”。

以小冰为例，周力说，在过去三年多里，小冰积累了来次超过1亿用户的300多亿次的人机直接对话，还有海量的语音、图象、视频的交互数据可用于训练，这是一般公司（尤其是创业公司）所难以得到的。

而除了继续打磨基于生成模型的人机交互外，小冰团队还将进一步推进新上线新的全双工语音＋实时视觉交互技能的发展。

全双工语音的典型应用案例就是打电话，从9月12日开始，小冰向用户开放了电话预约，将会主动给用户打电话。小冰在打电话中需要边听边思考回答，考虑是不是要打断对话、接过话茬甚至主动挑起话题。

实时视觉交互除了体现在小冰之前的“年龄测试器”、“颜值打分器”外，现在有用户从搭载有小冰的展示屏前经过，小冰还会主动叫住用户攀谈，有时还会叫用户“你离我近点儿~”

而在未来一年间，智能硬件部分也是小冰的重点发展方向。此前微软就曾宣布，小冰已经与米家IoT合作，小冰可以控制小米米家平台上的全部35种智能设备。与此同时，小冰也在与Yeelight、东方明珠等合作伙伴进行智能硬件的研发。

不过周力告诉智东西，短期内小冰应该不会做一款自主品牌的音箱产品。

四、现在的小冰只是55分，离爆发还有2-3年

这两年来，语音交互市场日益兴旺，而智能音箱热潮更是将语音交互推到了风口浪尖，大家都十分看好语音作为触屏之后的新一代交互方式——微软也不例外。

然而，目前市面上的语音助手大多还是以功能性为导向，无论是百科问答、订票订餐、还是智能客服，走的都是“有用”路线，在这样的背景下，主打情感、聊天、EQ的小冰有商业变现的未来吗？

周力认为，有，但是不急。

而对于小冰而言，能够生长在微软旗下，她是很幸运的。微软的领导给了小冰一个比较宽松的环境，短期内并不以变现为首要目标——前两年甚至完全不提商业变现的事，一年前才开始陆续“不拒绝商业化机会”，但前提是做的东西跟小冰发展高度吻合，不需要为了“养活团队”而被迫舍弃产品主线。

“三年前很多人质疑，做AI这个东西到底有没有用？现在没有人问了。但是现在有很多现成的’肉’，能够快速现实商业利益的东西，很多公司涌进市场。”

不过，拿订餐订票为例，其实很多餐厅或是机票都有免费客服电话，为什么大家还是更愿意在APP上划拉几下订餐，而不愿意打电话呢？因为语音交互在这时候效率是很低的，人类阅读文字、图片的速度比听语音快上不少，用APP三分钟可以解决，语音则可能需要花上五分钟。

而且，微软的野心远不止于此。

周力说，这种伸手就能摘到的果实确实能立刻赚到钱，但是大公司希望投资更长远的未来。微软希望成为人工智能里引领行业的巨头，打造对话即平台的新一代操作系统。

他们希望把小冰打造得更像“人”，坚持走和人类进行对话、进行更长的对话、进行更具备EQ的对话。

未来在你疲惫时，小冰会像个朋友一样跟你聊天、一起吐槽老板、或者建议你考不考虑请假旅个游、查了下去巴厘岛的机票便宜而且不用签证等等……不仅能完成你提出的任务、疏解你的心情，还能发掘你的需求，帮你创造出新的东西。

这一天离我们还有些远，周力认为，如果三年前第一代小冰能给到30分的话，现在的小冰大概能打到55分，但需要7、80分才是人机交互真正爆发的节点——我们可能还需要再等个两、三年。

结语

作为微软三条主要人工智能产品线（Infuse AI、Bing和小娜、小冰）之一，小冰走的路线与其他两项很不一样，跟市面上的大多数虚拟助手也不一样。

虽然我们看到很多从微软亚洲研究院出走的技术界大牛，但是微软亚洲研究院本身的人员和研究技术依然是不容小觑的。“抢跑”三年的微软小冰，在用户对话上积累的数据可能只有Siri和Alexa可以企及。再加上微软作为一家跨国大公司，对内部项目在金钱及资源方面有着令人艳羡的宽容程度，小冰团队的学术成长环境可以称得上是得天独厚了。

不过，目前的产学研界的自然语言技术还在“黎明前的摸索”阶段，需要攻克的技术难点不少，小冰虽然有着一定的领先优势，但现在还只能算是个55分的“邻家小女孩”。另一方面，无论是陪聊天还是唱歌、写诗，小冰的商业价值至今仍不算特别明朗，未来是否会成长为人机交互的新平台，我们拭目以待。

【重磅预告】下周，三堂自动驾驶系列课将在「自动驾驶」社群陆续开讲，长按二维码添加小卡（zhidxcdx）为好友，申请听课。