解剖語音交互背后的層級

自動駕駛有所謂的L1—L4，所以不管車企還是技術(shù)提供商都按著這臺階逐步爬坡，幾乎每個人都理解，終極的自動駕駛是不太可能一蹴而就在短期實現(xiàn)的。語音交互領(lǐng)域的情形則正相反，雖然短期也就能達到類似自動駕駛L2的水平，但每個人的潛在預(yù)期都比L4還高。

語音交互的終極目標(biāo)

語音交互的便利程度正好與人工智能的發(fā)展程度成正比，智能程度越高語音交互的等級也就越高，所以其終極形態(tài)與人工智能的終極形態(tài)類似。

如果拋棄特別夸張的想象來說，那語音交互要能達成《她》或者《黑鏡》里描述的樣子：當(dāng)你給它輸入數(shù)據(jù)后，它能夠根據(jù)輸入數(shù)據(jù)表現(xiàn)出不同的個性；在數(shù)據(jù)的處理上它近乎是全能的，只受個人權(quán)限的限制；如果真的賦予實體，那它可以感知周圍環(huán)境并做出與人類似但很多方面會更優(yōu)秀的反應(yīng)。

今天的智能音箱和未來相對終極的語音交互方式以及設(shè)備相比，其差距要遠大于286電腦和今天的Pad的差距。

一旦發(fā)展成上面這樣的程度，那語音交互就會徹底的打開邊界，而不只是我們使用數(shù)據(jù)的一種方式。甚至?xí)蔀樯畹谋匦杵贰Ｎ覀儾粫Phone產(chǎn)生依戀，但語音交互則會。

回顧下《黑鏡》里描述的場景，可以對此有更好的理解：女主人公的丈夫去世，過于思念自己丈夫的女主人公通過公開自己丈夫的數(shù)據(jù)創(chuàng)建了一個有性格的、屬于自己的語音交互機器人。這個機器人在絕大多數(shù)方面表現(xiàn)和女主丈夫一致。女主使用一段時間后，就升級了這服務(wù)，為這語音交互機器人賦予了和自己丈夫一樣的形體。

這看著非常科幻，但實際上一旦語音交互達到上述程度，那這類事情幾乎一定發(fā)生。既然我們能接受很宅的躲在家里，那就一定能接受這樣一種非真實，但更完美的電子助手進入心靈的世界。《她》這部電影雖然沒拍，但如果有為個性化語音交互系統(tǒng)塑形的服務(wù)，主人公也一定會接受。

在這里互聯(lián)網(wǎng)反倒是限制了我們的想象力，因為互聯(lián)網(wǎng)更多的體現(xiàn)的只是工具的屬性，但實際上語音交互系統(tǒng)所要涵蓋的范圍要比互聯(lián)網(wǎng)大得多。當(dāng)前之所以它能做的還不多，主要是層級還不夠。

語音交互的階段

我們可以這樣定義語音交互的L1階段：能以極高的準(zhǔn)確率，在典型的環(huán)境下響應(yīng)用戶的語音輸入。極高的準(zhǔn)確率最低應(yīng)該在90%+。這時承載語音交互的設(shè)備主要負責(zé)功能性的提示與反饋（燈與屏幕等）。

當(dāng)前所有與語音相關(guān)的公司，事實上都是在達成L1的路上。L1的出口為語音交互習(xí)慣徹底樹立，人們面對每款設(shè)備的時候會首先想到用語音操作，而不是遙控器或者屏幕。

在L1階段語音交互更像是自動化程度、精準(zhǔn)程度更高的搜索，但搜索的范圍擴大了。不單是局限于已有的數(shù)字內(nèi)容，也擴展到家電、視頻通話等正常搜索不會覆蓋的領(lǐng)域。

我們可以這樣定義L2階段：能以極高的準(zhǔn)確率識別出交互的當(dāng)事人和環(huán)境，然后進行個性化的交互。這時承載語音交互的設(shè)備通過攝像頭等傳感器能夠?qū)崟r進行感知，可以進行適當(dāng)移動，初步擬人。

L2階段體現(xiàn)的是個性化，不再是千人一面。如果L2得以達成，那《她》所描述的場景是可以實現(xiàn)的。語音交互可以定制出性格，而這種性格很可能確實滿足某個人的心理期待。

在L2階段，語音交互會打破工具的邊界，嘗試走入過去重來沒被搜索等介入的領(lǐng)域，比如排遣寂寞。現(xiàn)在的各種APP是按照領(lǐng)域來切分的，而在L2階段，那所有APP的邊界會被打破，信息的輸出是按照人來切分的。也就是說不再有BAT頭條、美團等，而只是有張三的語音交互助理，李四的語音交互助理。

我們可以這樣定義L3階段：只要有數(shù)據(jù)，那語音交互系統(tǒng)的能力是可以無邊界擴展的（包括個性和能力）。交互設(shè)備可以進行擬人化輸出。

L3階段體現(xiàn)的是后端內(nèi)容擴展的無邊界特性，不再是有多少智能就有多少人工以及擬人化輸出，擬人化輸出包括移動，說話的語調(diào)，風(fēng)格，姿態(tài)等。

如果L3階段得以實現(xiàn)，那《黑鏡》描述的場景是可以實現(xiàn)的。只要有一個人充分的數(shù)據(jù)描述，那就可以立刻模擬這個人出來，然后給他賦予一個真實的身體。

在L3階段，語音交互及其載體會是社會生活，甚至家庭的一部分。本質(zhì)上從L1到L3體現(xiàn)的是數(shù)字化程度的不斷加深，智能程度不斷加深，同時數(shù)字和智能又按照自己的理想形態(tài)進行物化的過程。

語音交互的發(fā)展趨勢

現(xiàn)在與語音交互相關(guān)的公司核心在做的就是L1階段的事。這個時候雖然在人工智能的大趨勢里面，但本質(zhì)上智能并沒那么關(guān)鍵，關(guān)鍵的是便利以及能輸出的內(nèi)容。這兩者會推動樹立語音交互這種習(xí)慣。

如果要在數(shù)量級上進行判斷的話，那3年后的目標(biāo)是：每年有10億臺支持語音交互的設(shè)備售出。至少故事機、電視機、電視盒子、汽車前后裝、白色家電、燈、鬧鐘等會加入這種特性。手機、Pad、電腦這些大品類上語音交互的能力則會變成標(biāo)配，但使用頻次估計需要更長的時間進行提升，在最初交互頻次會很差，語音交互本身并非一種獨立的交互方式，而是同其背后的內(nèi)容深度綁定的，我們很多的應(yīng)用實際上是針對手機和鍵盤鼠標(biāo)操作優(yōu)化過的）。

凡是電子設(shè)備都可以用語音來進行交互。語音交互不會挑設(shè)備，同之前的交互相比，它可以更加低廉，理論上只要麥克風(fēng)并且能聯(lián)網(wǎng)就足夠了。這和為設(shè)備加入鍵盤鼠標(biāo)或者屏幕相比，代價要低很多。這點上做出表率的仍然是亞馬遜，亞馬遜不停地推出新的設(shè)備如微波爐、車載設(shè)備等。當(dāng)然不同設(shè)備上語音交互的層次是不同的，有些設(shè)備比如白色家電上面語音交互會限制在一到三輪以內(nèi)。

在更高一級的視角下面，所有當(dāng)前的努力其實本質(zhì)作用就一個：通過便利性樹立語音交互的習(xí)慣。習(xí)慣背后跟隨的是用戶時間。這兩者會為下面的進一步發(fā)展提供試驗田。只有達成了這一目標(biāo)，從技術(shù)到產(chǎn)品再到用戶這一循環(huán)才算真正完成了第一次迭代。

語音交互看著太簡單了，不過是說話而已，所以很容易被誤解為像說話一樣的交互就是現(xiàn)在語音交互設(shè)備所應(yīng)該干的事。其實不是的，語音交互從L1到L3有可能比自動駕駛從L1—L5還要漫長。