語言承載了人類文化，人類需要通過語言學(xué)習(xí)知識和傳遞信息，這是人類區(qū)別于動物界最重要的特性之一。

因此，未來的機器智能時代，機器也必然需要通過語言實現(xiàn)與人類之間的交互，似乎最近的科幻片都已經(jīng)暗示了這個問題。

現(xiàn)在的科幻就是未來的現(xiàn)實，因此，讓機器聽懂世界，這是未來機器智能時代的關(guān)鍵問題，也是人類一個更大的夢想，但是，我們距離人類的這個夢想還有多遠呢？

01讓機器聽懂世界承載了人類千年夢想

首先明確一個概念，讓機器聽懂世界，這里面其實蘊含了多個歷程，包括聽懂人類語言，進而聽懂動物叫聲，甚至聽懂自然聲音，亦或類似地球的耳朵LIGO那樣聆聽宇宙的“聲音”。

所有這些都是極其復(fù)雜的過程，因為我們?nèi)祟悓嶋H上也沒有達到這種能力，但是我們期望機器能夠延伸人類的能力，從而實現(xiàn)人類的夢想。所以語音智能事實上承載的是幾千年來人類的偉大夢想。

那么，如何才能讓機器聽懂人類語言呢？這需要解決三個核心關(guān)鍵問題：聽見、聽準(zhǔn)和聽懂，從技術(shù)角度來看，就是拾音、識別和理解三個關(guān)鍵技術(shù)環(huán)節(jié)。

拾音是最為基礎(chǔ)的環(huán)節(jié)，必須保證讓機器聽得見聲音，這部分主要是聲學(xué)問題；

識別是將符合要求的聲音轉(zhuǎn)化成文字，這部分主要是語音識別的問題；

理解則是根據(jù)識別出來的文字，準(zhǔn)確理解人類的指令甚或情感。

鑒于語音智能設(shè)備已經(jīng)大量出現(xiàn)在我們生活場景之中，當(dāng)前技術(shù)的核心關(guān)鍵就是聲學(xué)問題和語義理解。

02近場語音是機器聽懂人類的率先嘗試

近場語音交互主要是指人類距離機器不超過30厘米范圍的語音識別技術(shù)，這項技術(shù)利用距離巧妙回避了真實場景下復(fù)雜的聲學(xué)問題，可以理解為一種實驗室理想環(huán)境下的語音交互技術(shù)。

近場語音識別從上世紀五十年代就開始研究，但是長期沒有實質(zhì)性進展，直到蘋果在2010年推出Siri的應(yīng)用，這才引起了全球的關(guān)注。到現(xiàn)在為止，近場語音交互技術(shù)已經(jīng)比較成熟，平均識別率可以達到95%以上。

但是近場語音交互受到了真實場景的巨大制約，并沒有展現(xiàn)出來語音交互可以解放雙手的先進性，因此在很多場景中，事實上近場語音交互都是雞肋一般的存在，并沒有發(fā)揮出真正的威力。

直到遠場語音交互技術(shù)的出現(xiàn)，成功解決了真實場景下的復(fù)雜聲學(xué)問題以后，至少技術(shù)達到了用戶認可的門檻，語音交互才真正出現(xiàn)了替代鍵盤鼠標(biāo)和觸摸屏的可能性。

03遠場語音將語音智能落地到真實場景

遠場語音交互主要解決30厘米到5米范圍內(nèi)的語音交互問題，這個范圍事實上就是人類之間溝通交流的最佳距離，距離太近容易觸發(fā)自我保護意識，而距離太遠則會增大交流難度。

注意語音交互并非只是語音問題，人類的交互其實是一個綜合的過程，包括了表情、眼神、肢體動作等等一系列影響因素。

遠場語音交互的歷史是比較短暫的，這項技術(shù)以前長期沒有實質(zhì)性突破，直到2016年末，全球才真正開始重視這項技術(shù)，并且短短一年時間，引領(lǐng)全球市場都進入了激烈博弈的階段。

遠場語音交互的代表產(chǎn)品自然就是智能音箱，盤點一下全球巨頭在智能音箱的布局就可窺得一二。亞馬遜的Echo發(fā)布四年已然影響深遠，谷歌的Home劍走偏鋒以技術(shù)做博弈，微軟的Invoke則仍然堅持工程師定義產(chǎn)品的文化......

注意，這里還是特別強調(diào)智能音箱只是遠場語音交互的突破口，并非什么語音的唯一入口，因為未來的機器智能時代，比如電視、冰箱、汽車都有可能成為重要入口。但是智能音箱又是非常重要的，因為不管產(chǎn)品形態(tài)怎樣變化，其本質(zhì)的核心其實還是智能音箱的技術(shù)架構(gòu)。

04聽懂世界還有哪些必須解決的問題？

若讓機器聽懂世界，遠場語音交互技術(shù)也僅是個嘗試而已，事實上遠場語音技術(shù)本身也只是剛剛起步，即便5米以內(nèi)，其噪聲抑制、回聲抵消、混響去除、遠場喚醒和遠場識別等核心技術(shù)還存在諸多缺陷。

但是技術(shù)一直在迭代發(fā)展，特別是當(dāng)技術(shù)落地場景以后，源源不斷的真實數(shù)據(jù)和客戶需求將帶動技術(shù)更加快速的發(fā)展。

從技術(shù)層面來看，讓機器聽懂世界涉及了數(shù)學(xué)、物理學(xué)、語言學(xué)、醫(yī)學(xué)、計算機學(xué)等各學(xué)科的知識，很難一一枚舉出來，但是若從應(yīng)用場景來看，則相對比較簡單，讓機器聽懂世界包括了人類語言、人類情感、動物聲音和自然聲音。

讓機器聽懂世界的技術(shù)正在全球快速的演化，相信不久的將來，我們肯定能看到更加智能的機器。

因此，既不要抨擊當(dāng)前的人工智能技術(shù)，也不要盛贊現(xiàn)在的基礎(chǔ)科技技術(shù)，保持一顆平靜的心，正確給予科技界和產(chǎn)業(yè)界的支持才是對于未來最大的投資。