本篇文章介紹了當(dāng)前語(yǔ)音交互產(chǎn)品的一些尷尬局面，對(duì)于這些“尷尬”，當(dāng)前人們正在探索解決的辦法。

近幾年，自然語(yǔ)言處理技術(shù)的飛速發(fā)展，把語(yǔ)音交互的話題再次引爆。甚至有的公司已經(jīng)開(kāi)始招聘語(yǔ)音產(chǎn)品經(jīng)理和語(yǔ)音交互設(shè)計(jì)師。也有人判斷，未來(lái)這將成為下一波熱門(mén)崗位。

去年雙十一，天貓精靈走進(jìn)了千家萬(wàn)戶。剛開(kāi)始的時(shí)候，大家都對(duì)這些語(yǔ)音交互類(lèi)產(chǎn)品充滿了期待。然而時(shí)隔一年多之后再看，這些產(chǎn)品似乎并沒(méi)有如預(yù)料中的那樣，改變?nèi)藗兊纳睢Ｄ切┨熵埦`的用戶們對(duì)產(chǎn)品的評(píng)價(jià)只有兩個(gè)字：很笨。

如今，人工智能的技術(shù)早已經(jīng)遠(yuǎn)遠(yuǎn)超過(guò)五年之前了，但是從Siri的出現(xiàn)一直到現(xiàn)在，大家對(duì)語(yǔ)音交互類(lèi)的產(chǎn)品評(píng)價(jià)從來(lái)沒(méi)有變過(guò)，那就是：很笨。語(yǔ)音產(chǎn)品似乎總是處于一個(gè)尷尬的位置。

要理解這一點(diǎn)，我認(rèn)為僅僅從技術(shù)角度分析是完全不夠的，現(xiàn)在人工智能的技術(shù)，解決的只是語(yǔ)音識(shí)別的問(wèn)題。語(yǔ)音識(shí)別的技術(shù)是越來(lái)越強(qiáng)大了，甚至能聽(tīng)懂方言了。但是，“笨”是一個(gè)用戶腦子里面的概念，就算聽(tīng)得懂方言了，語(yǔ)音產(chǎn)品仍然只是一個(gè)能聽(tīng)懂方言的“傻子”。

如果不能從哲學(xué)和認(rèn)知科學(xué)的角度去分析用戶為什么會(huì)認(rèn)為這些產(chǎn)品笨，那么我們對(duì)語(yǔ)音交互的認(rèn)知會(huì)掉進(jìn)一個(gè)死胡同中。

為了說(shuō)明這個(gè)問(wèn)題，我們一步步來(lái)，先理解一個(gè)概念：交互的邊界。

一、交互的邊界

當(dāng)我們與機(jī)器進(jìn)行交互時(shí)，我們能對(duì)機(jī)器做的事情是限定在一個(gè)有限的范圍之內(nèi)的（也就是說(shuō)指令是一個(gè)有限集合），我把這個(gè)范圍定義為交互的邊界。

傳統(tǒng)的視覺(jué)交互界面，都是有邊界的交互。并且，交互的邊界需盡量明確。交互設(shè)計(jì)有一條很重要的原則，叫做可視化原則，就是指需要把用戶能夠進(jìn)行的操作都讓用戶看到。把交互的邊界展示給用戶，不要讓用戶去尋找邊界。

視覺(jué)界面的交互下，用戶所有的操作，都是設(shè)計(jì)者預(yù)先設(shè)計(jì)好的。用戶做的只是“選擇題”，并且用戶也知道，只能做“選擇題”。

語(yǔ)音交互對(duì)于計(jì)算機(jī)來(lái)說(shuō)，只是信息的程現(xiàn)方式不同，其邊界的性質(zhì)并沒(méi)有發(fā)生變化。于是就有了最原始的、沒(méi)有火起來(lái)的語(yǔ)音交互形式，選擇題的形式：“個(gè)人服務(wù)請(qǐng)按1，公司服務(wù)請(qǐng)按2，人工咨詢請(qǐng)按0”。這種語(yǔ)音交互是邊界清晰，運(yùn)作良好的，也從來(lái)沒(méi)有用戶會(huì)用“笨”來(lái)形容它們。

然而，語(yǔ)音交互就老老實(shí)實(shí)像視覺(jué)交互一樣做選擇題不好嗎？為什么視覺(jué)交互人們從來(lái)不提到人工智能，而語(yǔ)音交互，人們總是把它和人工智能搞混在一起？

我們來(lái)看第二個(gè)概念：信息的維度。

二、信息的維度

聽(tīng)覺(jué)信息和視覺(jué)信息，在物理屬性上面是完全不同的。

視覺(jué)信息，是空間二維的信息，且在時(shí)間這個(gè)維度上是可以持續(xù)的。

聽(tīng)覺(jué)信息，是空間零維的信息，其存在僅僅只能在時(shí)間這個(gè)維度上閃現(xiàn)。

于是，在呈現(xiàn)交互的邊界時(shí)（也就是提供“選擇題”的選項(xiàng)時(shí)），視覺(jué)界面可以在時(shí)間空間中呈現(xiàn)任意復(fù)雜的界面，完成復(fù)雜高效的操作；而語(yǔ)音界面，其選項(xiàng)在被呈現(xiàn)的同時(shí)也在消逝，必須依靠人的短時(shí)記憶把選項(xiàng)存儲(chǔ)下來(lái)。

而人的短時(shí)記憶容量非常有限的，只能存儲(chǔ)7個(gè)簡(jiǎn)單的信息模塊。于是，傳統(tǒng)語(yǔ)音界面的復(fù)雜程度，被限制在了人短時(shí)記憶容量的范圍之內(nèi)。這么小的信息量，注定了這種有邊界的語(yǔ)音地位尷尬，只能“小打小鬧”。不太可能成為一種重要的交互方式。

三、人與現(xiàn)實(shí)世界的交互

在反觀我們現(xiàn)實(shí)世界，我們基于視覺(jué)信息所做的事情，都是類(lèi)似于“選擇題”，比如看到一個(gè)按鈕按下，看到一雙筷子拿起。只有當(dāng)空間中存在這個(gè)“選項(xiàng)”時(shí)，我們才能操作。

也就是說(shuō)，我們基于視覺(jué)信息與現(xiàn)實(shí)世界進(jìn)行的交互，依然類(lèi)似于有邊界的“選擇題”。

然而，人與人進(jìn)行語(yǔ)音交互的時(shí)候，卻不是在做選擇題，而是模糊邊界的（我們可以理解為沒(méi)有邊界）。你說(shuō)話的內(nèi)容，并不需要在對(duì)方提供的選項(xiàng)之中，你發(fā)出的信息可以是創(chuàng)造性的。

正是因?yàn)槿伺c人之間的語(yǔ)音交互是邊界模糊的，才使得語(yǔ)音溝通的信息量突破人類(lèi)短時(shí)記憶的限制，成為人與人溝通最重要的方式。

所以，人機(jī)語(yǔ)音交互想要成為一種重要的交互方式，必然需要突破傳統(tǒng)“選擇題”的方式，成為一種沒(méi)有邊界的交互。也就是說(shuō)，用戶可以隨意發(fā)出符合場(chǎng)景的指令，而不能讓機(jī)器告訴用戶它聽(tīng)得懂什么。

四、語(yǔ)音與人工智能

然而，當(dāng)你不知道機(jī)器能聽(tīng)懂什么的時(shí)候，你只能假象對(duì)方像一個(gè)人樣，什么都能聽(tīng)得懂。于是，語(yǔ)音交互一旦突破了傳統(tǒng)的邊界，就會(huì)一發(fā)不可收拾地朝著的方向發(fā)展。

當(dāng)你聽(tīng)到電話語(yǔ)音給你選項(xiàng)邊界的時(shí)候，你不會(huì)假想對(duì)方是人；但是對(duì)于Siri這種沒(méi)有提供邊界的交互，你很自然的就把對(duì)方假象成為一個(gè)有智能、有情感的生物。

很多人喜歡調(diào)戲Siri，正是因?yàn)槟阋呀?jīng)把他假象成了一個(gè)人，而當(dāng)它遠(yuǎn)遠(yuǎn)沒(méi)有達(dá)到一個(gè)正常人應(yīng)該具備的決策和判斷能力時(shí)，你就會(huì)形容它很笨。

語(yǔ)音交互在剛剛開(kāi)始的時(shí)候，他對(duì)標(biāo)的對(duì)象就已經(jīng)是真實(shí)的人。只存在“像人”“不像人”兩種狀態(tài)，而不像視覺(jué)界面，人們或許還愿意去學(xué)習(xí)它的交互。

為了說(shuō)明視覺(jué)交互和語(yǔ)音交互的這點(diǎn)不同，需要舉一個(gè)例子：一個(gè)農(nóng)村老太太，當(dāng)她使用一個(gè)視覺(jué)界面產(chǎn)品的時(shí)候，如果她不知道該怎么操作，她可能會(huì)責(zé)怪自己笨；但是如果是一個(gè)語(yǔ)音交互產(chǎn)品，她無(wú)法與其進(jìn)行正常交互的時(shí)候，老太太一定會(huì)認(rèn)為是語(yǔ)音交互產(chǎn)品很笨。這就是語(yǔ)音交互的尷尬。

真正的語(yǔ)音交互要想發(fā)揮其價(jià)值，其最終的效果，就是像人與人語(yǔ)言交流一樣的邏輯進(jìn)行交流。所以語(yǔ)音交互的發(fā)展總是期待人工智能技術(shù)的突破。

然而，現(xiàn)在人工智的水平到底如何？是否真如大家所說(shuō)的奇點(diǎn)臨近。這點(diǎn)誰(shuí)也沒(méi)有辦法判斷，但是，從認(rèn)知科學(xué)的角度，我能為你提供一些思路。

五、當(dāng)前人工智能的發(fā)展階段

近年來(lái)，深度神經(jīng)網(wǎng)絡(luò)的快速發(fā)展確實(shí)非?？植?。理解神經(jīng)網(wǎng)絡(luò)算法的人應(yīng)該都懂，神經(jīng)網(wǎng)絡(luò)算法的底層邏輯已經(jīng)不同于傳統(tǒng)機(jī)器邏輯判斷的算法，而是類(lèi)似于人類(lèi)神經(jīng)系統(tǒng)激活的方式工作。這是大家認(rèn)為機(jī)器可能會(huì)超過(guò)人類(lèi)的重要原因。

然而，從認(rèn)知科學(xué)的角度來(lái)說(shuō)，現(xiàn)在的人工智能依然非常初級(jí)。人的認(rèn)知分為：感覺(jué)，知覺(jué)，注意，記憶，表象，思維，想象，等等。而感覺(jué)知覺(jué)，是人類(lèi)最低級(jí)別的認(rèn)知，也是被研究的最多的認(rèn)知現(xiàn)象。而表象、思維、想象等認(rèn)知現(xiàn)象，現(xiàn)在科學(xué)研究得還不多，這也是人類(lèi)認(rèn)知最為神秘的地方，這也正是很多宗教或者迷信認(rèn)為人類(lèi)存在靈魂的原因。

而我們?cè)賮?lái)看看現(xiàn)在人工智能的前沿領(lǐng)域：圖像識(shí)別，自然語(yǔ)言處理，等等，從認(rèn)知科學(xué)的角度來(lái)說(shuō)，都相當(dāng)于人類(lèi)感覺(jué)知覺(jué)階段。遠(yuǎn)遠(yuǎn)沒(méi)有到達(dá)表象，思維，想象。

但是近年來(lái)，AlphaGo在圍棋領(lǐng)域的表現(xiàn)讓有些人開(kāi)始懷疑，也許人類(lèi)更高級(jí)的思維能力的機(jī)制和感知覺(jué)機(jī)制是一樣的。到底人工智能能否突破認(rèn)知領(lǐng)域的研究，超越人類(lèi)，或者也許人工智能的發(fā)展會(huì)像一座巴別塔，永遠(yuǎn)也無(wú)法到達(dá)目標(biāo)，我們不做討論。

此路我們看不到明確終點(diǎn)，也許可以換一個(gè)思路。語(yǔ)音交互并不一定要依賴通用人工智能達(dá)到人類(lèi)意識(shí)的水平，而是可以通過(guò)對(duì)人類(lèi)認(rèn)知邏輯的直接模擬，來(lái)實(shí)現(xiàn)像人與人溝通一樣的體驗(yàn)。雖說(shuō)人與人之間的交流是沒(méi)有明確邊界的交互，但是仍是有規(guī)律可循的。

最典型、最重要的一個(gè)特點(diǎn)，就是無(wú)意識(shí)推理：人與人溝通過(guò)程中，總是在不斷地進(jìn)行無(wú)意識(shí)推理，并且也假象對(duì)方能進(jìn)行無(wú)意識(shí)推理。

絕大多數(shù)情況下，用戶認(rèn)為語(yǔ)音產(chǎn)品笨，就是因?yàn)檎Z(yǔ)音產(chǎn)品缺少無(wú)意識(shí)推理這個(gè)認(rèn)知邏輯。

六、無(wú)意識(shí)推理

一篇文章不可能道盡所有的無(wú)意識(shí)推理，只講幾個(gè)點(diǎn)，拋磚引玉。

1. 環(huán)境背景推理

我們常用的智能音箱和智能車(chē)載，都有一個(gè)激活指令。你在家里，哪怕只有一個(gè)人的時(shí)候，你也需要呼叫：“天貓精靈”，它才能夠激活。這種在連續(xù)對(duì)話中顯得尤其不方便。當(dāng)我中間停了一會(huì)，再和它說(shuō)話的時(shí)候，說(shuō)完我才發(fā)現(xiàn)我白說(shuō)了，又得重新呼叫名字激活。這是一種非常反人類(lèi)的交互。

正常人與人語(yǔ)音交流時(shí)，并不是通過(guò)這種激活的邏輯，而是過(guò)濾的邏輯。人的聽(tīng)覺(jué)系統(tǒng)是隨時(shí)在線的，我聽(tīng)到一句話，如果潛意識(shí)里我知道屋里就我們兩個(gè)人，我就會(huì)立馬處理這條信息，做出響應(yīng)。

如上圖所示，人與人交互的邏輯與語(yǔ)音產(chǎn)品交互的邏輯是不同的。人與人的交互是隨時(shí)在線，然后過(guò)濾信息的；然而現(xiàn)在的語(yǔ)音產(chǎn)品，雖然技術(shù)本質(zhì)上也是隨時(shí)在線的，但是對(duì)用戶來(lái)說(shuō)，卻多了一個(gè)激活的過(guò)程，相當(dāng)于手動(dòng)按下開(kāi)關(guān)。

如果屋里有多個(gè)人會(huì)怎么樣？我會(huì)先等一會(huì)，發(fā)現(xiàn)沒(méi)有人回應(yīng)時(shí)，我就會(huì)確認(rèn)：“是在和我說(shuō)話嗎？”然后繼續(xù)這次對(duì)話。

以此類(lèi)推，人每時(shí)每刻在利用環(huán)境信息進(jìn)行無(wú)意識(shí)的推理的，模擬這一點(diǎn)，我們?cè)谧稣Z(yǔ)音產(chǎn)品的時(shí)候，我們可以考慮把多個(gè)維度的環(huán)境信息的數(shù)據(jù)結(jié)構(gòu)化，存儲(chǔ)在一個(gè)緩存中，將用戶發(fā)出指令與環(huán)境信息進(jìn)行邏輯運(yùn)算之后，再做出響應(yīng)。

比如車(chē)載就特別容易做到這一點(diǎn)，通過(guò)座位的傳感信息，很容知道車(chē)上有幾個(gè)人。

2. 多通道（多模態(tài)）信息推理

一群熟人坐在一起的時(shí)候，沒(méi)有誰(shuí)說(shuō)話之前總是要叫對(duì)方名字的。我看你一眼再說(shuō)話，就表示我在對(duì)你說(shuō)。人的表情，動(dòng)作等視覺(jué)信息，在語(yǔ)音溝通中也是非常重要的。

單純的語(yǔ)言信息存在很多缺陷，于是人類(lèi)在語(yǔ)言信息溝通的過(guò)程中，也需要借住視覺(jué)或其他通道收集到的信息來(lái)輔助理解判斷，否則語(yǔ)言交流的難度會(huì)大很多。

在高級(jí)的語(yǔ)言溝通中，這些信息非常復(fù)雜，但是對(duì)于對(duì)于不太復(fù)雜的語(yǔ)音產(chǎn)品，最重要的就是”目光指向”。別看這只是一個(gè)簡(jiǎn)單的邏輯，但是在人較多的環(huán)境下，能起到非常大的作用。

天貓精靈有個(gè)烏龍事件，當(dāng)你把他音量調(diào)到最大播放熱鬧的音樂(lè)的時(shí)候，它就聽(tīng)不到你任何指令了。但是在嘈雜的環(huán)境中，人與人是怎么溝通的呢？我會(huì)看著你說(shuō)一句話，然后你會(huì)表現(xiàn)出聽(tīng)不清的表情，然后把我拉到一個(gè)安靜的地方溝通。

所有如果語(yǔ)音產(chǎn)品能夠利用視覺(jué)通道的信息，對(duì)于語(yǔ)音交互的流暢度也是非常有幫助的。比如說(shuō)，在大聲播放音樂(lè)的環(huán)境中，當(dāng)天貓精靈“看到”了我轉(zhuǎn)向它說(shuō)話的時(shí)候，他應(yīng)該自動(dòng)將音量臨時(shí)調(diào)小聽(tīng)我再說(shuō)一遍。

再比如，如果你家里同一個(gè)房間有多個(gè)燈。如果你想通過(guò)智能音響關(guān)燈的話，你必須要給每個(gè)燈取一個(gè)名字，這種交互非常不自然，而且還容易忘記。但是如果能利用視覺(jué)通道的信息進(jìn)行輔助判斷，那么你只要用手指著這個(gè)燈說(shuō)：“關(guān)這個(gè)燈”。

3. 上下文指代信息推理

人與人溝通過(guò)程中，上下文也是非常重要的。上下文信息最重要的作用在于代詞的指代。要做到自然語(yǔ)言交互，指代信息必不可少。

linda說(shuō)：“最近有哪里好玩嗎？”

Alice說(shuō)：“附近開(kāi)了一個(gè)游樂(lè)場(chǎng)不錯(cuò)?！?/p>

Linda說(shuō)：“我們就去那里吧?！?/p>

最后一句話的“那里”，是指代的“游樂(lè)場(chǎng)”。這種使用代詞的交互方式在人與人交互的過(guò)程中是非常常見(jiàn)且重要的。人與人交互的過(guò)程中，會(huì)在短時(shí)記憶里存儲(chǔ)最近談話中涉及到的對(duì)象。當(dāng)對(duì)話中遇到代詞時(shí)，會(huì)無(wú)意識(shí)地從短時(shí)記憶中提取對(duì)象代入語(yǔ)句，從而理解。

天貓精靈目前好像還完全不支持指代關(guān)系，顯得非常笨。而最近幾個(gè)版本的siri開(kāi)始可以支持指代關(guān)系（以前的也不行）。比如說(shuō)當(dāng)你用Siri搜索過(guò)一個(gè)地點(diǎn)之后，你說(shuō)：“去那里”。它會(huì)知道你是要去最近搜索的地點(diǎn)。說(shuō)明他把最近搜索的對(duì)象存存起來(lái)了。使得上下文聯(lián)系起來(lái)，而不是獨(dú)立存在。

但是實(shí)際溝通過(guò)程中的指代關(guān)系遠(yuǎn)比這復(fù)雜。尤其是當(dāng)人物、地點(diǎn)、事物等指代關(guān)系同時(shí)出現(xiàn)的時(shí)候。還需要更加深入理解人的認(rèn)知模型，才讓機(jī)器實(shí)現(xiàn)與人更流暢的交互。

總結(jié)

語(yǔ)音產(chǎn)品雖然已經(jīng)有很長(zhǎng)的發(fā)展歷史了，但是今天的語(yǔ)音產(chǎn)品仍然像是一個(gè)新的領(lǐng)域。并且，當(dāng)今的語(yǔ)音產(chǎn)品地位也比較尷尬，一方面，語(yǔ)音識(shí)別技術(shù)快速發(fā)展，機(jī)器的語(yǔ)音識(shí)別能力已經(jīng)超過(guò)人類(lèi)，但是另一方面，更高層次的語(yǔ)言認(rèn)知模型并沒(méi)有被計(jì)算機(jī)科學(xué)家考慮在內(nèi)，使得語(yǔ)音產(chǎn)品實(shí)際使用起來(lái)的時(shí)候，總是顯得很笨。

想要優(yōu)化語(yǔ)音交互的體驗(yàn)，腳踏實(shí)地地讓語(yǔ)音交互發(fā)揮更大的價(jià)值，釋放語(yǔ)音交互的生產(chǎn)力，需要更深入的從認(rèn)知科學(xué)的角度，理解人類(lèi)對(duì)語(yǔ)言的認(rèn)知模型，做到人與語(yǔ)音產(chǎn)品的自然交互。

本文由 @ArvinNing 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來(lái)自Unsplash，基于CC0協(xié)議。