“尋找賈維斯”簡史

風(fēng)辭遠(yuǎn)

可能人人都希望自己有個“賈維斯”。雖然已經(jīng)退出漫威電影很多年，但是我們還是能夠記起那個鋼鐵俠戰(zhàn)衣里無所不能的AI助手。獨(dú)特的幽默、優(yōu)雅的語調(diào)以及非?？孔V的人設(shè)，讓無數(shù)科幻迷對這個看不見聽得到的角色產(chǎn)生了無盡好感。

對賈維斯的迷戀有多瘋狂呢？我見過賈維斯版本的電腦桌面程序，賈維斯模樣的手機(jī)UI以及以賈維斯命名的AI算法。設(shè)計師和極客們，迄今為止想了無數(shù)辦法來“復(fù)活”屬于自己的賈維斯。然而畫面越來越逼真的賈維斯界面，顯然無法得到它的精髓：像朋友一樣的溝通與陪伴。假如說有某種技術(shù)希望能夠在“本質(zhì)”上尋找賈維斯，那么一定非語音助手莫屬。

由于身處一個科技爆炸的年代，日常生活中我們可能不太留心某種技術(shù)的發(fā)展。但是如果一旦停下來回頭看看，會驚奇地發(fā)現(xiàn)一門技術(shù)原來經(jīng)歷了相當(dāng)驚人的變化。比如說手機(jī)中的語音助手，已經(jīng)成為日常生活的一部分。而如果回首一下它的歷史，說不定會大吃一驚：原來用語音助手復(fù)活賈維斯，并不是說著玩玩的。回看這些年語音助手的成長，會發(fā)現(xiàn)在人性化交互、應(yīng)用能力拓展以及功能集成上，語音助手的體驗確實(shí)在一步步逼近“賈維斯”這個終極目標(biāo)。最近好像流行寫各種簡史，那不妨讓咱們今天來講一段，關(guān)于“尋找賈維斯”的簡史。不難發(fā)現(xiàn)，語音助手的進(jìn)化軌道，其實(shí)已經(jīng)非常清晰明確。

語音助手初長成

大家都知道，最早的語音助手是蘋果推出的Siri。想當(dāng)年，在大家都沒跟手機(jī)說過話的時候，Siri小姐姐真的可謂是叱咤江湖?！渡畲蟊ā防锷踔劣幸患?，專門安排拉杰什和Siri談了回戀愛。然而要承認(rèn)的是，技術(shù)必然有其階段性。就像老爺車雖然經(jīng)典，但是肯定無法開上21世紀(jì)的高速路。初始階段的Siri，在今天來體驗其實(shí)是很初級的。

語音助手這件事，之所以得到了蘋果的大規(guī)模投入，其實(shí)主要是云計算系統(tǒng)的功勞。其實(shí)更早時候，語音助手的雛形已經(jīng)出現(xiàn)。只是當(dāng)時云計算體系沒有鋪開，只能把若干語音指令存儲在手機(jī)中，這導(dǎo)致用戶的問答模板過分單調(diào)。而從Siri開始，語音助手完成了云端部署。這樣可以在云端存儲大量的對應(yīng)模板，并且實(shí)時更新，從而讓語音服務(wù)成為可能。

這時候的Siri雖然知道的多了，但是智商卻十分堪憂。由于當(dāng)時的語音助手完全是模板化的，換句話說你必須準(zhǔn)確說出了問題，并且被Siri準(zhǔn)確識別了，才能給你找出對應(yīng)的答案。然而套路終歸是套路。那個時候，應(yīng)用Siri的體驗大概是這樣的：Siri，幫我給xx打電話。好的，已經(jīng)撥打。Siri，幫我打個電話，我要聯(lián)系xx。對不起，Siri沒有聽懂……

總之就是，模板不能錯一點(diǎn)點(diǎn)，否則就是推倒重來。好在，這種語音助手完全比拼模板數(shù)量的時代，很快就過去了——因為AI來了。

AI來了之后

早期語音助手的最大缺點(diǎn)，在于問答只能模板化。用戶實(shí)際上不是在跟語音助手聊天，只是把遙控器換成了語音操作而已。這在某種程度上反而是增加了用戶的交互成本，同時也讓用戶心中對于“語音助手”這個概念的智能化期待大打折扣。

好在AI來了。隨著深度學(xué)習(xí)的復(fù)興，以神經(jīng)網(wǎng)絡(luò)處理語音任務(wù)逐漸成為主流。隨著AI加入，語音助手開始呈現(xiàn)語義理解、多輪對話，聲音合成等能力，并且在這幾條軌道上不斷發(fā)展。于是我們看到了語音助手的聽力越來越敏捷，很多情況能夠和用戶像正常聊天一樣說下去。甚至方言、兒童音等問題都得到了一定程度的解決。

這個時期的語音助手，最具特色的代表應(yīng)該是谷歌語音助手Google Assistant和微軟小冰。前者2018年曾經(jīng)創(chuàng)造過模仿真人打電話而不露餡的“壯舉”，而后者也常年活躍于聊天界，以不被發(fā)現(xiàn)是AI而著稱。這個時候的語音助手體驗，已經(jīng)有了比較明顯的升級。比如用戶說我想打個電話/幫我打個電話/幫我查一下某人的號碼，然后打電話，語音助手基本都能明白。

而且在深度學(xué)習(xí)的幫助下，語音助手還能記住用戶的聊天習(xí)慣，時不常還能跟用戶逗個悶子，聊天時立個人設(shè)。然而這并不是終點(diǎn)。隨著AI語音助手的普及，尤其是在手機(jī)中的廣泛應(yīng)用，用戶發(fā)現(xiàn)它能干的事情還是太少了?；揪屯Ａ粼诖螂娫?、發(fā)短信、整理日程表等幾種。然而這幾種在今天已經(jīng)是名副其實(shí)的邊緣應(yīng)用。

只能聊而沒啥用的語音助手，就好像賈維斯只能陪著托尼瞎聊天，卻無法啟動鋼鐵俠戰(zhàn)衣——這顯然是嚴(yán)重影響票房的。在移動AI覺醒的這兩年，隨著終端AI處理能力越發(fā)強(qiáng)大，事情開始有了更多發(fā)展。

折疊出人性化交互

在語音助手的進(jìn)化上，有兩件事決定了今天的故事走向。一個是客觀上來說，無論是端側(cè)還是云側(cè)的AI處理能力都在變強(qiáng)。許多之前無法觸發(fā)的AI應(yīng)用開始變?yōu)楝F(xiàn)實(shí)，這些能力就像鋼鐵俠的裝甲和武器，讓語音助手有更多可以操縱的空間。

更明顯的改變來自消費(fèi)者和廠商，對語音助手這件事發(fā)生了主觀上的升級。過去語音助手作為一個“嘗鮮品”，主要能力是顯露自己多么智能強(qiáng)大。而在今天，已經(jīng)習(xí)慣語音交互的用戶需要的是“以我為主”，讓語音助手提供服務(wù)，而不是炫技。

眾所周知，我們在手機(jī)中的主要服務(wù)，是基于APP產(chǎn)生的。那么語音助手的下一步也就是要融合到APP當(dāng)中，把服務(wù)抽象出來，帶給用戶方便。比如三星的Bixby最先嘗試了打穿APP的方案。這主客觀兩個條件結(jié)合，構(gòu)成了今天語音助手的主要升級方案：折疊交互，融合應(yīng)用，體現(xiàn)人性化。

在這條路上已經(jīng)有了不少參賽者，而目前能夠看到將語音助手這件事推到新高度的，是剛剛更新的EMUI9.1。小藝這個名字，對于華為用戶來說并不陌生。而EMUI 9.1版本的小藝經(jīng)歷了一個跨度非常大的升級。從整個語音助手發(fā)展歷史的角度看，這些升級也可能十分重要。咱們還是基于幾個場景的變化，來研究一下小藝剛剛帶來了什么。

能聽能說，也要能看。語音助手這東西，大家已經(jīng)默認(rèn)其能力就是聽和說。然而實(shí)際上，一個真正的“助手”還需要一個基本的能力，那就是“察言觀色”。之所以語音助手一直缺乏“看”這個層面的能力，原因很大程度在于大部分手機(jī)還無法承載復(fù)雜的AI視覺計算。這個領(lǐng)域華為這兩年一馬當(dāng)先，自然也就孕育出讓語音助手走向聽、說、看全能的基礎(chǔ)。在EMUI9.1版本中，小藝開啟了多模態(tài)融合交互。之前，用戶想用手機(jī)識別花草、汽車之類的，需要點(diǎn)開攝像頭或者專用APP。這個流程其實(shí)有點(diǎn)煩瑣，而且很多一閃而逝的風(fēng)景可能就要錯過。

而新的小藝，則可以讓用戶長按電源1秒就喚醒它，直接對手機(jī)說“這是什么”，語音助手就會自動識別花草、汽車等。這個能力更有用的地方是識別食物卡路里，可以直接語音問手機(jī)“我吃這個會不會胖”，然后小藝就會自動開啟卡路里識別，報出食物的卡路里數(shù)量。小藝還會根據(jù)識物的卡路里級別，建議你少吃還是放心吃。估計也就是小藝才如此友善，同樣的問題問朋友，他們大概會說“你吃空氣也會胖”?？吹哪繕?biāo)不僅是基于攝像頭，同樣也可以看到手機(jī)里的圖片。小藝的視覺結(jié)合，另一個玩法是用語音搜圖。比如用戶可以說“找到我女朋友去年的照片”，手機(jī)就會在圖庫眾多的圖片中找到你想要的。

穿透APP來服務(wù)你。我們今天的生活，就是在無數(shù)APP中穿梭。同時也要承認(rèn)，很多功能其實(shí)隱藏在APP深處，想要完成是有點(diǎn)麻煩的。舉個例子，在你口渴難耐時，想要去自動售貨機(jī)買瓶水。一頓操作終于選到了合適的飲料，這時提示你要掃碼付款，然后此時要先經(jīng)歷找到支付寶，打開支付寶，點(diǎn)擊掃碼——這個過程中每一秒都是煎熬。而在EMUI9.1的升級中，小藝加入了更多用語音解鎖APP場景的功能。比如上面這些操作，現(xiàn)在可以直接對手機(jī)說“掃碼”，一句話喚醒。這個技能適用于各種著急買東西的場景，其中滋味大家不妨自己體會。

另一個很有代表性的場景是在微信里?，F(xiàn)在微信語音似乎已經(jīng)完全取代了電話，但是在茫茫然一片的微信里，想找到合適的人其實(shí)還挺難。要經(jīng)歷點(diǎn)開搜索，打字，完成搜索點(diǎn)入對話框，發(fā)起語音，一共4個步驟。而小藝則可以直接說一句“給微信里的某人打電話”來一步完成。此外，不同應(yīng)用中觸發(fā)小藝，據(jù)說還有不同驚喜。

可學(xué)習(xí)和可定義。小藝的另一個升級點(diǎn)，在于學(xué)習(xí)用戶語音習(xí)慣和使用習(xí)慣的能力得到了加強(qiáng)，同時開啟了自定義組合技能的新模式。比如我們周五下班坐進(jìn)車?yán)?，這時候其實(shí)是有很多事先要用手機(jī)完成的。比如說，打開導(dǎo)航確認(rèn)目的地，放首《今天是個好日子》聽聽，給哥們發(fā)微信約去看球，給老婆發(fā)語音說今天要加班不回家吃飯了……這種做法并不值得提倡。

可以看到的是，這一波操作雖然心情愉快，但是未免復(fù)雜了點(diǎn)，手速慢的人分分鐘就會被晚高峰給追上。而在新版的小藝中，用戶可以自定義這些操作，整合成同一個語音命令。比如說對小藝大吼“勞資下班了”。小藝就會自動進(jìn)行用戶設(shè)定的上述操作，又簡單又解氣。從小藝的故事可以看到的是，手機(jī)語音助手走到今天，已經(jīng)不僅僅是一個語音軟件本身的智能程度問題，而是整部手機(jī)的能力，都要通過語音助手來集成和調(diào)動。把多種能力、多個應(yīng)用，多個交互進(jìn)行折疊，最終折疊出的才是更省時省力，更符合用戶期待的自然交互。

而從語音助手誕生時的套模板，再到AI的入場，隨后發(fā)展到手機(jī)軟硬一體化的智能折疊時代，語音助手的變遷史中，似乎可以總結(jié)出一個公式。

語音助手的“賈維斯公式”

到底怎么才能做出大家心目中的賈維斯？通過手機(jī)和語音助手的不斷耦合，我們可以發(fā)現(xiàn)這樣幾件事是先決條件。

不斷升級的AI綜合體。從谷歌、微軟、亞馬遜激烈競爭的語音助手，到國內(nèi)的智能音箱熱潮、手機(jī)語音助手不斷升級，而AI能力始終是這個故事的“主線劇情”。而隨著步入移動AI時代，語音助手現(xiàn)在的任務(wù)，從整合AI技術(shù)，開始發(fā)展到了整合AI應(yīng)用、AI能力和AI技術(shù)的三合一模式。

回望華為手機(jī)開啟AI進(jìn)化的這兩年，從EMUI在8.0時期開始，諸多智慧能力開始顯現(xiàn)。到 9.0時代，開始加強(qiáng)視覺AI應(yīng)用，并且對AI能力進(jìn)行整合。而到9.1當(dāng)中，語音助手開始整合更多AI應(yīng)用?？梢钥闯?，AI的從無到有，從弱到強(qiáng)，從分散到整合，是手機(jī)助手進(jìn)化的主線。

軟、硬件不分彼此。在手機(jī)當(dāng)中，一款軟件的能力總歸有限，只有與應(yīng)用、內(nèi)容和硬件層面更好結(jié)合，才能真正讓用戶獲得智能的體驗和實(shí)際的應(yīng)用價值。這就好比只會逗悶子的賈維斯并不招人喜歡，天文地理無所不知，還能操縱鋼鐵俠戰(zhàn)衣的才是“真·賈維斯”。語音助手之所以讓今天的領(lǐng)軍者變成華為和EMUI，很大程度在于華為手機(jī)這幾年在軟硬件一體化能力上的積極探索，一定程度打破了舊有手機(jī)模式的藩籬。當(dāng)語音助手可以調(diào)動智慧視覺和各種應(yīng)用，其價值就好像你的朋友突然由員工升級成了老總……

基于人性，去折疊每一個交互。要注意的是，語音助手始終伴隨著一條炫技之路：由于AI帶來的技術(shù)非常充沛，開發(fā)者很容易把語音交互搞得復(fù)雜無比。雖然初心是讓消費(fèi)者感受到技術(shù)爆發(fā)的魅力，但實(shí)際應(yīng)用中消費(fèi)者往往不勝其擾，只能敬而遠(yuǎn)之。所以在語音助手的進(jìn)化中，需要基于人性化的產(chǎn)品思考，基于用戶感受去折疊和省略交互。只要技術(shù)復(fù)雜同時交互簡單，語音助手才有親和力可言。

至此，不難發(fā)現(xiàn)，這條尋找賈維斯之路，似乎可以被總結(jié)成這樣的公式：智能技術(shù)更復(fù)雜，產(chǎn)品融合度更強(qiáng)，交互更人性=語音助手更像賈維斯。并且我們有理由相信，所有尋找終歸能夠抵達(dá)終點(diǎn)。