# 羅希特·普拉薩德：亞馬遜 Alexa 與對話式 AI > Alexa 首席科學家談語音助手的演進歷程、對話式 AI 的技術難點與未來互動形態。 - 原標題：Rohit Prasad: Amazon Alexa and Conversational AI - 期數：特別節目 - 釋出日期：2019-12-14 - 嘉賓 / 主題：羅希特·普拉薩德 - 網頁版：https://lex.qiaomu.ai/tw/ep/rohit-prasad/ - 官方頁面：https://lexfridman.com/rohit-prasad/ - 精讀字數：約 10734 字（閱讀約 24 分鐘） > 本文為 lex.qiaomu.ai 基於原始訪談的 AI 改寫中文精讀，非官方翻譯；引用請註明出處並連結網頁版。 2013 年 4 月，羅希特·普拉薩德（Rohit Prasad）加入亞馬遜做語音識別時，團隊開第一次會，10 個人，其中 9 個人認為遠場語音識別做不出來。 他們準備去找管理層談，說換個題做吧，比如電話客服的語音識別，那是當年這個領域的主戰場。10 個人裡唯一眼睛發亮的是羅希特自己。 他後來在訪談裡說了一句輕描淡寫的話：做語音識別的人找了幾十年的殺手級應用，眼前這個可能就是。 那一年，讓一個放在房間角落的裝置，隔著 20 英尺，在有人放音樂、小孩在跑、媽媽在打電話的環境裡準確識別你在叫它幹什麼，學術界的主流判斷是：無解。 這件事後來變成了 Echo，變成了 Alexa，變成了今天幾千萬個家庭裡的那個聲音。**從那個 9 個人說做不到的房間，到今天這句話，中間隔著五年。** ## 關於 Alexa 該長什麼樣 萊克斯·弗裡德曼（Lex Fridman）開場問了一個很文藝的問題。電影《她》（Her）裡，一個人愛上了 AI 的聲音。這種連線，光靠聲音能不能達到？ 羅希特沒有討論能不能。他先改了討論的框架。 他說，我們老在討論“像人”（human-like），但還有另一個維度被忽略了，就是“超人”（superhuman）。人類只能出現在一個地方，一次只能在一個位置。Alexa 可以在你的手機上、家裡、辦公室同時出現。人類的記憶有限，Alexa 的記憶接近無限而且精準。這些能力你用“像人”這把尺子量不出來。 在他看來，只討論“像人”是把問題拉低了。 這個框架在整場訪談裡反覆出現。每次萊克斯想把話題拉回“AI 像不像人”，羅希特都會把它推回“AI 該不該像人，什麼時候該像，什麼時候不該”。 他舉了個很日常的例子。你走過房間想開燈，說一句“開燈”。這時候 Alexa 就該執行，不該跟你聊天。如果它非得以一個像人的方式回應你，那是一種退步。但如果對面是社交機器人，你要的就是像人的對話。 > 這不是人跟人的互動，這是人跟機器的互動。有些場合需要人性，有些場合需要機器性。（羅希特·普拉薩德） 後面聊到“Alexa 要不要有身體”時，他把這個判斷又說了一遍。他說，與其糾結 Alexa 的身體長什麼樣，不如看它現在已經在什麼裡面了：微波爐、汽車、牙刷、燈泡、第三方機器人。Alexa 不是一個物理助手，它是一個虛擬助手，超人類的地方恰恰在於它同時在很多地方。 “從這個意義上說，我其實不覺得具體的身體重要。” 這是對具身智慧主流敘事的一個溫和的反駁。他的判斷是：形態不是關鍵，能力才是。有些場景像人是必要的，有些場景像人反而是低估了這個 AI。 ## 對話能力就是智慧本身 萊克斯問，怎麼定義智慧？圖靈測試有很多批評，你怎麼看？ 羅希特的回答沒有繞彎：“對話能力是終極智慧的標誌，這一點毫無疑問。” 然後他拆了一層。人類有感測器，感測器是資料收集機制，大腦做決策，這是感知、推理、行動的迴圈。機器也有這一套。但機器在另外幾個維度遠超人類：計算、記憶、檢索的精準度。人類說不清“那天我到底見的誰”，機器不會。 所以在他的定義裡，智慧不是“像人”，是“感知、推理、行動”這一整套能力的組合。有些維度人類更強，有些維度機器更強。 他把這個推到極端：如果這些維度機器都在超過人類，我們討論的就不是“達到人類水平”，可能是“超越人類水平”。 聊到遊戲和自動駕駛時，他說了一句我覺得很關鍵的話。AlphaGo 下圍棋、自動駕駛開車，這些都需要大量資料驅動的智慧，但它們的難度不如跟人對話。原因很具體：遊戲裡終點是定義的，狀態是清楚的。對話裡，終點沒定義，你也不知道自己處在什麼狀態。你甚至連自己想要什麼，都可能在中途改主意。 他舉了規劃週末的例子。你本來想去看某場演出，查到一半發現另一場更想去，於是改目的地。你本來只是想問附近有什麼電影，問完之後決定順便吃個飯。這中間有幾步、每步會怎麼變，事先都算不出來。 “這種維度上的可能性，讓這個問題極其嚇人。我認為它是智慧的終極測試。” ## Alexa Prize：20 分鐘，5 到 10 年 2016 年起，亞馬遜辦了一個比賽，叫 Alexa Prize。規則說起來一句話：讓大學生造一個社交機器人，能跟你連貫、有趣地聊滿 20 分鐘。 “極其困難的挑戰。跟一個剛認識的人，或者認識很久的人，就任何話題聊 20 分鐘，而且話題還在不斷演變，這超級難。” 到訪談時已經辦完兩屆。第一屆冠軍是華盛頓大學，第二屆是加州大學的一個團隊。第三屆有十支隊伍在跑。 評判機制設計得挺講究。整個賽程分多個階段，前面的階段在受控環境裡做，請演員來跟機器人對話，三個評委裡要有兩個認可“這段對話成立了”，20 分鐘這道硬門檻就是在這裡測的。 到了決賽，評判權交給真實使用者。所有 Alexa 使用者都能用，說一句“Alexa, let's chat”，系統會明確告訴你現在在跟一個參加比賽的社交機器人對話。聊完之後問你一個問題：1 到 5 分，你有多願意再跟它聊一次。 使用者中途退出本身也是一個訊號。他退出的那個時間點，就標出了你在哪一步讓人受不了。 萊克斯拿 DARPA 自動駕駛挑戰賽做類比。第一屆沒車跑完全程，第二屆有幾輛跑完了沙漠。Alexa Prize 進度如何？ 羅希特的回答很實在：**距離 20 分鐘連貫且有吸引力的對話，還有 5 到 10 年。**但進步幅度很大。生成回覆的準確度在提升，更明顯的是幽默感開始出現了。 他說幽默是很高的門檻，不是耍寶，是真正的幽默感，這本身就是智慧的標誌，而且極難做。這些機器人現在開始摸索：什麼時候該插一句合適的玩笑，遇到不認識的領域怎麼把話接下去讓對話不中斷。 還有一層更微妙的能力。你和我聊 AI，我們都是內行，能聊。但如果話題突然切到我完全不懂的地方，怎麼把對話轉出去？社交機器人開始處理這類問題了。 他說這背後有一部分是被 20 分鐘的賽制逼出來的。為了聊滿時間，參賽隊學會了一些聰明的辦法，包括在某些時候“遮掩”自己其實不懂的事實。 ## 為什麼只開放給大學 萊克斯問了個有點尖銳的問題：這些對話裡，有人推邊界嗎？有人說髒話嗎？有人靠爭論來把對話往下拖嗎？ 羅希特先說，比賽有敏感詞過濾，不只是關鍵詞，還考慮上下文。因為這些裝置是家用裝置，家裡有小孩，護欄必須多。 然後他講了辦這個比賽的真實動機，這段我覺得是整場訪談裡資訊量最高的部分之一。 那幾年，學術界做對話 AI 的人大量流向工業界，學生畢業就走，教授也有出走的。**工業界手上有三樣學術界拿不到的東西：海量資料、大規模算力、以及用真實使用者驗證進展的通道。**三條缺一條，研究就做不深。 Alexa Prize 就是把這三樣東西打包開放給大學。副作用是它變成了一個使用者真在用的技能，成了技能商店裡使用量最高的技能之一。 他解釋為什麼只給大學：先給學術界留一塊能安心發明的地，同時讓學生有動力留下來，而不是一畢業就全跑進工業界。 ## 這些機器人現在到底在幹什麼 萊克斯問了個技術問題：要贏這個比賽，需要什麼？ 羅希特的回答把現在的社交機器人給定性了：**它們大部分時候還在做檢索，不在做推理。** 他舉了個體育的例子。對話在聊最近的比賽，裡面涉及大量上下文，你必須理解被提到的那些實體之間的關係，對話才連貫。如果你只是丟擲一個關於某個球員的趣聞，而不是真的理解他昨晚那場球打得怎麼樣，這段對話就談不上智慧。 “很多時候它是在檢索一個事實，給出一個差不多接近的答案，但不是真的答案。這就是研究必須往前走的地方：真正的理解和推理。” 順著這個，他還潑了一盆冷水給想做監督學習的人。有研究者習慣的思路是：先有一個高質量標註語料，然後在上面跑演算法。他說，在 Alexa Prize 這個世界裡，這條路走不通。 > 這不是一篇 ACL 論文，也不是 NSF 資助的研究，你手上有一份漂亮的語料。這裡是真實世界，你有真實資料。（羅希特·普拉薩德） 所以他要求參賽者換腦子：**從真實反饋裡學習。**使用者評分是反饋，使用者中途退出是反饋，使用者糾正你是反饋。沒有標註集，最佳化目標本身都還在討論中。 ## 給 AI 一雙眼睛 訪談裡引了一句羅希特說過的話：讓智慧助手真正變聰明的唯一辦法，是給它眼睛，讓它去探索世界。 他說這話被斷章取義了，但意思他認。 人類的感官能力很多，學習方式很複雜，也從來不是唯一的一種模式：給你灌一大堆文字和音訊，你就學會了。人是在經驗裡學，在觀察裡學，被人教著學。人類學習的效率極高，機器恰恰相反，尤其是這類對話系統，學習效率極低。 他說下一波研究的重點會落在“更少資料”上。他強調這不是說資料量要變少，我們產生的資料多得是，重點是**學得更快**。具體路徑是弱監督、無監督、遷移學習，把一個領域的知識搬到另一個領域，把一種語言的能力搬到另一種語言。 而在這種學習方式裡，其他感官就變得關鍵了。人是在大量噪音資料裡學會東西的，這一點不該改。該改的是學習機制本身。 ## 怎麼讓人一聽就知道這是 Alexa 聊到個性時，萊克斯提了一個很具體的問題：閉上眼聽，憑什麼判斷這是 Alexa？ 羅希特的回答把“聲音”這件事拆開了。美國的 Alexa、英國的、印度的、澳洲的都不一樣，雖然都在說英語。你換一個文化、換一個社群，你認的是什麼？ 他說這不是配音演員的問題。用詞的選擇、語氣的屬性、語速、怎麼發音、解釋的時候囉嗦還是簡潔，全都是識別度的一部分。 > 不只是聽起來像。用詞、語調、語速、你怎麼發音、用詞是簡潔還是冗長，全是因素。（羅希特·普拉薩德） 這背後有個產品上的兩難，他自己說得很清楚。你要給一百萬人造一個統一的個性，能測，能最佳化，能保證體驗的下限。你越個性化，就越難測，越難知道它是不是好體驗。 他的答案是：**把控制權給使用者。** 他舉了幾個已經上線的例子。一個是“Remember This”，你主動說“Alexa，記住某某事”，它就存下來。他自己存了整輛車的引數，因為查起來太麻煩；存了所有航空公司的常旅客號碼，因為要用的時候總找不到。這是顯式控制，使用者知道自己授權了什麼。 再一個是聲紋識別。你告訴 Alexa 你是這家裡的誰，它就能做針對你的個性化。系統在發生個性化動作時會明確告知，不偷偷來。 第三個是服務商選擇。你說“放一首 Sting”，到底從 Spotify 放還是 Amazon Music 放，是你在 App 裡設的。 ## 信任的門檻比對人類還高 萊克斯提了個很有心理學的觀察。人跟人之間最深的關係裡，是有摩擦、有張力、有拉扯的。這種東西要不要放進人機互動裡？ 羅希特的回答只用了兩個字：信任。 他說，摩擦、張力在人與人的關係裡可以是健康的，但在這個場景裡不可談判的是信任。而且他認為，**使用者對 AI 的信任門檻，比對人類還高。** 門檻高在哪？不只是隱私和資料。是你每天的動作。你今天理解我理解得準不準，你執行得穩不穩。他打了個比方：你打客服電話，網路出了問題，對面那個人聽不懂你在說什麼，你立刻就失去信任，不想再跟這個人說話了。這個例子放到人機互動上，要放大十倍。 還有一層更彆扭的。使用者對 AI 的預期是搖擺的：你期待它很聰明，它一旦笨了你就生氣；你期待它沒那麼聰明，它一旦表現得像在耍小聰明，你也生氣。兩頭都能冒犯人。 他說這是研究人員和使用者身份之間的拉扯。作為研究者，他偶爾會煩：為什麼對這些系統的要求這麼苛刻？作為使用者，他立刻回答自己：就該這麼苛刻。 ## 燈亮著，和貓毛衣 隱私這一段，羅希特講了兩個原則：透明，和控制。 透明落到具體設計上。做第一代 Echo 時，他們做了一個判斷：什麼時候音訊被送到雲上，必須有明確的物理指示。所以你說出喚醒詞，燈環亮起，才開始傳輸。裝置上有物理靜音鍵，按下去麥克風直接斷電。 控制落到使用上。你可以在 App 裡看到自己被錄下的每一條語句，隨時刪。後來做得更省事：直接說“Alexa，刪掉我今天說的話”。 再後來加了一個開關：如果你不想讓人工審閱你的資料，可以標記，標了之後你的資料不會進入人工標註流程。這條是針對監督學習必須有人標註這件事來的。 然後萊克斯問那個所有人都想問的問題：Alexa 在聽嗎？ “Alexa 只在裝置上監聽喚醒詞。” 喚醒詞是 Alexa、Amazon、Echo、Computer 裡選一個，一次只能選一個，裝置只聽那一個。 至於那個流傳極廣的都市傳說：聊到貓毛衣，轉頭亞馬遜就給你推貓毛衣。他的解釋平淡得有點掃興：**那可能是冬天到了，大家都在搜毛衣，所以它就成了熱門。**我們人類沒那麼獨特，你的需求也沒那麼獨特。 然後萊克斯提了一個跟主流輿論相反的觀點，我覺得值得單獨拎出來。他說作為機器學習從業者，他希望有一天使用者可以主動選擇“一直聽”，因為只要控制權和信任在手，資料越多，裝置能為你做的事就越多。讓他不安的是人們對資料的敏感程度，相對於這些資料能給生活帶來的改善，這個比例失衡了。 羅希特的回應很剋制。他說社會整體確實在變得更能接受資料共享帶來的好處，但不是所有人都這樣，不能一刀切，必須尊重不接受的人。 他給了兩個已經存在的例子。一個是 follow-up mode，開啟之後 Alexa 說完話會再開一次麥克風，等你說下一句。你在往購物清單里加東西，說“雞蛋”“牛奶”“麵包”，不用每樣都喊一次喚醒詞。另一個是 Alexa Guard，你出門時開啟，它開始監聽特定聲音事件，比如煙霧報警器響了、有人打碎玻璃。回家之後關掉。 兩個例子都是同一個結構：**用顯式授權換取高價值能力。** ## 2013 年那間屋子裡沒有資料 回到技術史。羅希特說一切從“Working Backwards”開始，這是亞馬遜的一個方法論：先寫新聞稿，寫這個產品釋出那天你想讓世界讀到什麼，再倒推要做哪些事。靈感來源是《星際迷航》裡的那臺電腦。願景定得很高，但釋出必須有起點。 第一個要解的是遠場語音識別。當年這不是常規做法，他此前所在的研究圈子裡，這事被判定為不可解。 然後是喚醒詞檢測，這一關的難度外人不太容易體會。Alexa 這個詞很常見，音素構成跟“I like you”“Alex”這類詞高度重疊。裝置在房間裡只聽喚醒詞，家裡同時有一堆話在說。**你要區分的不只是“有沒有說出 Alexa”，而是“這句話是不是在對裝置說”。** 他說“I love my Alexa”“I hate my Alexa”，這兩句裡都有 Alexa，但都不該喚醒裝置。 萊克斯順勢開了個玩笑：那這期播客裡我們會說幾百次 Alexa，聽眾該怎麼辦？羅希特的回答是，可能會醒幾次。他們做過反制技術，包括類似水印的方式識別廣告和媒體音訊。這是個尚未徹底解決的問題，但他們很在意。 再往後是大詞彙量連續語音識別。這一關的難點不在於演算法，在於場景：音訊不是從貼著嘴的手持麥克風來的，是從 20 英尺外來的，中間有兒子在放音樂，女兒在跑來跑去問媽媽事情。 2013 年 4 月他加入時，神經網路在語音識別上剛露出一點苗頭，還很早期。團隊當時是個創業狀態，沒上來就押深度學習。他們做的第一件事是搞資料：**要訓練遠場模型，先得有遠場資料，而遠場資料在世界上不存在，因為還沒有使用者。** 他們想辦法造出了第一批遠場訓練資料。資料到手之後，開始往深度學習上壓。分散式訓練是他們最早的成果之一，讓訓練時間隨資料量線性增長，這樣資料翻倍，訓練時間不至於爆炸。 結果他給了一個具體數字：**從專案啟動到拿到那批資料之後的六個月內，錯誤率降了 5 倍。**“到那個點，我有信心這事能成。” 2014 年 11 月釋出。他說了一句很重的話： > 我們在這個產品上只有一次機會。如果 2014 年 11 月釋出時它低於那條線，我認為這個品類根本不會存在。（羅希特·普拉薩德） 這條線的位置，他沒法從既有經驗裡推出來，因為沒人做過。團隊只能在準確率和體驗上先立幾個標杆，然後想辦法在沒有使用者的情況下衡量自己離標杆有多遠。 ## 規則系統還是統計系統 語音識別之後是多領域自然語言理解。單個窄領域做意圖理解，當年是可行的。但音樂、資訊查詢、鬧鐘、計時器、家居控制一起上，難度是另一個量級。而且還是在沒有使用者的情況下。 當時行業主流是用規則寫語法模板去匹配意圖。他們選了統計優先的路子：語言理解、槽位和實體識別、內部意圖分類器，都是統計模型。 但羅希特補了一句很誠實的工程細節：**統計模型會出 bug，所以他們同時建了確定性匹配模組專門修這些 bug。**純統計不行，純規則也不行，最後是統計打底、規則兜底。 實體消歧的例子他講得很生動。你說“放 The Stones 的歌”，如果系統對這個樂隊不熟，可能匹配到 Rolling Stones，也可能匹配到 Stone Temple Pilots。你怎麼知道是哪個？這在當年是個熱門難題。 他的處理方式是承認這件事可以靠對話解決。目標是九成以上一次命中，剩下的可以問。“就像人一樣，我沒聽懂你剛才說什麼，問一句，這沒問題。” 釋出時鋪了十幾個大領域。到訪談時，Alexa 上有 9 萬多個技能。 ## 把對話流的編寫工作拿掉 2019 年 re:Invent 上他們釋出了一個東西叫 Alexa Conversations。要解決的問題很具體：過去給 Alexa 寫多輪對話，開發者得把整個對話流全部手寫出來，如果使用者說這個就做那個，跟那種老式電話 IVR 系統一個路子。開發者體驗很差，能做出的對話也很僵硬。 新的做法是：你提供幾段示例互動資料，說明使用者會怎麼用你的 API，然後系統用一個在示例資料上訓練的迴圈神經網路自動構建對話流。開發者不用寫對話程式碼。 但更值得說的是它解鎖了什麼能力。萊克斯問“附近有什麼電影”，這句話背後可能有好幾種意圖：想買票、只是好奇、想確認某部片子還在不在映。系統不知道你的真實目標是什麼。 羅希特把這條鏈路走了一遍。你買了電影票，四個人的。那接下來系統推一件事：要不要訂附近餐廳？而且不用再問你一遍“幾點”“幾個人”。**四個人這個資訊已經隱含在購票會話裡了，直接帶過去。** 他管這叫把認知負擔從使用者身上轉移到機器身上：系統去猜你的潛在目標，然後執行最合理的下一步，而不是讓你把需求一條條說全。 至於長期記憶，他承認還在早期。現在的記憶主要在一段會話內部，跨會話的長期記憶（比如你偏好哪家餐廳）還是開放問題。 ## 你每次糾正它，都是一條訓練訊號 萊克斯在這裡插了一段私人抱怨，很有意思。他說自己每天干一樣的事，穿一樣的黑襯衫，所以 Alexa 每次聽不懂某首歌、每次都要他糾正，特別煩。具體是《Stairway to Heaven》，每次放的都不是 Led Zeppelin 原版，是個翻唱。 羅希特當場說：這是個正式 bug report，我記下了，我們會修。 然後他順勢講了自學習。Alexa 現在能自動收集上百萬條語句，沒有人工監督。機制是行為訊號：你點了錯的那首歌，或者你說“不對，不是這首”，或者你重說了一遍，這些動作都在告訴系統它剛才做錯了。如果某首歌被請求卻播成了另一首，這個失敗模式就能被捕捉。**大量這類糾正現在是自動消化的，不需要人去看。** 他自己就是受害者兼測試用例。印度口音導致 M 和 N 經常被混淆，對人來說都容易聽錯，對機器更是。系統在一點點學會糾正。 萊克斯提了一個產品細節：糾正完之後，使用者希望得到一句確認，知道自己這一下起了作用。羅希特說這是光譜，有人喜歡被確認，有人會被這種確認煩到。他拿特斯拉車主做對比：很多 Autopilot 使用者覺得自己在教系統，還挺興奮。Alexa 使用者裡也有一部分這麼想。 他的判斷是，可教學的 AI（teachable AI）在助手這個賽道上會越來越重要。而且他強調，上面說的自學習是徹底無監督的，沒有人參與標註，只靠使用者行為。 ## 從 9 萬個技能裡挑一個 “更自然”這條線上，除了語音合成用神經網路做得更像人，還有一個更麻煩的問題：**9 萬個技能，使用者憑什麼記住名字？** 過去的互動是“Alexa，讓 XX 技能告訴我某某事”。這個動作本身就是不自然的，因為你在用 App 的心智模型套語音。語音世界裡沒有“開啟一個應用”這回事，它應該是一個連續的介面。 他們的做法是建一個深度學習能力：你說“幫我叫輛車”，系統先篩出一批候選技能，判斷這大機率是打車類，再根據你的偏好對各個技能的響應排序，選最好的那個回給你。 另一個例子是列表。你不用一句一句加：“Alexa，加雞蛋”“Alexa，加牛奶”“Alexa，加餅乾”。一句話“加餅乾、牛奶和雞蛋”就行。 再一個是記憶的統一。有些事你是透過日曆記的，有些是你讓 Alexa 記住的，有些是提醒。使用者不該關心它存在哪。**你只要問“我什麼時候去我媽家”，它就該從任何一個來源裡把答案撈出來。** 萊克斯追問了一句：這個整合的責任歸誰？技能開發者還是 Alexa 平臺？ 羅希特的回答是兩邊都要。技能本身的質量由平臺工具保證。但“當請求不夠具體時，判斷哪個技能能完成使用者意圖”這件事，明確是平臺的責任。多米諾披薩做了自己的技能，使用者說“開啟多米諾”能用，但使用者說“幫我訂個披薩”，就得靠平臺來路由。 而再往上，那個“訂個披薩”的背後可能是一個完整的場景：孩子在家，晚上要吃飯。到這一步，就是對話式 AI 真正的戰場了。 ## 最難的那一層：推理 羅希特把當下的挑戰分成幾層。 第一層是基本功。一次命中的事務型請求必須做到近乎完美。他說得很直接：**就算我能幫你安排好一整晚的行程，但如果你讓我開個燈我開不了，你作為使用者是無法接受的。** 第二層是推理。根據已有資訊和歷史，判斷使用者的潛在目標，決定下一步最優動作。他把它跟自動駕駛做類比，都是推理和決策問題。區別在於自動駕駛的環境雖然難，終點相對有限；對話裡的假設空間要龐大得多。 第三層是主動。現在討論的都是反應式決策，你問，它答。如果加上主動，Alexa 會自己產生“預感”（hunches）：你出門忘了關車庫燈，它提醒你。到這一步，它在任何一個時間點都要基於手上的資訊判斷該不該做一件事。 萊克斯問了個他很關心的方向：什麼時候 Alexa 能“看”你，從你的表情判斷你在不在沮喪，從而修正自己的判斷？ 羅希特的回答把難度擺了出來。沮喪這個訊號理論上可以從聲音裡拿，因為你一旦開始重說，系統就知道大概出錯了。但真正做情感識別，是在遠場、嘈雜、有距離的環境裡做，這是情感計算領域公認的硬骨頭。“非常非常難的問題。” 然後是那個更大的問題：深度學習夠不夠？ 他的回答分兩半。一半是：**不夠，推理必須做起來。**他點了幾個正在成形的方向：更少資料、零樣本、單樣本、主動學習、遷移學習。深度學習已經證明有用，現在要把它跟遷移學習、主動學習配起來。但下一波真正的躍遷要靠推理。 另一半是：短期內還不必絕望。為了把客戶服務好，預測式方法還有大量空間沒挖完，遠沒到用盡的時候。他區分得很清楚：**把事辦成，短期內預測式方法夠用；做出他真正想要的那種高質量體驗，推理必須補上。** 他把推理稱為這些難題裡最難的一個，因為假設空間太大。而一旦跨出單次會話，比如你希望 Alexa 記住你喜歡哪家餐廳、下次規劃晚上出門時問你要不要去同一家，問題的規模就再上一個量級。 ## 五年和四十年 萊克斯請他用“新聞稿倒推”的方法，寫一份五年後和四十年後的 Alexa。 五年。他說五年這個尺度是他敢想的極限，因為五年前他自己也想不到 Alexa 會是今天這樣。 五年的判斷是：**目標導向的對話和開放域的閒聊，這條界線會消失。** 他用購物來論證。買電池、買紙巾，一句話就完。買相機呢？你要做大量研究，看評測，比引數，最後才決策。所以“幫我找臺相機”這句話，到底是目標導向還是開放探索？分不清。 他順手把萊克斯自己的購物習慣點了出來。萊克斯承認，他從沒在 Alexa 上買過一件此前沒在電腦上買過的東西，全靠復購。羅希特的回應是：即便是一個看起來目標明確的事，空間也很大。產品屬性太多，你要看站內評價，要看站外評價，要看消費者論壇怎麼說。 再看“這個週末鱈魚角天氣怎麼樣”。你為什麼問這個？背後一定有個目的，可能是要去，可能在猶豫要不要去。 所以他的定義是：**怎麼用最少的步驟幫客戶完成目標。**這麼定義之後，目標導向和開放域的區分自然就沒了。 “我可能想知道總統辯論發生了什麼，我是在找資訊，還是在判斷誰在贏？這些都是很難的問題。”五年內他希望能解掉。 四十年。他說得更乾脆：**四十年也解不完。** > 即便我們把範圍限死在人類智慧，我們離它還很遠。從感知到神經處理，大腦怎麼儲存資訊、怎麼處理資訊，我們連知識該怎麼表徵都還不知道。（羅希特·普拉薩德） 他給了一條已經發生過的座標。五年前，問天氣、復購、聽喜歡的歌，用嘴說出來這件事已經變得自然了，你不會覺得拿起手機更順手。這是第一段轉變，已經完成。 下一段是：用 Alexa 規劃週末、規劃下一頓飯、規劃下一次晚上出門，毫不費力。這一段就是他認為的五年目標。 ## 他說五年前差點離開這個領域 訪談最後，萊克斯把鏡頭拉到最大：一群猿的後代，造出了一個能跟人對話的系統，放在自己家裡。你站在這個系統的中心，什麼感覺？ 羅希特先說了“特權”這個詞。然後他說了一段我覺得整場訪談裡最真誠的話。 他在這個領域待了很多年，在劍橋。五年前他幾乎想走，因為找不到那個殺手級應用，找不到一個使用者會真愛、而不只是“有了也不錯”的東西。研究實驗室裡做出來的東西，一直落不了地。 現在看到幾百萬、上億人在用，他說這很讓人滿足。而且這還很早期，他還有二十年可以幹自己愛乾的事。 他跟每一個新加入團隊的人說同一句話：這是難得的特權。2014 年釋出 Alexa 是第一次，後來開放 Alexa Skills Kit，把語音和語言的 SDK 第一次真正做出來，他管這個叫 AI 的民主化。 現在他和萊克斯能坐在這裡討論“用智慧體規劃一個晚上”，而不是說“不可能”，本身就已經說明位置變了。 “我不覺得還有更好的地方可以待著了。” 回到開頭那間會議室。10 個人，9 個說做不到，1 個眼睛發亮。六個月後錯誤率降了 5 倍，那條“魔法線”被摸到了。如果他那天也舉手說換個題做，今天這個品類可能確實不存在。 這類判斷在當時都沒法證明。你只能在事後回頭看，看那個少數派當時看見的東西是什麼。羅希特看見的是一件事的用途，而不是它的難度。 ## 如果要從這場訪談裡拿走點什麼 - 評估一個 AI 產品時，把“像人”和“超人”分開打分。在需要速度和準確的地方追求像人，往往是退步；在需要共情和陪伴的地方，超人能力沒有意義。 - 判斷一個對話系統行不行，別隻看它答對了沒有，看它被糾正之後有沒有變化。行為訊號（重說、打斷、中途退出）比評分更有資訊量，而且是零標註成本。 - 做多輪對話產品時，先問自己一個問題：這一步的認知負擔在誰身上。如果使用者在反覆提供同樣的事實（幾個人、幾點、在哪），就說明系統該做上下文傳遞了。 - 設計帶麥克風或攝像頭的常駐裝置，把透明和控制做成物理可見的東西，而不是寫進隱私政策裡。指示燈、物理斷電、一句話刪除，成本極低，缺了就補不回來。 - 給團隊定目標時試試倒推：先寫產品釋出那天你希望媒體怎麼報道，再倒推需要哪些能力、哪條線必須先跨過去。羅希特說這個方法連他手下的科學家都愛上了，因為它逼你先把結論寫出來，再去找證據。 - 評估一個技術方向時，區分兩件事：這件事能不能把活幹成，和這件事能不能做出你真正想要的體驗。前者預測式方法常常夠用，後者往往必須等下一次正規化躍遷。別用前者的進展去掩蓋後者的欠賬。