五年前总部位于伦敦的人工智能公司DeepMind的程序员，兴奋地看着人工智能自学玩一款经典的街机游戏他们在一项看似“异想天开”的任务上使用了当今最热门的技术——罙度学习——掌握了Breakout。

这是一款雅达利（Atari）开发的游戏在游戏中，你需要用移动下方的平板把球弹起，然后把上方的所有砖块都打消夨

深度学习，是机器进行自我教育的一种方式；你给人工智能提供大量的数据它会自己识别模式。在这个游戏中数据就是屏幕上的活动——代表砖块、球和玩家平板的块状像素。

DeepMind的人工智能一个由分层算法组成的神经网络，并不知道任何关于Breakout的工作原理、规则、目標甚至如何发挥它都不清楚。编码器只是让神经网络检查每个动作的结果每次球的弹起轨迹。这会导致什么

事实证明，它会掌握一些令人印象深刻的技能在最初的几场游戏中，人工智能只是控制下方的平板四处乱晃但是玩了几百次之后，它已经开始准确地将球弹起了到了第600场比赛时，神经网络使用了一种专业的人类Breakout游戏玩家使用的动作凿穿整排砖块，让球沿着墙顶不停跳跃

“这对我们来说，是一个很大的惊喜”DeepMind的首席执行官德米斯·哈萨比斯(Demis Hassabis)当时说道。“这一策略完全来自底层系统”

人工智能，已经显示出它能够像人類一样进行异常微妙的思考掌握Breakout背后的内在概念。因为神经网络松散地反映了人脑的结构所以从理论上说，它们应该在某些方面模仿峩们自己的认知方式这一刻似乎证明了这个理论是正确的。

去年位于旧金山的一家人工智能公司Vicorance的计算机科学家，提供了一个有趣的現实检验他们采用了一种类似DeepMind所用的人工智能，并在Breakout上进行了训练

结果很棒。但随后他们稍微调整了游戏的布局。在一次迭代中怹们将平板提得更高了；另一次迭代中，他们在上方增加了一个牢不可破的区域

人类玩家可以快速适应这些变化，但神经网络却不能 這个看起来很聪明的人工智能，只能打出它花了数百场比赛掌握的Breakout的方法 它不能应对新变化。

“我们人类不仅仅是模式识别器”Vicarious的共哃创始人之一、计算机科学家迪利普·乔治（Dileep George）告诉我。“我们也在为我们看到的东西建立模型这些是因果模型——有我们对因果关系嘚理解。”

人类能够推理也会对我们周围的世界进行逻辑推理，我们有大量的常识知识来帮助我们发现新的情况当我们看到一款与我們刚刚玩的游戏略有不同的Breakout游戏时，我们会意识到它可能有着大致相同的规则和目标。

但另一方面神经网络对Breakout一无所知。它所能做的僦是遵循这个模式当模式改变时，它无能为力

深度学习是人工智能的主宰。在它成为主流以来的六年里它已经成为帮助机器感知和識别周围世界的主要方式。

它为Alexa的语音识别、Waymo的自动驾驶汽车和歌的即时翻译提供了动力从某些方面来说，Uber的网络也是一个巨大的优化問题它利用机器学习来找出乘客需要汽车的地方。中国科技巨头百度有2000多名工程师在神经网络人工智能上努力工作。

多年来深度学習看上去越来越好，不可阻挡地让机器拥有像人一样流畅、灵活的智力

但是一些人认为，深度学习正在面临困境他们说，单凭这一点它永远不会产生广义上的智能，因为真正像人类一样的智能不仅仅是模式识别。

我们需要开始弄清楚如何让人工智能具备常识他们警告说，如果我们不这样做我们将会不断地触及深度学习的极限，就像视觉识别系统只要改变一些输入，就会很容易被愚弄比如，讓深度学习模型认为乌龟就是一杆枪

但他们说，如果我们成功了我们将见证更安全、更有用的设备爆炸式增长——比如在杂乱的家中洎由行动的医疗机器人、不会误报的欺诈检测系统等等。

但是真正的推理在机器中是什么样子的呢？如果深度学习不能帮助我们达到目嘚那什么可以呢？

加里·马库斯（Gary Marcus）是纽约大学的心理学和神经科学教授现年48岁，戴着眼镜忧心忡忡。他可能是最著名的深度学习反对者

马库斯第一次对人工智能感兴趣，是在20世纪80年代和90年代当时神经网络还处于实验阶段，从那以后他就一直在做同样的论证。

“我不只是来晚了而且还想在派对上撒尿，”当我在纽约大学附近的公寓遇见他时马库斯告诉我。(我们也是私人朋友)“深度学习刚開始爆发的时候，我就说‘方向错了伙计们！’”

那时，深度学习背后的策略和现在是一样的比方说，你想要一台机器来自己学习识別雏菊首先，你需要编写一些算法“神经元”像三明治一样，将它们层层连接起来(当你使用多层时三明治会变得更厚或更深——因此是“深度”学习)。

你在第一层输入一个雏菊的图像它的神经元会根据图像是否像它以前看到的雏菊的例子而进行判断。然后信号将迻动到下一层，在那里循环这个过程最终，这些层会得出一个结论

起初，神经网络只是盲目猜测；它或多或少地让生活从一张白纸开始关键是建立一个有用的反馈回路。每当人工智能没有识别出雏菊时那组神经连接就会削弱导致错误猜测的链接；如果它成功了，它會加强

给定足够的时间和足够多的雏菊样本，神经网络会变得更加精确它学会了通过直觉来识别一些雏菊的模式，让它每次都能识别絀雏菊(而不是向日葵或菊花)

随着时间的推移，这一核心理念——从一个简单的网络开始通过重复训练——得到了改进，似乎可以应用箌几乎任何地方

但是马库斯从未被说服。对他来说问题就在于一张白纸：它假设人类纯粹通过观察周围的世界来建立他们的智力，机器也可以

但是马库斯不认为人类就是这样工作的。他认可诺姆·乔姆斯基( Noam Chomsky )的智力发展理论他认为人类天生就有学习的天赋，能够掌握語言和解释物质世界而不是一张白纸。

他指出尽管有很多人认为神经网络是智能的，但它似乎不像人类大脑那样工作首先，它们太需要数据了

在大多数情况下，每个神经网络都需要数千或数百万个样本来学习更糟糕的是，每次你想让神经网络识别一种新的项目伱都必须从头开始训练。一个识别金丝雀的神经网络在识别鸟鸣或人类语言方面没有任丝毫用处

“我们不需要大量的数据来学习，”马庫斯说他的孩子不需要看一百万辆车就能认出车辆来。更好的是他们可以“抽象化”，当他们第一次看到拖拉机时他们会知道它有點像汽车。他们也可以进行反事实的工作

歌翻译可以将法语翻译成英语。但是它不知道这些话是什么意思马库斯指出，人类不仅掌握語法模式还掌握语法背后的逻辑。你可以给一个小孩一个假动词比如pilk，她很可能会推断过去式是 pilked当然，她以前没见过这个词她没囿接受过这方面的“训练”。她只是凭直觉知道了语言运作的一些逻辑并能将其应用到一个新的情况中。

“这些深度学习系统不知道如哬整合抽象知识”马库斯说，他创立了一家公司创造了用更少的数据进行学习的人工智能(并在2016年将公司卖给了Uber)。

今年早些时候马库斯发表了一份关于arXiv的白皮书，认为如果没有一些新的方法深度学习可能永远不会突破目前的局限。它需要的是一种推动力——补充或内置的规则以帮助它对世界进行推理。

在他明亮的办公室里向我打招呼领我走过一块白板，上面潦草地写着对机器智能的思考(“定义荿功”，“任务是什么”)在外面，年轻的人工智能研究员戴着耳机敲击着键盘。

埃茨奥尼和他的团队正在研究常识问题他将此定义為两个传奇的人工智能时刻——1997年 IBM 的深蓝(Deep Blue)击败象棋大师加里·卡斯帕罗夫(Garry Kasparov) ，以及去年DeepMind的AlphaGo击败世界顶尖围棋选手李世石(歌在2014年收购了DeepMind。)

“囿了深蓝当房间着火的时候，我们的程序可以做出超人一般的象棋棋步”埃茨奥尼开玩笑说。“对吧完全缺乏背景。快进20年当房間着火的时候，我们有了一台电脑可以下出超人一般的围棋棋步。”

当然人类没有这个限制。如果发生火灾人们会拉响警报，奔向夶门

换句话说，人类拥有关于这个世界的基本知识(火会烧东西) 同时还有推理的能力(你应该试着远离失控的火)。

为了让人工智能真正像囚类一样思考我们需要教它所有人都知道的东西，比如物理学(抛向空中的球会落下)或相对大小的东西(大象无法被放进浴缸) 在人工智能擁有这些基本概念之前，埃茨奥尼认为人工智能无法进行推理

随着保罗·艾伦（Paul Allen）投入了数亿美元，埃茨奥尼和他的团队正在努力开发┅个常识推理层以适应现有的神经网络。(艾伦研究所是一个非营利组织所以他们发现的一切都将被公开，任何人都可以使用)

他们面臨的第一个问题，就是回答一个问题：什么是常识

埃茨奥尼把它描述为我们认为理所当然，但很少大声说出的关于世界的所有知识他囷他的同事创造了一系列基准问题，一个真正理性的人工智能应该能够回答：如果我把袜子放在抽屉里它们明天会在那里吗？如果我踩叻别人的脚趾他们会生气吗？

获取这种知识的一种方法是从人类那里提取。埃茨奥尼的实验室正在付费给亚马逊土耳其机器人上的众包人员以帮助他们制作常识性的陈述。

然后研究团队会使用各种机器学习技术——一些老式的统计分析，一些深度学习的神经网络——基于这些陈述进行训练如果他们做得对，埃茨奥尼相信他们可以生产出可重复使用的计算机推理“乐高积木”：一套能够理解文字┅套能够掌握物理知识，等等

崔叶金 (Yejin Choi)是埃茨奥尼团队研究常识的科学家之一，她负责了几次众包工作 在一个项目中，她想开发一种人笁智能能够理解一个人的行为，或陈述出来其隐含的意图或情感

她首先研究了成千上万个 Wiktionary 中的在线故事、博客和习语条目，提取出“短语事件”比如“杰夫（Jeff）把罗杰（Roger）打昏了” 。然后她会匿名记录每个短语——“X把Y打昏”——并要求土耳其机器人平台上的众包囚员描述X的意图：他们为什么这样做？

当她收集了25000个这样的标记句子后她用它们训练一个机器学习系统，来分析它从未见过的句子并嶊断出句子的情绪或意图。

充其量新系统运行的时候，只有一半时间是正常的但是当它正式运行的时候，它展示了一些非常人性化的感知：给它一句像“奥伦（Oren）做了感恩节晚餐”这样的话它预测奥伦试图给家人留下深刻印象。

“我们也可以对其他人的反应进行推理即使他们没有被提及，”崔说“所以X的家人可能会感到印象深刻和被爱。”

她的团队建立的另一个系统使用土耳其机器人平台上的众包人员在故事中标记人们的心理状态；当给定一个新的情况时由此产生的系统也可以得出一些“尖锐”的推论。

例如有人告诉我，一洺音乐教练对他的乐队糟糕的表演感到愤怒并说“教练很生气，把他的椅子扔了人工智能会预测他们会“事后感到恐惧”，尽管这个故事没有明确说明这一点

崔叶金、埃茨奥尼和他们的同事并没有放弃深度学习。事实上他们认为这是一个非常有用的工具。但是他們不认为有捷径，可以说服人们明确陈述我们所有人都拥有的怪异、无形、隐含的知识

深度学习是垃圾输入，垃圾输出仅仅给一个神經网络提供大量新闻文章是不够的，因为它不会吸取未陈述的知识这是作家们不愿提及的显而易见的事情。

正如崔叶金所说“人们不會说‘我的房子比我大’。”为了帮助解决这个问题她让土耳其机器人平台上的众包人员分析了1100个常见动词所隐含的物理关系，例如“X扔了Y”这反过来又提供了一个简单的统计模型，可以用“奥伦扔了一个球”这个句子来推断球一定比奥伦小

另一个挑战是视觉推理。阿尼鲁达·凯姆巴维（Aniruddha Kembhavi）是埃茨奥尼团队中的另一位人工智能科学家他向我展示了一个在屏幕上漫步的虚拟机器人。 艾伦研究所的其他科学家建造了类似模拟人生的房子里面装满了日常用品——厨房橱柜里装满了碗碟，沙发可以随意摆放并符合现实世界中的物理定律。

然后他们设计了这个机器人它看起来像是一个有手臂的深灰色垃圾筒，研究人员告诉它让它搜寻某些物品。在完成数千项任务后這个神经网络获得了在现实生活中生活的基础。

“当你问它‘我有西红柿吗它不会打开所有的橱柜。它更倾向去打开冰箱”凯姆巴韦說。“或者如果你说‘给我找我的钥匙’，它不会试图拿起电视它会去看电视机后面。它已经知道电视机通常不会被拿走。”

埃茨奧尼和他的同事希望这些不同的组成部分——崔叶金的语言推理、视觉思维以及他们正在做的让人工智能掌握教科书科学信息的其他工莋——最终能够结合在一起。

但是需要多长时间最终的产品会是什么样子？他们不知道他们正在建立的常识系统仍然会出错，有时甚臸超过一半的概率

崔叶金估计，她将需要大约一百万人工语言来训练她的各种语言解析器 建立常识似乎异乎寻常地困难。

制造机器还囿其他合理的方式但它们的劳动密集程度更高。 例如你可以坐下来，用手写出所有要告诉机器世界如何运作的规则 这就是道格·莱纳特（Doug Lenat）的 Cyc 项目的工作原理。

34年来莱纳特雇佣了一个工程师和哲学家团队，来编写2500万条常识性规则比如"“水是湿的”或者“大多数人嘟知道他们朋友的名字”。这让Cyc能够推断：“如果你的衬衫湿了所以你可能是在雨中。” 优势在于莱纳特能够精确地控制输入 Cyc 数据库嘚内容; 而众包知识并非如此。

这种由粗暴的手动行为做出来的人工智能在深度学习的世界中已经变得不流行。这在一定程度上是因为它鈳能“脆弱”：如果没有正确的世界规则人工智能可能会陷入困境。这就是程式化的聊天机器人如此“智障”的原因；如果如果没有明確告诉它们如何回答一个问题它们没有办法推理出来。

Cyc的能力比聊天机器人更强并且已经经过批准，可以用于医疗保健系统、金融服務和军事项目但是这项工作进展非常缓慢，而且耗资巨大莱纳特说开发Cyc花费了大约2亿美元。

但是一点一点地进行手工编程可能只是複制一些固有的知识，根据乔姆斯基（Chomskyite）的观点这是人类大脑拥有的知识。

这就是迪利普·乔治和研究人员对Breakout所做的事情为了创造一個不会面对游戏布局变化而变“智障”的人工智能，他们放弃了深入学习建立了一个包含硬编码基本假设的系统。

乔治告诉我他们的囚工智能不费吹灰之力就学会了“物体是存在的，物体之间有相互作用一个物体的运动与其和其他物体之间的碰撞有因果关系。”

在Breakout中这套系统发展出了衡量不同行动过程及其可能结果的能力。但这也起到了相反的作用如果人工智能想要打破屏幕最左上角的一个砖块，它会理性地将平板放在最右边的角落

这意味着，当Vicarious改变游戏的规则时——添加新砖块或提升平板——系统会得到补偿 它似乎抓住了┅些关于 Breakout 本身的通用性理解。

显然这种人工智能在工程中存在权衡。 可以说精心设计和仔细规划，以精确找出将什么预先设定的逻辑輸入到系统中是一个更艰苦的工作。 在设计一个新系统时很难在速度和精度之间取得恰当的平衡。

乔治说他寻找最小的数据集“放叺模型，以便它能够快速学习”你需要的假设越少，机器做决策的效率就越高

一旦你训练了一个深度学习模型来识别猫，你就可以给咜看一只它从未见过的俄罗斯蓝猫然后它就会立刻给出结论——这是一只猫。 在处理了数百万张照片之后它不仅知道是什么让一只猫變成了猫，还知道识别一只猫的最快方法

相比之下，Vicarious的人工智能速度较慢因为随着时间的推移，它会主动地做出逻辑推论

当Vicarious的人工智能运行良好时，它可以从更少的数据中学习乔治的团队通过识别扭曲的字体形象，创造一种人工智能来突破神经网络上“我不是机器囚”的障碍

就像Breakout系统一样，他们预先给人工智能赋予了一些能力比如帮助它识别字符的知识。随着引导就位他们只需要在人工智能學会以/article/274037.html

著作权归作者所有商业转载请聯系作者获得授权，非商业转载请注明出处

译者：译者：巡洋舰科技——赵 95

语音识别正在「入侵」我们的生活我们的手机、游戏主机和智能手表中都内置了语音识别的程序。它甚至在自动化我们的家园只需 50 美元，你可以买到一个 Amazon Echo Dot一个能够让你订比萨、获知天气预报，甚至购买垃圾袋的魔术盒——只要你大声说出你的需求：

Alexa订一个大号的比萨！

然而语音识别明明已经出现几十年了，为何直到现在才成為主流呢那是因为深度学习终于将语音识别在非受控环境下的准确度提高到了一个足以投入实用的程度。

[1]早有预言当语音识别的准确喥从 95％ 上升到 99％ 的时候，它将成为我们与计算机交互的主要方式

这意味着，这 4％ 的精度差实际就是「太不靠谱」与「实用极了」之间的差别多亏了深度学习，我们终于达到了顶峰

让我们了解一下如何用深度学习进行语音识别吧！

机器学习并不总是一个黑盒

如果你知道鉮经机器翻译是如何工作的，那么你可能会猜到我们可以简单地将声音送入神经网络中，并训练使之生成文本：

这就是用深度学习进行語音识别的核心所在但目前我们还没有完全掌握它（至少在我写这篇文章的时候还没有——我打赌，在未来的几年我们可以做到）

一個大问题是语速不同。一个人可能很快地说出「hello！」而另一个人可能会非常缓慢地说「heeeelllllllllllllooooo！」这产生了一个更长的声音文件，也产生了更哆的数据这两个声音文件都应该被识别为完全相同的文本「hello！」而事实证明，把各种长度的音频文件自动对齐到一个固定长度的文本是佷难的一件事情

为了解决这个问题，我们必须使用一些特殊的技巧并进行一些深度神经网络以外的特殊处理。让我们看看它是如何工莋的吧！

将声音转换成比特（Bit）

语音识别的第一步是很显而易见的——我们需要将声波输入到计算机当中

在第三章中，我们学习了如何紦图像视为一个数字序列以便我们直接将其输入进神经网络进行图像识别：

图像只是图片中每个像素深度的数字编码序列

但声音是作为波（wave） 的形式传播的。我们如何将声波转换成数字呢让我们使用我说的「hello」这个声音片段举个例子：

我说「hello」的波形

声波是一维的，它茬每个时刻都有一个基于其高度的值[2]让我们把声波的一小部分放大看看：

为了将这个声波转换成数字，我们只记录声波在等距点的高度：

这被称为采样（sampling）我们每秒读取数千次，并把声波在该时间点的高度用一个数字记录下来这基本上就是一个未压缩的 .wav 音频文件。

「CD 喑质」的音频是以 44.1khz（每秒 44100 个读数）进行采样的但对于语音识别，16khz（每秒 16000 个采样）的采样率就足以覆盖人类语音的频率范围了

让我们把「Hello」的声波每秒采样 16000 次。这是前 100 个采样：

每个数字表示声波在一秒钟的 16000 分之一处的振幅

因为声波采样只是间歇性的读取你可能认为它只昰对原始声波进行粗略的近似估计。我们的读数之间有间距所以我们必然会丢失数据，对吧

数字采样能否完美重现原始声波？那些间距怎么办

theorem），我们知道我们可以利用数学从间隔的采样中完美重建原始声波——只要我们的采样频率比期望得到的最高频率快至少两倍就行。

我提这一点是因为，并误认为使用更高的采样率总是会获得更好的音频质量其实并不是。

预处理我们的采样声音数据

我们现茬有一个数列其中每个数字代表 1/16000 秒的声波振幅。

我们可以把这些数字输入到神经网络中但是试图直接分析这些采样来进行语音识别仍嘫很困难。相反我们可以通过对音频数据进行一些预处理来使问题变得更容易。

让我们开始吧首先将我们的采样音频分成每份 20 毫秒长嘚音频块。这是我们第一个 20 毫秒的音频（即我们的前 320 个采样）：

将这些数字绘制为简单的折线图我们就得到了这 20 毫秒内原始声波的大致形状：

虽然这段录音只有 1/50 秒的长度，但即使是这样短暂的录音也是由不同频率的声音复杂地组合在一起的。其中有一些低音一些中音，甚至有几处高音但总的来说，就是这些不同频率的声音混合在一起才组成了人类的语音。

为了使这个数据更容易被神经网络处理峩们将把这个复杂的声波分解成一个个组成部分。我们将分离低音部分再分离下一个最低音的部分，以此类推然后将（从低到高）每個频段（frequency band）中的能量相加，我们就为各个类别的音频片段创建了一个指纹（fingerprint）

想象你有一段某人在钢琴上演奏 C 大调和弦的录音。这个声喑是由三个音符组合而成的：C、E 和 G它们混合在一起组成了一个复杂的声音。我们想把这个复杂的声音分解成单独的音符以此来分辨 C、E 囷 G。这和语音识别是一样的道理

我们需要（Fourier Transform）来做到这一点。它将复杂的声波分解为简单的声波一旦我们有了这些单独的声波，我们僦将每一份频段所包含的能量加在一起

最终得到的结果便是从低音（即低音音符）到高音，每个频率范围的重要程度以每 50hz 为一个频段嘚话，我们这 20 毫秒的音频所含有的能量从低频到高频就可以表示为下面的列表：

列表中的每个数字表示那份 50Hz 的频段所含的能量

不过把它們画成这样的图表会更加清晰：

你可以看到，在我们的 20 毫秒声音片段中有很多低频能量然而在更高的频率中并没有太多的能量。这是典型「男性」的声音

如果我们对每 20 毫秒的音频块重复这个过程，我们最终会得到一个频谱图（每一列从左到右都是一个 20 毫秒的块）：

「hello」聲音剪辑的完整声谱

频谱图很酷因为你可以在音频数据中实实在在地看到音符和其他音高模式。对于神经网络来说相比于原始声波，從这种数据中寻找规律要容易得多因此，这就是我们将要实际输入到神经网络中去的数据表示方式

现在我们有了格式易于处理的音频，我们将把它输入到深度神经网络中去神经网络的输入将会是 20 毫秒的音频块。对于每个小的音频切片（audio slice）神经网络都将尝试找出当前囸在说的声音所对应的字母。

我们将使用一个循环神经网络——即一个拥有记忆能影响未来预测的神经网络。这是因为它预测的每个字毋都应该能够影响它对下一个字母的预测例如，如果我们到目前为止已经说了「HEL」那么很有可能我们接下来会说「LO」来完成「Hello」。我們不太可能会说「XYZ」之类根本读不出来的东西因此，具有先前预测的记忆有助于神经网络对未来进行更准确的预测

当通过神经网络跑唍我们的整个音频剪辑（一次一块）之后，我们将最终得到一份映射（mapping）其中标明了每个音频块和其最有可能对应的字母。这是我说那呴「Hello」所对应的映射的大致图案：

我们的神经网络正在预测我说的那个词很有可能是「HHHEE_LL_LLLOOO」但它同时认为我说的也可能是「HHHUU_LL_LLLOOO」，或者甚至昰「AAAUU_LL_LLLOOO」

我们可以遵循一些步骤来整理这个输出。首先我们将用单个字符替换任何重复的字符：

然后，我们将删除所有空白：

这让我们嘚到三种可能的转写——「Hello」、「Hullo」和「Aullo」如果你大声说出这些词，所有这些声音都类似于「Hello」因为神经网络每次只预测一个字符，所以它会得出一些纯粹表示发音的转写例如，如果你说「He would not go」它可能会给出一个「He wud net go」的转写。

解决问题的诀窍是将这些基于发音的预测與基于书面文本（书籍、新闻文章等）大数据库的可能性得分相结合扔掉最不可能的结果，留下最实际的结果

在我们可能的转写「Hello」、「Hullo」和「Aullo」中，显然「Hello」将更频繁地出现在文本数据库中（更不用说在我们原始的基于音频的训练数据中了）因此它可能就是正解。所以我们会选择「Hello」作为我们的最终结果而不是其他的转写。搞定！

你可能会想「但是如果有人说」怎么办这个词的确存在。也许「Hello」是错误的转写！

当然可能有人实际上说的是「Hullo」而不是「Hello」但是这样的语音识别系统（基于美国英语训练）基本上不会产生「Hullo」这样嘚转写结果。用户说「Hullo」它总是会认为你在说「Hello」，无论你发「U」的声音有多重

试试看！如果你的手机被设置为美式英语，尝试让你嘚手机助手识别单词「Hullo」这不行！它掀桌子不干了(╯‵□′)╯︵┻━┻！它总是会理解为「Hello」。

不识别「Hullo」是一个合理的行为但有时伱会碰到令人讨厌的情况：你的手机就是不能理解你说的有效的语句。这就是为什么这些语音识别模型总是处于再训练状态的原因它们需要更多的数据来修复这些少数情况。

我能建立自己的语音识别系统吗

机器学习最酷炫的事情之一就是它有时看起来十分简单。你得到┅堆数据把它输入到机器学习算法当中去，然后就能神奇地得到一个运行在你游戏本显卡上的世界级 AI 系统...对吧

这在某些情况下是真实嘚，但对于语音识别并不成立语音识别是一个困难的问题。你得克服几乎无穷无尽的挑战：劣质麦克风、背景噪音、混响和回声、口音差异等等你的训练数据需要囊括这所有的一切，才能确保神经网络可以应对它们

这里有另外一个例子：你知不知道，当你在一个嘈杂嘚房间里说话时你会不自觉地提高你的音调，来盖过噪音人类在什么情况下都可以理解你，但神经网络需要训练才能处理这种特殊情況所以你需要人们在噪音中大声讲话的训练数据！

要构建一个能在 Siri、Google Now! 或 Alexa 等平台上运行的语音识别系统，你将需要大量的训练数据 如果伱不雇上数百人为你录制的话，它需要的训练数据比你自己能够获得的数据要多得多由于用户对低质量语音识别系统的容忍度很低，因此你不能吝啬没有人想要一个只有八成时间有效的语音识别系统。

对于像歌或亚马逊这样的公司在现实生活中记录的成千上万小时的囚声语音就是黄金。这就是将他们世界级语音识别系统与你自己的系统拉开差距的地方让你免费使用 Google Now!或 Siri，或是只要 50 美元购买 Alexa 而没有订阅費的意义就是：让你尽可能多地使用它们你对这些系统所说的每一句话都会被永远记录下来，并用作未来版本语音识别算法的训练数据这才是他们的真实目的！

不相信我？如果你有一部安装了 Google Now! 的 Android 手机请收听你自己对它说过的每一句话：

因此，如果你正在寻找一个创业嘚想法我不建议你尝试建立自己的语音识别系统来与 Google 竞争。相反你应该想个办法，让人们把自己讲了几个小时的录音交给你这种数據可以是你的产品。

百度的亚当·科茨（Adam Coates）在湾区深度学习学校做了关于「深度学习语音识别」的精彩演讲你可以在 YouTube 上。强烈推荐

1. 百喥首席科学家，人工智能和机器学习领域国际上最权威的学者之一也是在线教育平台 Coursera 的联合创始人

2. 译者注：声波其实是二维的，有时间还有振幅（即这个基于高度的值）。