日前，美國一家公司宣稱專業(yè)速記員在記錄對話時，轉錄詞錯率為5.1%，而該公司最新研發(fā)的語音識別系統(tǒng)詞錯率已達到5.5%，超越之前的歷史最佳水平，樹立了新的里程碑。語音識別，是人工智能領域的核心問題之一，0.4%的差距似乎意味著機器即將比肩人類。

已過“甲子”之年

斯坦福大學的相關研究者在2016年9月發(fā)布了一篇名為《2030年的人工智能與生活》的文章，提到：人工智能領域正式誕生于1956年夏天，一場由約翰·麥卡錫組織的在美國達特茅斯暑期研究項目的研討會，在多年以后被認定為全球人工智能研究的起點。

其實，對于人工智能子項目之一的語音識別來說，它的歷史甚至比60年還要久。

語音識別的研究源頭可追溯至1950年，計算機科學之父阿蘭·圖靈在《思想》(Mind)雜志上發(fā)表了題為“計算的機器和智能”的論文，首次提出了機器智能的概念，論文還提出了一種驗證機器是否有智能的方法：讓人和機器進行交流，如果人無法判斷自己交流的對象是人還是機器，就說明這個機器有智能了，這就是后來鼎鼎有名的人工智能圖靈測試。

圖靈測試的概念極大影響了人工智能對于功能的定義，以此為途徑，卡內基梅隆大學的兩位科學家希爾伯特·西蒙和曼紐爾·布盧姆做了大量的前期工作，非常精妙地證明了羅素《數(shù)學原理》52道中的38道。西蒙甚至宣稱在10年之內，機器就可以達到和人類智能一樣的高度。

在這一時期，科學家們也將語音識別比作“機器的聽覺系統(tǒng)”，該技術可以讓機器通過識別和理解，把語音信號轉變?yōu)橄鄳奈谋净蛎睢?952年，貝爾研究所、Davis等人研制了世界上第一個能識別10個英文數(shù)字發(fā)音的實驗系統(tǒng)。1960年，英國的Denes等人研制了第一個計算機語音識別系統(tǒng)。

從“模擬”人腦到開創(chuàng)統(tǒng)計方法

當20世紀50年代明確了人工智能要模擬人類智慧這一大膽目標后，這一領域經歷了近20年的輝煌。研究人員開展了一系列項目，表明計算機能夠完成一系列原本只屬于人類能力范疇之內的任務，例如證明定理、求解微積分、通過規(guī)劃來響應命令、履行物理動作，甚至是模擬心理學家心理實驗、作曲家譜曲這樣的活動。

但是，過分簡單的算法以及計算能力的限制，嚴重阻礙了人們使用人工智能來解決更加困難和多樣化的問題。

這一階段在人工智能的細分領域語音識別上，科學家們也走上了同樣的彎路。他們認為，計算機要完成語音識別這類只有人才能做的事情，必須先讓計算機理解自然語言，導致研究局限在人類學習語言的方式上了，即電腦模擬人腦，語言學者參與了大量的研究工作，但最后的成果卻近乎為零。伴隨著對未來繼續(xù)努力的失望，人工智能包括語音識別都于20世紀70年代中期逐漸淡出公眾視野。

轉機出現(xiàn)在統(tǒng)計語言學的創(chuàng)立上。這不得不提一個關鍵性人物——德里克·賈里尼克和他領導的IBM華生實驗室，他們創(chuàng)新的使用統(tǒng)計方法，將當時的語音識別率從70%迅速提升到90%，同時語音識別的規(guī)模從幾百個單詞上升到幾萬個單詞，使得語音識別就有了從實驗室走向實際應用的可能。

在賈里尼克之前，科學家們都把語音識別問題的核心歸結為語言學中的規(guī)則問題，而賈里尼克將它當作通信問題后，用兩個隱含馬爾可夫模型(聲學模型和語言模型)把語音識別重新概括清楚了。

這個框架結構至今仍對語音識別影響深遠，它不僅從根本上使得語音識別有使用的可能，而且奠定了今天自然語言處理的基礎。賈里尼克后來也因此當選美國工程院院士，并被某雜志評為20世紀100名發(fā)明家之一。

盡管賈里尼克在1972年就提出了新的研究范式，但模擬人腦與統(tǒng)計學的方法之爭，卻持續(xù)了近十五年時間，語音識別領域歷經了十五年的新舊交替后，最大的成果其實是在技術的應用及產品化方面出現(xiàn)了進展。

大進步的催化劑

在互聯(lián)網大爆發(fā)的20世紀90年代，人工智能的相關研究又一次停滯了。直到21世紀前10年，出現(xiàn)了一系列復興人工智能研究進程的要素，尤其是下面這些重要的因素和核心技術：

大數(shù)據(jù)。得益于互聯(lián)網、社交媒體、移動設備和廉價的傳感器，這個世界產生的數(shù)據(jù)量急劇增加。大數(shù)據(jù)是人工智能發(fā)展的助推劑，這是因為有些人工智能技術使用統(tǒng)計模型來進行數(shù)據(jù)的概率推算，如語音識別，通過數(shù)據(jù)的海洋中豐富的語料，使得技術不斷優(yōu)化。

新算法。算法是解決一個設計程序或完成任務的路徑方法。在一個完整的工業(yè)界語音識別系統(tǒng)里，最關鍵的是深度學習算法，還有很多工作是專業(yè)領域相關的算法，以及海量數(shù)據(jù)收集和工程系統(tǒng)架構的搭建。這些算法本身很重要，同時也是其他技術的推動者，比如機器學習算法Google的TensorFlow目前就被開源使用。

可以說，任何技術都有蓄能階段和爆發(fā)階段，人工智能包括語音識別技術的爆發(fā)都得益于以上條件。這也不難理解，從語音識別來看，它是需要經驗、數(shù)據(jù)和用戶反饋共同作用來提升表現(xiàn)的。需要利用用戶的反饋總結出一些特點。

谷歌是最早在全球范圍內大規(guī)模使用深度學習算法的公司，也最早開創(chuàng)了用互聯(lián)網思維做語音識別。在這方面，科大訊飛受到谷歌的啟發(fā)，迅速跟進成為國內第一個在商用系統(tǒng)里使用深度學習的公司。

現(xiàn)有成績和待解難題一樣多

語音識別技術已經發(fā)展了幾十年，因為大數(shù)據(jù)和深度學習的應用，這一領域的傳統(tǒng)強者成了谷歌、亞馬遜、蘋果和微軟這些美國科技巨頭，據(jù)統(tǒng)計，美國至少有26家公司在開發(fā)語音識別技術，而中國則有近50家公司研究這一領域。

盡管谷歌這些巨頭在語音識別技術上的技術積累和先發(fā)優(yōu)勢讓后來者似乎難以望其項背，但因為一些政策和市場方面的原因，當然也有部分原因是中文的復雜程度高于英語，所以國際巨頭的語音識別主要偏向于英語，中文領域的語音智能機會則留給了科大訊飛、百度、搜狗等中國公司。在國內，這些本土化產品更為用戶所熟知。

中文領域的識別難度在哪里?舉個簡單的例子，魯迅《孔乙己》中的孔乙己之問：茴香豆的“茴”有幾種寫法?或者一個更有時代感的案例，如何形容物流很快?據(jù)說，在漢語里回答這個問題竟然至少有3600種說法，比如第二天就到了、物流很給力、給快遞點贊等不盡其詳。盡管語音識別在近些年來取得了巨大的進步，但其實仍然還有很多的工作要做。

此外，還有確保語音識別能在更為真實生活的環(huán)境中良好地工作。這些環(huán)境包括具有很多背景噪聲的地方，比如聚會場所或在高速路上駕駛的時候;還有在多人交談環(huán)境中將不同的說話人區(qū)分開。

還有一個更深層次的難題是，如果需要實現(xiàn)人機對話、人機寫作，不只是需要用機器轉錄來自人類嘴巴的聲音信號，更要理解人們所說的話。

從語音識別來看，下一個前沿是從識別走向理解，真正的人工智能仍然還在遙遠的地平線上，在機器能理解其所聽到或看到的事物的真正含義之前，還需要很長時間的工作，有很長的路要走。

或許也可以說，我們正在從一個人類必須理解計算機的世界，邁向一個計算機必須理解我們的世界。亞里士多德曾說過，如果機器能干很多活，豈不能讓人類解放出來，或許這一解放的起點就是“理解”。