人工智能伴侶虛擬機器人小冰的技術(shù)解讀

三百六十行，行行出狀元。在眾多行業(yè)中有這么一個行業(yè)迎來了一位“新人”——微軟小冰。

作為一款人工智能伴侶虛擬機器人的小冰，去了歌唱界。不僅發(fā)表個人單曲，還參與作詞作曲，經(jīng)歷了五次迭代的微軟小冰，現(xiàn)在已經(jīng)成為一個會作曲會唱歌的全能型藝人。

▌作曲寫詩寫詞樣樣精通

2017 年，微軟出版了一本由小冰原創(chuàng)的詩集《陽光失了玻璃窗》，這是第一部 100% 由人工智能創(chuàng)造的詩集。在寫詩之后，小冰還創(chuàng)作不同類型的文體，填詞，唱歌，發(fā)表個人單曲等。

據(jù)介紹，小冰創(chuàng)作的基本原理有兩大塊，一塊是他需要學(xué)習(xí)前人的作品，包括上千位詩人的詩集、上千萬行歌詞等等。第一步，訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的模型；第二步，有了一定的模型之后，需要給她一個觸發(fā)源，工程師們稱為創(chuàng)作沖動。

創(chuàng)作沖動有不同的方式，給出一張圖片或文字，基于圖片里的元素或文字內(nèi)容的理解去創(chuàng)作，例如知乎上的海量回答，學(xué)習(xí)知乎預(yù)料大數(shù)據(jù)作為觸發(fā)源，基于一個訓(xùn)練好的模型，生成對應(yīng)的歌詞。

值得注意的是，在小冰發(fā)布的單曲中，還聽到有模擬真人呼吸的聲音，據(jù)微軟（亞洲）互聯(lián)網(wǎng)工程院微軟小冰首席語音科學(xué)家欒劍表示，主要是因為考慮到大眾的習(xí)慣，沒有換氣可能會讓人聽著感覺很累，因為有些時候發(fā)燒友會跟著哼唱，沒有呼吸換氣的地方，會覺得不太舒服。

在技術(shù)上實現(xiàn)呼吸換氣主要分為兩個模塊，第一個模塊，首先要預(yù)測什么地方會有呼吸的聲音，第二個模塊，怎么樣把呼吸的聲音生成出來。

關(guān)于第一個，人類有兩種呼吸，一個是這個歌到了一個休止符，在語意的地方需要一個停頓；還有一種，這首歌可能節(jié)奏很快，中間沒有任何的停頓，這時候人類的歌手必須要在某個地方換一下氣，不然的話，人類的肺活量支撐不了。

關(guān)于換氣的聲音，其實換氣的聲音有點類似于人類的聲音，它就是一種沒有聲帶振蕩的聲音，我們可以把他作一種中文語言系統(tǒng)以外的一種新的發(fā)言的因素去建模。

▌最早實現(xiàn)全雙工對話

在 2016 年的 9 月份，微軟小冰就開始真正的給人類打電話，到目前為止，打了超過 60 萬通電話。在通話過程中會增加“嗯”、“啊”這樣的語氣詞，給人的感覺更像真人，并且做到了全雙工對話，可以互相打斷，真正做到雙方互動的聊天。

另外，小冰運用的領(lǐng)域是一個很開放的領(lǐng)域。她實際上跟用戶在溝通的過程中話題，內(nèi)容，都是可以雙方提出來的。不僅是小冰拋出一個話題，就限定在這個話題里聊，而是隨時可以根據(jù)對方拋出的新話題去聊。

據(jù)欒劍介紹，小冰這種開放領(lǐng)域的聊天難度上會更大一些。首先上下文大篇幅的語義理解在業(yè)界和學(xué)術(shù)界都是一個很難的課題，比如在寫詩的時候，有時候的用詞比較古怪，或者語句之間不太通順，但實際上可能存在有一種潛在的邏輯。

也遇到了一個技術(shù)的瓶頸，語意理解像是一個黑盒子，這個黑盒子，會收入一些內(nèi)容也會反饋一些內(nèi)容，反饋的內(nèi)容給人的感覺好像是理解了，但實際上他是不是真正理解了，是沒有辦法判斷的。

人也是這樣，在實際對話過程中，更多的是先給個輸入，然后給個輸出，再根據(jù)這個輸出來判斷他是不是真正理解了，但實際上這里面是有一定的套路存在的，你去判斷他是不是理解，可能是很困難的，因為里面并沒有一個那么直觀的東西存在。

▌AI 的三個層次：運算智能、感知智能、認(rèn)知智能

第一層，運算智能，像算盤一樣；

第二層，感知智能，能夠感知到一個物品是什么；現(xiàn)在大多數(shù)的 AI，包括語音、圖象等還是停留感知智能層次上；

第三層，認(rèn)知智能；像人一樣，知道是什么，還知道為什么這樣，還可以推理，這個層次較難。

說到底，AI 的創(chuàng)造力和人類的創(chuàng)造力之間有什么差別呢？

微軟（亞洲）互聯(lián)網(wǎng)工程院人工智能創(chuàng)造事業(yè)部副總經(jīng)理袁晶表示，人的左腦更加偏向于計算；人的右腦是偏向創(chuàng)造力，發(fā)散思維，現(xiàn)在希望用計算的方式，讓 AI 用左腦的方式去模擬右腦的行為。

換句話講，這種創(chuàng)造在人里面只有頂尖的藝術(shù)家才能干，但是放到 AI 上，就相當(dāng)于可以簡化這個學(xué)習(xí)和訓(xùn)練的過程了。

相當(dāng)于說，讓她去擬合人類創(chuàng)作者的創(chuàng)作過程，并且能以這樣的能力去幫助普通人去做一些創(chuàng)造，因為每個人都想去做一些創(chuàng)作的行為，只不過說限于自己的能力，AI 能夠做到相當(dāng)于他的助手，幫助普通人，享受創(chuàng)作的樂趣。比如她可以和你一起為你新出生的孩子、或你的戀人寫首情詩，也可能為你爸爸的生日創(chuàng)作一首歌曲等。

▌未來小冰將嘗試更多內(nèi)容領(lǐng)域的創(chuàng)作

袁晶表示，未來會漸漸讓小冰去嘗試往內(nèi)容生成的領(lǐng)域做一些探索，可能半年一年，很多別的公司或者機構(gòu)，也會跟隨這個趨勢去做類似這樣的事情。

在袁晶看來，人工智能在內(nèi)容領(lǐng)域有一些新的能力或者突破可能將會是未來的一個方向，所以也會往這個方向不斷的去做一些嘗試，包括聲音、文字、圖像等三個方面，AI 未來會充當(dāng)協(xié)助角色，幫助人類的創(chuàng)作者，去更好更快更高效的創(chuàng)作內(nèi)容。

首先 AI 創(chuàng)造的成本是很低的，要比人類的創(chuàng)造成本低很多。比如讀故事，當(dāng)我們找配音員去讀這個故事，他可能要付出一定的成本，但是如果聲音的模型訓(xùn)練好了之后可以大批量的生成，成百上千個小時的大量的用戶，所以他的成本會攤薄到很低。

小冰的聲音技術(shù)里面增加了一些韻律和風(fēng)格的變換，使得她可以去模仿人類創(chuàng)作者，在各種場景下面做各種不同的演藝。而機器人可以非常真實的模擬人聲，讓很多人有各種各樣的顧慮。

欒劍表示，小冰聲音的生成和使用的過程都是嚴(yán)格受控的，將來提供服務(wù)的時候，模型本身，以及合成的引擎本身，另外，小冰之前給人類打電話已經(jīng)打了60萬個，小冰都會先申明身份，明確告訴用戶我們是微軟小冰。微軟設(shè)有專門的人工智能的委員會，防止人類利用人工智能技術(shù)去做傷害他人和社會的事情。