微軟 | 對(duì)話黃學(xué)東:語(yǔ)音和語(yǔ)言技術(shù)是真正鑲在人工智能皇冠上的明珠

微軟全球技術(shù)院士、首席語(yǔ)音科學(xué)家黃學(xué)東近日做客微軟播客節(jié)目，聊了聊在語(yǔ)音和語(yǔ)言技術(shù)取得的幾個(gè)里程碑式的突破，解釋了掌握語(yǔ)音識(shí)別、翻譯和對(duì)話將如何讓機(jī)器從 “感知 AI” 進(jìn)化到 “認(rèn)知 AI”，更接近真正的人類智能。

“語(yǔ)音和語(yǔ)言技術(shù)是真正鑲在人工智能皇冠上的明珠?！?/span>

已經(jīng)在語(yǔ)音和語(yǔ)言技術(shù)領(lǐng)域耕耘了30年，取得多個(gè)突破性進(jìn)展的微軟全球技術(shù)院士 (Technical Fellow)、首席語(yǔ)音科學(xué)家黃學(xué)東先生如此說道。

近日，黃學(xué)東做客微軟播客節(jié)目，聊了聊他和團(tuán)隊(duì)在語(yǔ)音和語(yǔ)言技術(shù)取得的幾個(gè)里程碑式的突破。

黃學(xué)東解釋了掌握語(yǔ)音識(shí)別、翻譯和對(duì)話將如何讓機(jī)器從 “感知 AI” 進(jìn)化到 “認(rèn)知 AI”，更接近真正的人類智能。

此外，黃學(xué)東也談到他如何走上語(yǔ)音研究之路，以及他在清華大學(xué)和在微軟的人生歷程。

采訪音頻：語(yǔ)音和語(yǔ)言將推動(dòng)人工智能的進(jìn)化

主持人：黃學(xué)東先生，歡迎來到微軟播客。

黃學(xué)東：謝謝。

主持人：您是微軟語(yǔ)音和語(yǔ)言組的 Technical Fellow，負(fù)責(zé)領(lǐng)導(dǎo)微軟的語(yǔ)音工作。我們將在稍后深入討論這些，但首先，作為公司的首席語(yǔ)音科學(xué)家，請(qǐng)概括地告訴我們你的工作內(nèi)容是什么，以及為什么要做這些。你早上起來的動(dòng)力是什么？

黃學(xué)東：我們所做的就是確保我們擁有最好的語(yǔ)音和語(yǔ)言技術(shù)，可以用于各種各樣的場(chǎng)景。我們有一整個(gè)團(tuán)隊(duì)在做這件事情，因?yàn)閷?duì)話不僅是人們最自然的交流方式，而且這是 AI 最大的挑戰(zhàn)。我們嘗試真正地推動(dòng)這個(gè)領(lǐng)域的突破，在我們的云服務(wù) Azure Services 上提供出色的服務(wù)，并確保我們能夠讓微軟內(nèi)部和微軟之外的客戶滿意。如果你想厘清整個(gè)事情，主要有三個(gè)方面。

首先，我們有能力去真正提高語(yǔ)音識(shí)別的準(zhǔn)確性，去驅(qū)動(dòng)語(yǔ)音合成的自然性，以及確保機(jī)器翻譯的準(zhǔn)確性，例如從英語(yǔ)翻譯成漢語(yǔ)或法語(yǔ)或德語(yǔ)。因此，這背后有很多科學(xué)，要確保準(zhǔn)確性，自然度，延遲時(shí)間，這些技術(shù)都是世界級(jí)的。這是一方面。

第二方面是，我們不僅提供技術(shù)，我們還通過 Azure 提供服務(wù)。從 Office 到 Windows, Cortana，它們都依賴于相同的云服務(wù)。我們也有邊緣設(shè)備，比如我們的語(yǔ)音設(shè)備 SDK。我們想要確保在邊緣和云端的語(yǔ)音技術(shù)都是以現(xiàn)代的方式提供的，即云平臺(tái)和嵌入式平臺(tái)。這是第二方面：平臺(tái)是現(xiàn)代化的。

第三個(gè)方面，是向客戶表達(dá)我們的愛。因?yàn)槲覀冊(cè)谑澜绺鞯囟加袕V泛的客戶，我們想讓消費(fèi)者滿意，并確保使用我們的語(yǔ)音翻譯的客戶體驗(yàn)是一流的。

主持人：是的。

黃學(xué)東：這就是我實(shí)際上在做的三件關(guān)鍵事情：提升 AI 能力，使我們?cè)谠贫撕瓦吘壴O(shè)備的平臺(tái)實(shí)現(xiàn)現(xiàn)代化，以及愛我們的客戶。

主持人：嗯，所以你們有很多團(tuán)隊(duì)在這些小組中工作，來解決這些核心問題。

黃學(xué)東：是的。我們?cè)谑澜绺鞯囟加袌F(tuán)隊(duì)。并且，這些團(tuán)隊(duì)的多樣性是很驚人的，因?yàn)槲覀冋谂鉀Q的是語(yǔ)言障礙。因此，我們?cè)谥袊?guó)有團(tuán)隊(duì)，在德國(guó)、以色列、印度和美國(guó)都有團(tuán)隊(duì)。我們的工作是全球范圍的，嘗試努力去解決這些語(yǔ)言挑戰(zhàn)。

主持人：首先，我想引用你的話為我們今天的談話做鋪墊。你說：“語(yǔ)音和語(yǔ)言是人工智能皇冠上的明珠。” 請(qǐng)為我們解釋一下吧。

黃學(xué)東：嗯。我們可以從人類進(jìn)化的范疇來思考。在某個(gè)時(shí)期，語(yǔ)言誕生了。這加速了人類的進(jìn)化。你可以想想這個(gè)星球上所有的動(dòng)物，你知道的，有些動(dòng)物跑得比人類快，有些動(dòng)物視力比人類好……

主持人：有些動(dòng)物的牙齒也更鋒利。

黃學(xué)東：…… 尤其是在夜里。

主持人：動(dòng)物更強(qiáng)大。

黃學(xué)東：是的。事實(shí)上，動(dòng)物的聽覺和嗅覺都比人類更好，但只有我們?nèi)祟惒艙碛姓Z(yǔ)言。有了語(yǔ)言，我們能夠更好地組織，能夠用科幻的術(shù)語(yǔ)去描述，能夠自我組織，能夠編寫憲法。所以，是語(yǔ)音和語(yǔ)言使我們有別于其他動(dòng)物。對(duì)人工智能來說，語(yǔ)音和語(yǔ)言將推動(dòng)人工智能的進(jìn)化，就像它推動(dòng)了人類的進(jìn)化一樣。這就是為什么說它是鑲在人工智能皇冠上的明珠。

主持人：原來如此。

黃學(xué)東：而且它還很堅(jiān)硬，難以破壞。

主持人：是的。關(guān)于這個(gè)話題有一個(gè)哲學(xué)討論，但它引出了一些有趣的問題。假如你在機(jī)器語(yǔ)言方面取得了很大的成功，那么，這些機(jī)器是什么？

黃學(xué)東：讓我們發(fā)揮一點(diǎn)想象力……

比如說，我們假設(shè)計(jì)算機(jī)可以理解 300 種語(yǔ)言，能夠流利地交流和對(duì)話。但我還從沒遇到過一個(gè)會(huì)說 300 種語(yǔ)言的人。機(jī)器不僅能夠用 300 種語(yǔ)言流暢地交流和對(duì)話，還能夠領(lǐng)會(huì)、理解、學(xué)習(xí)和推理，真正完成所有學(xué)科的博士課程。這種知識(shí)的獲取、推理，是任何人的個(gè)人能力所不能及的。當(dāng)那一刻到來的時(shí)候，你可以想象 AI 將會(huì)有多么聰明。

主持人：這是你想象出來的嗎？

黃學(xué)東：是的。我認(rèn)為這個(gè)世界會(huì)變得更美好。就在幾周前，我去了日本，我手機(jī)上安裝了微軟翻譯軟件。我能真正地與不會(huì)說中文或英文的日本人交流了。這已經(jīng)實(shí)現(xiàn)了。微軟翻譯可以說我不會(huì)講的語(yǔ)言，幫助我在日本時(shí)更有效率。

主持人：我完全同意。但想到這個(gè)機(jī)器，我就有點(diǎn)害怕。

黃學(xué)東：但是你要知道，智能有兩個(gè)層次。第一個(gè)層次是真正的感知智能 (perceptive intelligence)。就是看、聽、聞的能力。更高層次的是認(rèn)知智能(cognitive intelligence)。就是推理、學(xué)習(xí)和獲得知識(shí)的能力。我們今天所取得的 AI 的突破，大多是在感知層面的，如語(yǔ)音識(shí)別、語(yǔ)音合成、計(jì)算機(jī)視覺等。但是高層次的推理和知識(shí)獲取，即認(rèn)知能力，AI 離人類的水平還很遠(yuǎn)。

主持人：是的。

黃學(xué)東：我對(duì)翻譯感到興奮，因?yàn)樗鼘?shí)際上是介于感知智能和認(rèn)知智能之間的。我們能夠真正地在感知智能上取得成功，并擴(kuò)展到認(rèn)知智能。這是一個(gè)相當(dāng)漫長(zhǎng)的過程。

主持人：是的。

黃學(xué)東：我不知道我們什么時(shí)候才能達(dá)到那個(gè)里程碑。但那一天會(huì)到來。這只是時(shí)間問題?？赡苄枰?50 年的時(shí)間，但我認(rèn)為這是會(huì)發(fā)生的。

微軟語(yǔ)音技術(shù)研究之路

主持人：我們會(huì)在下回的播客中討論這個(gè)里程碑，因?yàn)榻裉煲呀?jīng)有好幾個(gè)里程碑要討論。但首先，我想回顧一下歷史。你已經(jīng)在微軟研究院工作了很長(zhǎng)時(shí)間了，在 Rick Rashid 成立微軟研究院的時(shí)候，語(yǔ)音組是第一批研究組織。根據(jù) MSR 的傳說，這個(gè)組織的目標(biāo)是 “讓語(yǔ)音成為主流”。請(qǐng)給我們簡(jiǎn)單介紹一下微軟研究院的語(yǔ)音歷史。這項(xiàng)研究是如何從早期的 “不主流”、“敢于冒險(xiǎn)，但離成功還很遠(yuǎn)” 發(fā)展到今天幾乎應(yīng)用在微軟所有產(chǎn)品中？

黃學(xué)東：在加入微軟研究院之前，我在匹茲堡的 CMU 任教。Rick Rashid 當(dāng)時(shí)是 CMU 的教授。我當(dāng)時(shí)是初級(jí)教員。所以，我當(dāng)時(shí)主要是在 CMU 做關(guān)于語(yǔ)音的研究。微軟伸出了橄欖枝，他們想成立一個(gè)語(yǔ)音組。所以，實(shí)際上，我在 1993 年元旦假期后的第一天就搬了家，從匹茲堡飛往西雅圖，開始了在微軟的旅程，并從未改變。這就是微軟語(yǔ)音的開端。我們是一個(gè)研究團(tuán)隊(duì)，致力于為開發(fā)者帶來語(yǔ)音技術(shù)。

主持人：所以，不是沒有實(shí)用價(jià)值的研究……

黃學(xué)東：不是的。因此，我們從 CMU 獲得了技術(shù)許可。我們就是這樣起步的。我們非常感謝 CMU 在這一領(lǐng)域的開創(chuàng)性研究。雖然是研究團(tuán)隊(duì)，但我們發(fā)布了第一個(gè)語(yǔ)音 API，叫 SAPI，用在 Windows 95 上。作為一個(gè)研究團(tuán)隊(duì)，我們對(duì)此感到非常自豪，因?yàn)橥ǔＱ芯繄F(tuán)隊(duì)只是做基礎(chǔ)研究。我們不僅做了基礎(chǔ)研究，還繼續(xù)挑戰(zhàn)極限，繼續(xù)提高識(shí)別精度，我們還與 Windows 合作，把這項(xiàng)技術(shù)帶給了 Windows 開發(fā)者。SAPI 是業(yè)界第一個(gè)基于 Windows 的語(yǔ)音 API。

主持人：哇。

黃學(xué)東：那真是一段很長(zhǎng)的經(jīng)歷。后來，我最終離開了研究部門，加入了產(chǎn)品部門。跟我一起轉(zhuǎn)入產(chǎn)品部門的是一個(gè)優(yōu)秀的微軟語(yǔ)音研究組。這是我在微軟 27 年的經(jīng)歷。我在 2004 年之后就不再做語(yǔ)音了，在我們發(fā)布了語(yǔ)音服務(wù)器之后，我開始做了很多不同的事情，包括孵化研究。

在薩蒂亞?納德拉 (Satya Nadella) 負(fù)責(zé) Bing 的時(shí)候，我還做過 Bing 的架構(gòu)師。然后，在 Harry 負(fù)責(zé)研究和技術(shù)團(tuán)隊(duì)時(shí)，我?guī)椭趸艘幌盗腥斯ぶ悄茼?xiàng)目，包括 GPU 集群、Project Philly、深度學(xué)習(xí)工具包 CNTK 等基礎(chǔ)項(xiàng)目。當(dāng)然，還有語(yǔ)音研究，還包括其他高端解決方案。

大約三年前，我有幸回來負(fù)責(zé)語(yǔ)音和語(yǔ)言組。我們基本上整合了所有在語(yǔ)音和翻譯方面的資源，這就是我的經(jīng)歷。精彩的 27 年。

主持人：語(yǔ)音和語(yǔ)言組在屬于哪個(gè)部門？

黃學(xué)東：正如我說的，我們?cè)谘芯坎块T和產(chǎn)品部門之間來回了很多次?，F(xiàn)在，我們屬于云和人工智能部門。這是一個(gè)產(chǎn)品團(tuán)隊(duì)。我們是云服務(wù)的一部分，向全公司和全行業(yè)提供語(yǔ)音和翻譯服務(wù)。我們也有語(yǔ)音和對(duì)話研究。他們更像一個(gè)研究團(tuán)隊(duì)。

主持人：是的。

黃學(xué)東：那個(gè)組里全是研究人員。正如 Rick 說的，技術(shù)成果轉(zhuǎn)化是一項(xiàng)需要各部門配合的事情。我們不僅是各部門緊密配合，我們已經(jīng)成了一個(gè)整體。這是一個(gè)非常令人興奮的團(tuán)隊(duì)，有一群非常有才華、非常有創(chuàng)新精神的人。

主持人：所以，在研究模式上還是很有前瞻性的……

黃學(xué)東：不僅是有前瞻性，而且是有充分依據(jù)的。我們必須腳踏實(shí)地提供服務(wù)，也要站到未來的高度，去定義人們需要的和人們想要的解決方案是什么，即使現(xiàn)在這個(gè)解決方案尚不存在。

三個(gè)里程碑：語(yǔ)音識(shí)別、機(jī)器翻譯和對(duì)話問答

主持人：讓我們來談?wù)勀銋⑴c的一些研究里程碑。它們真的很有趣。你參與了三個(gè)領(lǐng)域：對(duì)話式語(yǔ)音識(shí)別、機(jī)器翻譯和對(duì)話問答。讓我們從語(yǔ)音識(shí)別開始。2016 年，你帶領(lǐng)的團(tuán)隊(duì)在轉(zhuǎn)寫對(duì)話語(yǔ)音方面達(dá)到了人類水平的歷史記錄。請(qǐng)說說這是什么怎么一回事，是怎樣做到的？

黃學(xué)東：在 2016 年，我們?cè)趶V泛使用的 Switchboard Conversational Transcription 任務(wù)上達(dá)到了媲美人類的水平。這項(xiàng)任務(wù)在研究界和工業(yè)界可能已經(jīng)有十多年了。2017 年，我們重新刷新了這個(gè)里程碑，不是和一個(gè)人比較，而是和一群人比較，轉(zhuǎn)寫同樣的任務(wù)。所以，我認(rèn)為 2017 年是一個(gè)歷史性的時(shí)刻。轉(zhuǎn)寫相同任務(wù)，微軟語(yǔ)音堆棧的表現(xiàn)優(yōu)于所有四個(gè)團(tuán)隊(duì)的總和。最初我向我們的研究小組提出挑戰(zhàn)時(shí)，沒有人認(rèn)為能做到。但令人驚訝的是，當(dāng)我們有了信念，有了資源，有了專注的焦點(diǎn)，奇跡真的發(fā)生了，只花了不到兩年的時(shí)間。所以，對(duì)于團(tuán)隊(duì)，對(duì)于科學(xué)，對(duì)于技術(shù)來說，那確實(shí)是一個(gè)美妙的時(shí)刻。那是我個(gè)人職業(yè)生涯中實(shí)現(xiàn)的第一個(gè)達(dá)到與媲美人類水平的里程碑。

主持人：所以，我想深入探討一下這個(gè)問題，因?yàn)槟闼f的這些非常有趣：在兩年的時(shí)間里，沒有人認(rèn)為這件事能夠做到，然后你們做到了。請(qǐng)告訴我們更多關(guān)于你們是如何實(shí)現(xiàn)這一點(diǎn)的技術(shù)層面的事情。

黃學(xué)東：如果你回顧一下語(yǔ)音研究的歷史，你就會(huì)發(fā)現(xiàn)，很多后人反復(fù)使用的突破性成果都是語(yǔ)音團(tuán)隊(duì)開創(chuàng)的。讓我們以翻譯為例。在 70 年代早期，即使是語(yǔ)音識(shí)別，使用的也是更傳統(tǒng)的人工智能，比如基于規(guī)則的方法，專家系統(tǒng)。IBM Watson 的研究團(tuán)隊(duì)率先使用隱馬爾可夫模型，使用統(tǒng)計(jì)語(yǔ)言模型，進(jìn)行統(tǒng)計(jì)語(yǔ)音識(shí)別。事實(shí)證明他們突破了極限，極大地推進(jìn)了這個(gè)領(lǐng)域的發(fā)展。因此，那是語(yǔ)音領(lǐng)域的一個(gè)高光時(shí)刻。

同樣是這批 IBM 語(yǔ)音的研究人員，他們借鑒了語(yǔ)音識(shí)別的方法，并將其應(yīng)用到翻譯中。他們改寫了機(jī)器翻譯史，大大提高了翻譯的質(zhì)量。在隱馬爾可夫模型之后，深度學(xué)習(xí)開始被用于語(yǔ)音識(shí)別，即神經(jīng)語(yǔ)音識(shí)別。再一次，翻譯借鑒過來，出現(xiàn)了神經(jīng)機(jī)器翻譯，而且還很先進(jìn)。所以，你可以看到，語(yǔ)音技術(shù)總是被其他領(lǐng)域借鑒的。實(shí)際上，語(yǔ)音領(lǐng)域的研究者一直在做系統(tǒng)的基準(zhǔn)測(cè)試，這是一種非常嚴(yán)格的評(píng)估，改變了科學(xué)和工程的評(píng)估方式。

主持人：是的。

黃學(xué)東：所以，語(yǔ)音技術(shù)社區(qū)有很多經(jīng)驗(yàn)可以借鑒，這些經(jīng)驗(yàn)本可以在語(yǔ)音之外得到廣泛的應(yīng)用。所以，我們借鑒了這些經(jīng)驗(yàn)，去處理更艱巨的任務(wù)。這樣看來，我們同一個(gè)團(tuán)隊(duì)實(shí)現(xiàn)了這些不同任務(wù)的歷史性里程碑也就不足為奇了。

主持人：那么，讓我們來談?wù)劻硪粋€(gè)里程碑：在 WMT-2017 的中英新聞機(jī)器翻譯任務(wù)中，實(shí)現(xiàn)了媲美人類的水平。這是如何做到的？讓我們回到我們最初的問題 —— 你是否認(rèn)為現(xiàn)在機(jī)器已經(jīng)可以媲美傳統(tǒng)的人工翻譯服務(wù)？以及為什么這項(xiàng)工作是一個(gè)重要的突破？

黃學(xué)東：所以，我們團(tuán)隊(duì)實(shí)現(xiàn)的第二個(gè)里程碑式突破同樣令人興奮。正如我剛才說的，轉(zhuǎn)寫 Switchboard 對(duì)話是低水平的任務(wù)，處于感知 AI 層面。翻譯是介于感知 AI 和認(rèn)知 AI 之間的一項(xiàng)任務(wù)。當(dāng)然，翻譯是一項(xiàng)更艱巨的任務(wù)，沒有人相信我們能做到這一點(diǎn)。所以，我們?cè)O(shè)定了一個(gè)目標(biāo)：在五年內(nèi)，看看我們能否在句子層面實(shí)現(xiàn)媲美人類的翻譯水平。我們?nèi)祟惙g時(shí)，觀察的是整個(gè)段落，我們會(huì)有更廣的背景知識(shí)，所以我們能做得更好。所以，我們限制在廣泛使用的 WMT 數(shù)據(jù)集，這是一個(gè)逐句翻譯新聞句子的任務(wù)……

黃學(xué)東：這是一個(gè)開放的研究，有公開的基準(zhǔn)。但即使有這些限制，我們也認(rèn)為可能要花五年的時(shí)間。因此，我們將語(yǔ)音識(shí)別研究中獲得的成功作為基礎(chǔ)。但這一次，我們實(shí)際上走得更遠(yuǎn)。我們與微軟亞洲研究院的同事合作，因?yàn)檫@是一個(gè)中文到英文翻譯的任務(wù)。令人驚訝的是，這群人讓所有人都大吃一驚。我們?cè)诓坏揭荒甑臅r(shí)間里完成了這個(gè)任務(wù)，新聞句子中英翻譯達(dá)到了人類的對(duì)等水平，同一任務(wù)上機(jī)器的翻譯比專業(yè)人員更好，這是一個(gè)歷史性的突破。我為這個(gè)團(tuán)隊(duì)感到驕傲，也為這次合作感到非常自豪。

主持人：另外一個(gè)非常有趣的領(lǐng)域是 COQA，對(duì)話問答。請(qǐng)給我們講講這項(xiàng)語(yǔ)音識(shí)別技術(shù)中最人性化，也許也是最困難的工作。

黃學(xué)東：這項(xiàng)任務(wù)是由斯坦福大學(xué)的研究人員首創(chuàng)的。它離認(rèn)知 AI 更近了一步。這實(shí)際上是機(jī)器閱讀理解任務(wù)。就是你讀了一段話。然后我們用一系列相關(guān)的問題來挑戰(zhàn)正確的回答。例如，假如你讀到關(guān)于比爾?蓋茨的一段話，第一個(gè)問題可能是，“誰(shuí)是微軟的創(chuàng)始人？” 第二個(gè)問題可能與第一個(gè)問題有關(guān)，“這個(gè)人開始創(chuàng)建微軟時(shí)多大？” 或者，“這個(gè)人退休時(shí)多大？” 所以，上下文關(guān)聯(lián)比簡(jiǎn)單的機(jī)器閱讀理解要難，因?yàn)楸仨氃诮o定的上下文背景下回答一系列相關(guān)的問題。

所以，對(duì)于這一最新的突破，我必須要?dú)w功于我們 base 在北京的研究實(shí)驗(yàn)室的同事們，我們一直在利用共享的資源和基礎(chǔ)設(shè)施共同開展這項(xiàng)工作。結(jié)果很驚人。在這項(xiàng)對(duì)話問答挑戰(zhàn)中，我們不管是準(zhǔn)確性還是速度都讓人印象深刻。再一次，我們?cè)谶@個(gè)廣泛關(guān)注的 AI 任務(wù)上實(shí)現(xiàn)了媲美人類的水平。沒有人相信可以在如此短的時(shí)間內(nèi)實(shí)現(xiàn)這種對(duì)話問答的人類同等水平，我們最初認(rèn)為可能需要兩年的時(shí)間。我們?cè)僖淮未蚱屏藲v史記錄。

主持人：嗯，我們已經(jīng)討論了一些技術(shù)方面的問題。那么，在最后一個(gè)問題上，你們是否有其他方法或技術(shù)能解決這個(gè)問答任務(wù)呢？

黃學(xué)東：微軟在 AI 方面已經(jīng)積累了 30 年的研究和經(jīng)驗(yàn)。北京的自然語(yǔ)言小組，在過去的二十年里一直在做這個(gè)，他們匯聚了很多人才，積累了很多經(jīng)驗(yàn)。我們基本上是使用深度學(xué)習(xí)和遷移學(xué)習(xí)。同時(shí)，我們的成功也構(gòu)建在整個(gè)社區(qū)的基礎(chǔ)上。

比如，谷歌開發(fā)了一項(xiàng)名為 BERT 的技術(shù)。我們?cè)?BERT 的基礎(chǔ)上取得了成功。

主持人：嗯嗯。

黃學(xué)東：所以，這其實(shí)是整個(gè)研究社區(qū)的想法。我剛剛談到微軟亞洲研究院和微軟美國(guó)團(tuán)隊(duì)之間的合作。事實(shí)上，這是整個(gè)行業(yè)合作的一個(gè)很好的例子。

從清華到愛丁堡：讓人類真正與機(jī)器交流的夢(mèng)想從未消失

主持人：您在這期節(jié)目中向我們描述的事情非常令人興奮 —— 如果你成功了，我們必須解決可能出現(xiàn)的問題。

黃學(xué)東：是的。

主持人：你想讓電腦能夠聽、說、翻譯、回答問題 —— 擁有與人交流交流的能力。有沒有什么讓你擔(dān)心的？

黃學(xué)東：是的，當(dāng)然。我擔(dān)心的是，總有一天，人類會(huì)過于依賴 AI。AI 永遠(yuǎn)不可能完美。AI 總是會(huì)帶有偏見。所以，我擔(dān)心這種不易覺察的影響。

主持人：是的。

黃學(xué)東：這是一個(gè)我們必須意識(shí)到并且必須解決的廣泛的社會(huì)問題。因?yàn)榫拖袢魏稳艘粯?，如果你有一個(gè)你所依賴的助手，你會(huì)知道那個(gè)助手可以影響你，改變你的計(jì)劃，改變你的觀點(diǎn)。總有一天，AI 也會(huì)扮演同樣的角色。AI 會(huì)有偏見。如何處理這個(gè)問題是我最關(guān)心的。

主持人：是的。

黃學(xué)東：如果一切順利的話。這確實(shí)是我們必須處理的首要問題。不過目前我們不知道如何處理，因?yàn)槲覀冞€沒有達(dá)到那個(gè)階段。

主持人：那么，你在開發(fā)這種能說話、傾聽和交流的工具時(shí)，有沒有一種 “設(shè)計(jì)思維” 呢？

黃學(xué)東：我只能相信，現(xiàn)在研究 AI 的人都有足夠的責(zé)任感。好消息是我們還沒到達(dá)那一步，對(duì)吧？所以，我們有時(shí)間合作來解決這個(gè)問題，確保 AI 真正為人類服務(wù)，而不是毀滅人類。

主持人：是的。

黃學(xué)東：但是我短期的擔(dān)憂是，AI 還不夠好！至少現(xiàn)在還不夠好！

正如比爾?蓋茨曾經(jīng)說過的，人們總是高估了短期內(nèi)的能力，低估了長(zhǎng)期的影響。對(duì)于 AI，我們不能低估它的長(zhǎng)期影響。

主持人：最后，請(qǐng)說說你個(gè)人的故事吧。是什么讓你對(duì)研究感興趣，尤其是對(duì)語(yǔ)音和語(yǔ)言技術(shù)的研究感興趣，以及你加入微軟的經(jīng)歷是怎樣的？

黃學(xué)東：好的。我畢業(yè)于清華大學(xué)。那時(shí)，我的第一臺(tái)電腦是 Apple 2。你可能知道，那時(shí)電腦輸入漢字是很麻煩的。因此，這讓我想到了語(yǔ)音識(shí)別。當(dāng)時(shí)，作為清華的研究生，我的夢(mèng)想就是在 AI 領(lǐng)域做研究。

清華匯聚了一大批有遠(yuǎn)見的教授和教員，為我們的探索和實(shí)驗(yàn)創(chuàng)造了先進(jìn)的環(huán)境。所以，我在清華完成了碩士學(xué)位，接著繼續(xù)在清華讀博。從 1982 年起我就開始做語(yǔ)音識(shí)別研究了，因?yàn)槲沂?1982 年被清華錄取的。對(duì)我來說，讓人類真正與機(jī)器交流的這個(gè)夢(mèng)想從未消失。所以，我在這方面的研究已經(jīng)超過 30 年了。即使在微軟，有很短一段時(shí)間我不在做語(yǔ)音，但仍在做一些相關(guān)的事情。

所以，我打心眼里認(rèn)為我與語(yǔ)音研究之間是一個(gè)非常美妙的故事，我個(gè)人也在這個(gè)過程中收獲了許多有趣的經(jīng)歷。正如我剛才提到，在清華上學(xué)的時(shí)候，電腦輸入中文還是一件很難的事情。我實(shí)際上沒有在清華大學(xué)完成博士學(xué)位，而是在愛丁堡大學(xué)……

主持人：噢。

黃學(xué)東：在蘇格蘭。我在那里完成了博士學(xué)位。但當(dāng)我第一次來到愛丁堡時(shí)，我個(gè)人感到非常痛苦 —— 我在中國(guó)學(xué)習(xí)英語(yǔ)，主要是美式英語(yǔ)。我的英語(yǔ)不是很好，因?yàn)槟遣皇俏业哪刚Z(yǔ)。但是聽一位蘇格蘭教授說話的時(shí)候……

主持人：哦，天哪！

黃學(xué)東：…… 總之是很有挑戰(zhàn)性。但我很感激 BBC 有隱藏式字幕。所以，我實(shí)際上是通過看 BBC 學(xué)會(huì)了蘇格蘭英語(yǔ)。

而且我不得不提的是，現(xiàn)在微軟 PowerPoint 上已經(jīng)有自動(dòng)字幕技術(shù)了。從那段個(gè)人的痛苦經(jīng)歷，到 Office PowerPoint 團(tuán)隊(duì)在研發(fā)這款產(chǎn)品時(shí)考慮了這種功能，對(duì)我個(gè)人來說也非常受益。

主持人：是的。

黃學(xué)東：我很高興看到我所研究的技術(shù)將幫助許多其他正在蘇格蘭上大學(xué)的人！

因?yàn)檎Z(yǔ)言障礙一直存在。不是每個(gè)人都能說一口流利的英語(yǔ)。我接待了很多游客。幾乎每年我都會(huì)接待清華大學(xué)的 MBA 學(xué)生，他們都學(xué)過英語(yǔ)，但他們的交談和聽力能力，就是不如英語(yǔ)國(guó)家的人。所以，我們能夠在 ppt 演示上提供字幕這個(gè)簡(jiǎn)單的功能，實(shí)際上幫助了非常多的人……

主持人：是的。

黃學(xué)東：…… 為了更好地學(xué)習(xí)和理解。所以，這個(gè)功能的應(yīng)用場(chǎng)景實(shí)際上非常廣泛，甚至不需要翻譯。只要有字幕，就能更好地溝通。

主持人：確實(shí)。我們之前談到不同的語(yǔ)言，也談到一些方言，但我們并沒有探討語(yǔ)言中的口音問題。即使是在美國(guó)，各個(gè)地方也會(huì)因?yàn)榭谝舻牟煌与y以理解。

黃學(xué)東：這就是為什么我的蘇格蘭英語(yǔ)會(huì)變成一個(gè)好故事！我希望我還保留有一點(diǎn)蘇格蘭口音！

主持人：我聽出來您的蘇格蘭口音了！在每期節(jié)目的最后，我都會(huì)請(qǐng)嘉賓最后說一句話?，F(xiàn)在請(qǐng)您對(duì)我們的聽眾說任何你想說的話，他們可能對(duì)使計(jì)算機(jī)能夠交談和溝通感興趣。如果他們想進(jìn)入這個(gè)領(lǐng)域，應(yīng)該從哪里入手呢？

黃學(xué)東：研究語(yǔ)音和語(yǔ)言！這是真正鑲在人工智能皇冠上的明珠。在我看來，沒有比這更有挑戰(zhàn)性的了。尤其是如果你想要讓感知 AI 進(jìn)化到認(rèn)知 AI，更是如此。這是一個(gè)基本的研究領(lǐng)域，讓機(jī)器通過閱讀、交談來獲得推理、理解、獲取知識(shí)的能力，它可以改善每個(gè)人的生活，提高每個(gè)人的生產(chǎn)力，讓這個(gè)世界變得更加美好，沒有語(yǔ)言障礙，沒有溝通障礙，沒有理解障礙。

主持人：感謝您今天應(yīng)邀參加我們的播客節(jié)目。您分享的東西非常棒。

黃學(xué)東：我的榮幸。