來源：數(shù)據(jù)猿  作者：張俊瀟

導(dǎo)語：自從亞馬遜在2014年推出智能音箱Echo之后，蘋果、谷歌、京東、阿里這些巨頭都紛紛做起了智能音箱，當(dāng)全世界最有錢最具前瞻眼光的公司都在做同一件事時，此事必有蹊蹺。

國內(nèi)外的巨頭們都在做音箱，恐怕有大事要發(fā)生

今年7月26日，小米跟上了巨頭們的腳步，推出了智能音箱--小愛同學(xué)。雖然小愛這位同學(xué)在市場反饋如何還未可知，但拿她來作為我們研究智能音箱的“小白鼠”最合適不過。因為相比于亞馬遜、谷歌和蘋果的智能音箱相比，小愛同學(xué)更適應(yīng)“國情”和“語言環(huán)境”，跟京東、阿里來比，小愛同學(xué)前端有更多的智能產(chǎn)品可以做連接，最關(guān)鍵的是小愛同學(xué)也是這些產(chǎn)品里面最便宜的，只要299。

相比之下Google home要賣到1199元、亞馬遜Echo 1298元、蘋果 homepod 2399元、天貓精靈499元、京東叮咚798元。

從定價來看，小愛同學(xué)絕對是一款負責(zé)沖量的戰(zhàn)略級產(chǎn)品，而且值得注意的是小愛同學(xué)是小米品牌旗下產(chǎn)品，不是來自米家或者其他生態(tài)鏈公司的產(chǎn)品，可見小米重視程度之高，小愛同學(xué)如果不肩負點使命都對不起雷軍。

巨頭們?yōu)槲磥硐碌淖⒋a，智能音箱會是新一代的入口

小愛同學(xué)肩負什么使命，要看市面上這些產(chǎn)品還有什么東西沒有做到。天貓精靈和京東叮咚傾向于內(nèi)容應(yīng)用，很像是一個裝載了Siri的音箱；亞馬遜Echo功能豐富，從點播歌曲、語音購物、控制家電、訂外賣、叫Uber到查銀行賬單都能實現(xiàn)。

小愛比這些產(chǎn)品走得更遠了一步，已經(jīng)開始初步實現(xiàn)對智能設(shè)備的控制。當(dāng)初被人們所詬病的“雜貨鋪模式”開始在語音交互時代發(fā)揮作用，看看這些產(chǎn)品，路由器、空氣凈化器、臺燈、空調(diào)、掃地機器人、電飯煲…沒有一個巨頭能像小米一樣，靜下心干這些“低端”的苦活累活。而且同樣是生態(tài)，反觀樂視…

總之，前期的準備已經(jīng)幫小米把智能家居帝國的骨架基本搭好，現(xiàn)在除了繼續(xù)強化肌體之外，最需要的就是一個大腦。

現(xiàn)在看來，小米已經(jīng)給出了答案，音箱可能就是智能家居的大腦，智能語音交互就是大腦的中樞神經(jīng)。

包括小米在內(nèi)的眾多巨頭都認為，未來實現(xiàn)智能家居的使用場景的方式是靠語音交互模式，所有像電飯煲、冰箱、空氣凈化器等智能設(shè)備，也許未來周圍都會安裝麥克風(fēng)陣列接收語音。而音箱作為語音的接收器和傳播器，在接收人類語音信號和反饋語音指令擁有天然的優(yōu)勢。而且其價格適中，體積較小還方便移動，可謂是居家旅行的必備神器，因此最容易普及和推廣。

語音智能時代，手機要被拋棄了嗎？

那么很多人就會問了，這個控制中心為什么不是手機？其實這個問題更準確的提法應(yīng)該是智能語音交互時代，手機為什么不是絕對核心？

手機當(dāng)然不可能會被完全拋棄，只不過不再擁有絕對核心的地位。因為，首先手機已經(jīng)證明作為智能交互中心，基本是一個雞肋般的存在了。以小米智能設(shè)備的應(yīng)用場景來說，用手機app控制起來并沒有物理控制方便多少。

而且即便是在智能語音的應(yīng)用上，過去很多年里近場語音交互的嘗試（比如 Siri）并沒獲得很好的成果，甚至連簡單的語音輸入法也沒能普及起來，更不要提語音搜索了。

自從亞馬遜的Echo問世后，連扎克伯格也認為，語音交互的未來基本上就屬于遠場語音交互的模式了。

因為語音交互本質(zhì)上其實也是一種操作系統(tǒng)，音箱不過就是一個沒有屏幕的操作界面而已。從機械、手指到語音操作，雙手被一步步解放，近場語音交互并沒有解放雙手，也沒有升級操作系統(tǒng)的空間維度，用起來很不科幻，實用性難以適應(yīng)未來的發(fā)展需求。

家里面闖進了陌生人，智能潛在的挑戰(zhàn)重重

盡管以智能音箱為載體的遠場語音交互得到了業(yè)界的普遍認可，但未來的挑戰(zhàn)也不容忽視。

最大的挑戰(zhàn)來自技術(shù)本身，語音交互涉及了非常復(fù)雜的技術(shù)鏈條，包括了聲學(xué)處理、語音識別、語義理解和語音合成等核心技術(shù)。再細分下來可能有成百上千種，一些抗噪音、多人聲源分辨、方言識別等等細節(jié)性技術(shù)問題就不一一討論了，這里只討論兩個大方向。

一個是和智能設(shè)備的聯(lián)動問題。

小愛同學(xué)作為主流智能音箱，已經(jīng)把行業(yè)最新的技術(shù)全部展示出來了，以目前的眼光來看，這樣的人工智能距離人們想象中的未來要相差很遠。

可以設(shè)想的智能家居生活，至少要達到這樣的場景：當(dāng)你下班回家，小米手環(huán)會根據(jù)你今天的行走步數(shù)、心率數(shù)推斷出你的情緒，通過車載系統(tǒng)計算出回家的時間，數(shù)據(jù)反饋到小米手機，然后傳遞到十幾公里外的家中。當(dāng)你回到家后，說一句我回來了，電視隨之開啟，空氣凈化器自動調(diào)節(jié)室內(nèi)濕度，熱水器來到你平時習(xí)慣的溫度，窗簾依著落日的余暉緩緩關(guān)閉，智能電燈的燈光隨著你的情緒慢慢變化，電飯煲也慢慢蒸騰，你喜歡的音樂在室內(nèi)蔓延……

目前來看，小愛同學(xué)和其他設(shè)備之間的聯(lián)動還遠達不到這樣的要求。

和其他設(shè)備之間形成聯(lián)動僅僅是智能音箱的第一層任務(wù)，更深層次的應(yīng)用一定是和人的互動。

這個互動不僅僅是聊天，而是通過音箱和智能設(shè)備對人行為數(shù)據(jù)的不間斷收集，最后形成對人的“了解”。 之所以稱之為智能，就在于音箱作為器物卻承擔(dān)了“思考”的功能。語音交互時代必須要完成的使命，也是語音交互超越觸屏?xí)r代的一個典型特征，就是要能為人提供最智能、最精準的搜索結(jié)果。因為語音交互不能接受像觸屏?xí)r代一樣信息的泛濫，人的一句訂票、外賣、充值等服務(wù)需要最精準的答案，音箱要充當(dāng)“思考”和“篩選”的功能。通過每天對人的行為大數(shù)據(jù)的收集和分析，音箱對人會有充分的認知，這種認知就是提供精準和感性服務(wù)的基礎(chǔ)。

然而目前的技術(shù)還滿足不了這樣的需求。究其根本在于，目前基礎(chǔ)聲學(xué)和語音識別解決的僅僅是機器“聽得見”的問題，而沒有上升到“聽得懂”的高度。李開復(fù)說：“其實，聽懂講的每個字不代表聽懂了意思，甚至把英文翻譯成中文，中文翻譯成英文還是沒有搞懂。你們不要看科大迅飛的演講說懂得語音了，他一點不懂，他只能把音變成字，字變成音。你問他講什么，一個字不懂。所以，語音識別還需要做的更好。”

李開復(fù)所說的機器“聽不懂”的意思就是說，比如用戶在家里哼唱“和我在成都的街頭走一走”，智能音箱很有可能就憑借這句歌詞給用戶訂了一張去成都的機票，直接規(guī)劃好到玉林路盡頭的路線。

顯然這是有問題的。

NLP--自然語言理解技術(shù)的發(fā)展為解決這個問題提供了可能性，雖然得益于大數(shù)據(jù)和深度學(xué)習(xí)的發(fā)展， NLP也取得了很大進步，但是人類語言的復(fù)雜和多變性依舊是很難跨越的障礙，更不用說那些涉及因果關(guān)系、文字記憶和上下文邏輯推理等諸多層級的困難了。

智能音箱未來的挑戰(zhàn)還有來自技術(shù)之外的，易觀CTO郭煒就表達過這樣的擔(dān)憂：“如果日后家里擺著一臺智能音箱，有可能你說的每一句話都會被時時上傳到云端，想起來這是一件多么恐怖的事”。

但是，假如智能音箱缺少了大數(shù)據(jù)地收集功能，就意味著它沒有了“記憶”，而“思考”是要建立在“記憶”的基礎(chǔ)之上的，如何處理隱私和智能的關(guān)系也許是關(guān)乎行業(yè)未來走向的問題。

來源：數(shù)據(jù)猿