2003年5月，《哈佛商業(yè)評(píng)論》上刊載了尼古拉斯·卡爾那篇題為《IT Doesn’t Matter》（IT不再重要）的文章。

這本文章與其說是《IT不再重要》，不如說是《互聯(lián)網(wǎng)不再重要》，因?yàn)槠鋵?shí)尼古拉斯·卡爾在這本書中表達(dá)的主題，人工智能、云計(jì)算、大數(shù)據(jù)將會(huì)改變我們的時(shí)代。

這個(gè)標(biāo)題拿來形容當(dāng)下的中國(guó)互聯(lián)網(wǎng)可能有很大相通之處。移動(dòng)時(shí)代正在整體向AI時(shí)代過渡。移動(dòng)時(shí)代的產(chǎn)品都要紛紛迎接新格局，語(yǔ)音也是如此。

在2018年10月的中國(guó)計(jì)算語(yǔ)言學(xué)大會(huì)上，語(yǔ)音識(shí)別科學(xué)家黃學(xué)東博士提到，“語(yǔ)音和語(yǔ)言之進(jìn)化對(duì)人工智能的重要意義毫不亞于語(yǔ)音和語(yǔ)言對(duì)人類進(jìn)化的決定性作用”。百度輸入法在1月15日發(fā)布會(huì)展示的新技術(shù)同樣呈現(xiàn)了這個(gè)趨勢(shì)。

可以說，百度輸入法正是目前的業(yè)內(nèi)標(biāo)桿。這也是第一家真正思考AI時(shí)代人機(jī)交互的輸入法產(chǎn)品。

智能語(yǔ)音的進(jìn)化甚至正在把人機(jī)交互帶入新的階段。不僅僅有問有答、包含上下語(yǔ)義邏輯，人工智能硬件能夠更多地融合各種環(huán)境信息，作出不同決策或推薦。

百度系產(chǎn)品在過去幾年的進(jìn)化過程中，逐漸展現(xiàn)出了新的人機(jī)交互邏輯。

一、交互的進(jìn)化

工具型產(chǎn)品在不同時(shí)代、不同需求、不同場(chǎng)景往往面臨著轉(zhuǎn)型考驗(yàn)。搜索、輸入法這些從PC時(shí)代走到移動(dòng)時(shí)代的產(chǎn)品，到了AI時(shí)代再一次發(fā)生進(jìn)化。

搜索這樣的產(chǎn)品就在從過去的搜索引擎，變成“搜索＋信息流”的雙引擎產(chǎn)品。像百度APP就在融入AI，把過去搜索引擎時(shí)代的人找信息，變成信息、服務(wù)找人。既能讓用戶找到信息，也能讓信息找到用戶，重構(gòu)了新型信息服務(wù)體驗(yàn)。

輸入法同樣如此。輸入法本質(zhì)上是人類和機(jī)器的交互方式。我們真正去追根溯源就會(huì)發(fā)現(xiàn)，PC時(shí)代，輸入法要通過鍵鼠讓我們和機(jī)器交互。隨著移動(dòng)時(shí)代的來臨，觸摸屏又取代鍵鼠，成了輸入法新的承載。

細(xì)細(xì)數(shù)來，鍵鼠這種交互方式存在至今不過百年，而觸摸屏這種交互方式嚴(yán)格算來也僅僅只有不到20年。實(shí)際上，語(yǔ)音本來就是人誕生以來最天然的交互方式。未來輸入法通過語(yǔ)音的方式獲取服務(wù)，甚至在搜索、娛樂、購(gòu)物等眾多場(chǎng)景出現(xiàn)，也毫不為奇。

早在微軟Build2016開發(fā)者大會(huì)上，微軟CEO納德拉就提出了“Conversations as a Platform”，也就是“對(duì)話即平臺(tái)”的人工智能發(fā)展方向。

這個(gè)概念在后來也被成為是“對(duì)話式人工智能”。

所謂“對(duì)話式人工智能”指的是，對(duì)話本身就是一個(gè)平臺(tái)，各種知識(shí)、信息與服務(wù)都運(yùn)行在“對(duì)話”其上，可以形成生態(tài)環(huán)境的基礎(chǔ)平臺(tái)。人和人工智能之間的對(duì)話，即是解決各種問題的一種路徑和方式。

事實(shí)上，百度輸入法正在朝這個(gè)方向努力——用AI改變?nèi)撕褪澜绲慕换シ绞�，讓人們隨時(shí)隨地與世界互動(dòng)，獲取生活服務(wù)。

二、技術(shù)的躍進(jìn)

產(chǎn)品進(jìn)化終究需要長(zhǎng)期祭奠技術(shù)，并在技術(shù)積淀過程中厚積薄發(fā)，最終在產(chǎn)品層面體現(xiàn)出來。

這次百度輸入法進(jìn)化的秘密在于“流式多級(jí)的截?cái)郃ttention模型”（注意力模型），還在業(yè)界第一次創(chuàng)新性的提出了SMLAT技術(shù)。這是國(guó)際上首次超越了整句的注意力模型。這也是國(guó)際上首次實(shí)現(xiàn)在線語(yǔ)音大規(guī)模使用注意力模型。

我們先解釋“流式多級(jí)的截?cái)郃ttention模型”這個(gè)問題。

要知道，過去傳統(tǒng)的Attention模型都是基于整句的，整句Attention技術(shù)是在語(yǔ)音都上傳到服務(wù)器后，才能開始聲學(xué)打分計(jì)算和解碼，會(huì)引入較大的用戶等待時(shí)間，沒法做到在線語(yǔ)音交互的大規(guī)模實(shí)時(shí)服務(wù)，達(dá)不到上線標(biāo)準(zhǔn)。

百度在使用“流式多級(jí)的截?cái)郃ttention模型”之后，主要技術(shù)優(yōu)勢(shì)在三點(diǎn)。

1、基于CTC的尖峰信息對(duì)語(yǔ)音流進(jìn)行截?cái)�，然后再每一截�(cái)嗟恼Z(yǔ)音小段上進(jìn)行當(dāng)前建模單元的注意力建模；

2、把全局的Attention的整句識(shí)別變成了局部的Attention的流式識(shí)別，并且引入多層的Attention，實(shí)現(xiàn)特征層層遞進(jìn)的更精準(zhǔn)的特征選擇；

3、語(yǔ)音識(shí)別的識(shí)別率超越傳統(tǒng)的全局Attention建模，同時(shí)計(jì)算速度和傳統(tǒng)CTC技術(shù)持平，實(shí)現(xiàn)全CPU流量的大規(guī)模線上服務(wù)。

另外在在離線語(yǔ)音識(shí)別領(lǐng)域，百度輸入法還在持續(xù)優(yōu)化Deep Peak 2系統(tǒng)，讓離線語(yǔ)音輸入相對(duì)準(zhǔn)確率再次提升。 這些內(nèi)容聽起來很專業(yè)，我們通俗解釋的話就是，這使得語(yǔ)音的相對(duì)準(zhǔn)確率提高了，而且用戶可以說得更自由了。

不管是流式多級(jí)的截?cái)郃ttention模型以及優(yōu)化Deep Peak 2系統(tǒng)。這些技術(shù)進(jìn)展在逗未來在技術(shù)轉(zhuǎn)化和產(chǎn)品落地上產(chǎn)生影響。