文｜智能相對論

作者｜leo陳

前幾日，微軟官宣了一項(xiàng)重量級收購，花費(fèi)160億美元收購Nuance，這也是微軟繼260億收購Linkedin之后的第二大收購。Nuance是美國最大語音識別公司，被稱為美國版“科大訊飛”。

除了Nuance本身在醫(yī)療領(lǐng)域的能力，其分拆出去并獨(dú)立上市后的車載語音部門Cerence也是本次收購的動力之一。這不禁讓人聯(lián)想，未來微軟會在車載語音上有所動作�；蛟S，這是微軟在汽車行業(yè)的一次隱秘“落子”。

目前，全球科技巨頭紛紛布局智能汽車行業(yè)，車載語音交互賽道也隨之產(chǎn)生劇烈變化。

從觸碰到語音，掀起一場供應(yīng)商交互紛爭

隨著智能電動車崛起，座艙更加智能，更多車輛搭載擁有大量功能的車機(jī)系統(tǒng)和不同級別的駕駛輔助，造成座艙內(nèi)信息大爆炸。面對海量的信息，智能汽車的中控大屏越來越大。

但細(xì)想，這些屏幕的內(nèi)容集中高且有多個層級，輸出信息是高效的，可做信息輸入顯然是低效的。而語音交互，理論上指令可以有無數(shù)條，可以實(shí)現(xiàn)一步直達(dá)任何功能。正因如此，語音交互的價值再次浮現(xiàn)。

高工智能汽車研究院監(jiān)測數(shù)據(jù)顯示，2020年國內(nèi)新車（合資＋自主品牌）前裝搭載語音識別及交互功能上險量為1206．4萬輛，同比增長17．88％。在搭載率方面，則從2019年的49．82％提升至63．25％，車載語音已成為汽車?yán)^中控屏外的第二交互手段。

實(shí)際上，近兩年語音交互迎來新一輪發(fā)展，不僅因?yàn)槠漭^屏幕交互有著獨(dú)特優(yōu)勢，更是由于可以和“智能”做到深度融合，升級為“語音助手”。

智能汽車接入的生態(tài)服務(wù)資源廣泛，司機(jī)和乘客使用服務(wù)會變得高頻，語音交互系統(tǒng)可以從中獲取海量的數(shù)據(jù)。而數(shù)據(jù)來源于司乘日常的對話，相對豐富詳細(xì)，系統(tǒng)通過深度學(xué)習(xí)培養(yǎng)后也就越“智能”。

這與屏幕交互很大的不同在于，數(shù)據(jù)必然會加速汽車交互系統(tǒng)的更新迭代。而交互系統(tǒng)使用體驗(yàn)的提升，會使得司乘進(jìn)一步提高使用頻率，產(chǎn)生新的數(shù)據(jù)。兩者之間相輔相成，互相促進(jìn)。

另一個不同在于，語音助手可以更好地同內(nèi)容生態(tài)連接，把移動互聯(lián)網(wǎng)的產(chǎn)品和服務(wù)搬到汽車上，讓自身商業(yè)體系的優(yōu)勢得以凸顯。這也是除了體驗(yàn)外，汽車廠商著眼語音交互的關(guān)鍵動力。

但隨著產(chǎn)品不斷推進(jìn)，車載語音供應(yīng)商之間的競爭愈發(fā)白熱化。在技術(shù)鏈路上，語音交互大致包括聲學(xué)前端，語音識別（ASR）、自然語言處理（NLP）等。當(dāng)下競爭不僅集中在自然語言處理，而且衍生到背后數(shù)據(jù)和計算能力的比拼。

2020年數(shù)據(jù)顯示，排名前八的供應(yīng)商市場份額超過99％。Cerence和科大訊飛繼續(xù)占據(jù)市場份額的前兩位，合計份額超過70％，不過數(shù)字已經(jīng)開始出現(xiàn)下滑跡象；百度排名第三，份額為7．24％。

這一塊目前的問題是，在一些高頻對話的定義上，整體效果較好，但在一些低頻的對話上，受限于語料、數(shù)據(jù)量不足，體驗(yàn)上不盡人意。如何利用AI更好地推進(jìn)自然語言處理，對公司的技術(shù)研發(fā)實(shí)力和積累提出高要求。

也因如此，該領(lǐng)域具備天然的競爭壁壘，先發(fā)優(yōu)勢和規(guī)模效應(yīng)尤為明顯。這是BAT等科技巨頭難以實(shí)現(xiàn)快速滲透，市占率無法提升的主要原因。

而Cerence目前是全球唯一專注這個方向的企業(yè)，有著超過20年技術(shù)積累，兼顧科技巨頭以及細(xì)分領(lǐng)域玩家兩方的優(yōu)勢。一方面，早有著科技巨頭從生態(tài)上集成第三方應(yīng)用協(xié)作的能力，利用認(rèn)知仲裁技術(shù)實(shí)現(xiàn)了第三方內(nèi)容在系統(tǒng)上共存，簡化了助手執(zhí)行任務(wù)的流程。

另一方面，具備科大訊飛等傳統(tǒng)玩家豐富的集成經(jīng)驗(yàn)和規(guī)模優(yōu)勢，合作全球主流OEMs和Tier1供應(yīng)商。這不僅有助于加強(qiáng)成本優(yōu)勢，同時幫助自身積累豐富的語言數(shù)據(jù)，目前Cerence和科大訊飛已建立數(shù)十種語言的語音數(shù)據(jù)庫。

汽車廠商不同的實(shí)現(xiàn)路徑，帶來不同的想象空間

汽車進(jìn)入數(shù)字化和自動駕駛新時代，電子架構(gòu)從分布式架構(gòu)到域集中架構(gòu)，再到跨域融合，汽車廠商開始掌握更多的主導(dǎo)權(quán)。隨之，作為需求側(cè)的廠商同語音供應(yīng)商合作時，不再單一地走通用方案，而轉(zhuǎn)向深入理解應(yīng)用場景、聯(lián)合深度定制。

在“智能相對論”看來，未來汽車廠商的語音助手前裝方案將主要呈現(xiàn)兩種實(shí)現(xiàn)路徑：

一方面，一部分將傾向于打造自研的交互平臺，并融合多家供應(yīng)商如科大訊飛和思必馳的優(yōu)勢技術(shù)支持。

自研這種做法劣勢在于成本問題，改變核心領(lǐng)域的交互邏輯并將語義處理能力建立起來，需要不斷地研發(fā)投入。為了打造強(qiáng)大的智能AI服務(wù)于系統(tǒng)，大量的數(shù)據(jù)沉淀也會拉長系統(tǒng)的更新周期。

而部分廠商選擇“偏向虎山行”，原因簡單概括就是“閉環(huán)”二字。

相比向供應(yīng)商采購，自研平臺進(jìn)一步符合車輛的特性，有著相對自由的權(quán)限以及更好的適配。同時，其迭代升級會更為迅速，響應(yīng)速度也更快。若要“全雙工”、“連續(xù)對話”、“免喚醒”、“全場景”等技術(shù)能力更好地實(shí)現(xiàn)，自研就顯得尤為重要。

部分廠商會選擇這條實(shí)現(xiàn)路徑，也是為了更好抓住行業(yè)中長期的趨勢。因?yàn)檐嚨牧慨a(chǎn)周期很長，如果廠商不能“獨(dú)具慧眼”，未來車上搭載的語音方案就是落后的，和同時期的產(chǎn)品比就丟失了部分競爭力。

以蔚來、理想、小鵬為代表的造車新勢力是最典型的例子，它們?nèi)孕杞柚�語音供應(yīng)商，但自研比例在逐漸提高。

蔚來有著NOMI Mate小機(jī)器人的車載AI系統(tǒng)，如今其已升級至2．0版本，解鎖了更多的功能和表情顯示。蔚來較早選擇車載語音“擬人化”這個思路獨(dú)樹一幟，但的確走出了預(yù)想的效果，引發(fā)了后續(xù)多家效仿。通過“擬人化”，語音被抽象為人物形象的情感表達(dá)，反過來加深用戶對品牌的印象。

小鵬的“玩法”似乎“直接且硬核”。去年10月，其發(fā)布了自己的全場景語音，包括多輪對話、語義打斷、雙音區(qū)鎖定和可見即可說4個功能。在技術(shù)層面，小鵬自主搭建了一套語音框架，以便自主定義語音的全流程體驗(yàn)，不受限于供應(yīng)商的開放能力范圍限制。但必須承認(rèn)，這需要長期投入人力物力財力。

另一方面，其他品牌則更多傾向于直接或間接選擇提供整體解決方案的供應(yīng)商，比如Cerence、科大訊飛、BAT等供應(yīng)商。

一般來說，整體解決方案僅小量自定義即可交付，特別適合車型品類和數(shù)量都非常豐富的汽車品牌，性價比相對更高。

當(dāng)下，吉利汽車和長城汽車等我國自主品牌主要是走這條實(shí)現(xiàn)路徑。以長城汽車為例，去年4月，其戰(zhàn)略合作伙伴仙豆智能選定Cerence ARK來提供數(shù)字助理方案。與全球領(lǐng)先的供應(yīng)商建立合作后，自主品牌的語音交互并不遜色于造車新勢力。

在這場語音交互“智能化”趨勢下，傳統(tǒng)豪華品牌如奔馳、奧迪、寶馬反而不是話語權(quán)的掌管者，和國內(nèi)消費(fèi)者對它們根深蒂固的認(rèn)同感形成強(qiáng)烈反差。

傳統(tǒng)豪華品牌在汽車數(shù)字化上相對保守，往往選擇某一個車系的一款車型嘗試升級。不選擇自研能夠?qū)㈤_發(fā)周期大幅縮短，加上自身的汽車量產(chǎn)能力，可以快速將產(chǎn)品向市場鋪開。

2020款奧迪A4L語音系統(tǒng)由出門問問提供，同時搭載了Cerence和天貓精靈的相關(guān)能力。整體體驗(yàn)比其他豪華品牌要好，但遠(yuǎn)算不上第一梯隊。

Cerence和出門問問分別為這款車提供了一套ASR和NLU能力，兩者算是并行關(guān)系。所以用戶輸入任何一個指令，兩個通道都要跑一遍，最后統(tǒng)一口徑實(shí)行指令，流暢度不佳。

當(dāng)下，傳統(tǒng)豪華品牌的智能化升級迫在眉睫，車內(nèi)人機(jī)交互的體驗(yàn)，已然成為各大廠商競爭的焦點(diǎn)。新勢力攪動市場，自主品牌紛紛發(fā)力，智能汽車市場的競爭如火如荼。

下一代交互盯住“主動多模態(tài)”，仍需邁過“雞肋”這道坎

激烈的競爭一定程度上推動著語音交互產(chǎn)品提高用戶體驗(yàn)，也使得愈多用戶長期接受這種交互方式。智能電動汽車時代，“軟件定義汽車”這句話深入人心，但“語音”遠(yuǎn)遠(yuǎn)不能定義交互。

在整車底盤之上，還有攝像頭、HUD、玻璃、車燈（氛圍燈、外飾燈）等有望成為未來座艙端的交互產(chǎn)品。而語音交互能夠承載海量數(shù)據(jù)、帶來駕駛更高安全性等等，更會是交互產(chǎn)品生態(tài)的中心。

所以“智能相對論”認(rèn)為，以語音交互為中心的“主動多模態(tài)交互”會是未來的方向。

不同功能的攝像頭好比多雙“眼睛”，能夠進(jìn)行手勢識別、情緒識別，發(fā)現(xiàn)你的需求。這種情況下，攝像頭帶來的是交互系統(tǒng)“主動”提供服務(wù)，與其他地交互方式截然相反。當(dāng)語音這種“被動式”和視覺的“主動式”融合，整個交互產(chǎn)品生態(tài)會為用戶提供更豐富的服務(wù)和信息。

例如，將車輛、行人、車道、標(biāo)志識別融合導(dǎo)航信息進(jìn)行實(shí)時渲染，提供行車預(yù)警及導(dǎo)航指引等系列功能，并通過HUD投影至擋風(fēng)玻璃上，帶來更直觀的導(dǎo)航駕駛體驗(yàn)。

與此同時，通過視線追蹤、手勢交互等操作對艙內(nèi)座椅、燈光、空調(diào)、音樂等所有功能進(jìn)行控制，從而在保障安全駕駛的情況下讓人機(jī)交互更易用，并配合人臉識別身份認(rèn)證技術(shù)，提供駕駛員身份檢測以支持個性化功能實(shí)現(xiàn)。

愿景是美好的，但現(xiàn)實(shí)是，當(dāng)下視覺交互落地的案例屈指可數(shù)。寶馬的手勢識別在2015年率先登陸寶馬7系，2019年下放到3系，通過攝像頭主要識別確認(rèn)、調(diào)節(jié)音量大小、接聽和掛斷電話。識別率很高，但屏幕系統(tǒng)流暢程度和反應(yīng)非常流暢，手勢識別反而顯得雞肋。

如何平衡好語音、視覺等多模態(tài)之間的交互邏輯，是現(xiàn)階段各家一直在探索的問題。

體驗(yàn)參差不急，導(dǎo)致整個產(chǎn)品生態(tài)的價值沒有真正凸顯。最重要的是語音和視覺沒有從根本上融合，仍然是單打獨(dú)斗的狀態(tài)。

實(shí)現(xiàn)功能的整合并非易事，尤其是從被動指令到主動提供服務(wù)，需要成熟的AI技術(shù)的支撐。如果這種細(xì)微的服務(wù)能做好，體驗(yàn)會有大幅提升，用戶粘性會隨之提高。

若拋開技術(shù)先看交互的目的，是為了提供更多的服務(wù)。而服務(wù)背后，則是廣泛的內(nèi)容生態(tài)，社交、地圖、音樂等等。因此，如果能夠?yàn)橛脩籼峁└�多的生態(tài)內(nèi)容服務(wù)，交互產(chǎn)品生態(tài)的數(shù)據(jù)逐漸積累，人機(jī)交互也將更加智能。而這，必然需要多方的共同努力。