小米智能音箱來了，闖入房子的陌生人會「監聽」我們嗎

來源：數據猿 作者：張俊瀟

導語：自從亞馬遜在2014年推出智能音箱Echo之後，蘋果、谷歌、京東、阿里這些巨頭都紛紛做起了智能音箱，當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。

國內外的巨頭們都在做音箱，恐怕有大事要發生

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。雖然小愛這位同學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。因為相比於亞馬遜、谷歌和蘋果的智能音箱相比，小愛同學更適應「國情」和「語言環境」，跟京東、阿里來比，小愛同學前端有更多的智能產品可以做連接，最關鍵的是小愛同學也是這些產品裡面最便宜的，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，小愛同學絕對是一款負責衝量的戰略級產品，而且值得注意的是小愛同學是小米品牌旗下產品，不是來自米家或者其他生態鏈公司的產品，可見小米重視程度之高，小愛同學如果不肩負點使命都對不起雷軍。

巨頭們為未來下的注碼，智能音箱會是新一代的入口

小愛同學肩負什麼使命，要看市面上這些產品還有什麼東西沒有做到。天貓精靈和京東叮咚傾向於內容應用，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。

小愛比這些產品走得更遠了一步，已經開始初步實現對智能設備的控制。當初被人們所詬病的「雜貨鋪模式」開始在語音交互時代發揮作用，看看這些產品，路由器、空氣凈化器、檯燈、空調、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，反觀樂視…

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

現在看來，小米已經給出了答案，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。

包括小米在內的眾多巨頭都認為，未來實現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備，也許未來周圍都會安裝麥克風陣列接收語音。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？

那麼很多人就會問了，這個控制中心為什麼不是手機？其實這個問題更準確的提法應該是智能語音交互時代，手機為什麼不是絕對核心？

手機當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。以小米智能設備的應用場景來說，用手機app控制起來並沒有物理控制方便多少。

而且即便是在智能語音的應用上，過去很多年裡近場語音交互的嘗試（比如 Siri）並沒獲得很好的成果，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問世後，連扎克伯格也認為，語音交互的未來基本上就屬於遠場語音交互的模式了。

因為語音交互本質上其實也是一種操作系統，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，近場語音交互並沒有解放雙手，也沒有升級操作系統的空間維度，用起來很不科幻，實用性難以適應未來的發展需求。

家裡面闖進了陌生人，智能潛在的挑戰重重

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

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

一個是和智能設備的聯動問題。

小愛同學作為主流智能音箱，已經把行業最新的技術全部展示出來了，以目前的眼光來看，這樣的人工智慧距離人們想像中的未來要相差很遠。

可以設想的智能家居生活，至少要達到這樣的場景：當你下班回家，小米手環會根據你今天的行走步數、心率數推斷出你的情緒，通過車載系統計算出回家的時間，數據反饋到小米手機，然後傳遞到十幾公里外的家中。當你回到家後，說一句我回來了，電視隨之開啟，空氣凈化器自動調節室內濕度，熱水器來到你平時習慣的溫度，窗帘依著落日的餘暉緩緩關閉，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蔓延……

目前來看，小愛同學和其他設備之間的聯動還遠達不到這樣的要求。

和其他設備之間形成聯動僅僅是智能音箱的第一層任務，更深層次的應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備對人行為數據的不間斷收集，最後形成對人的「了解」。 之所以稱之為智能，就在於音箱作為器物卻承擔了「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時代的一個典型特徵，就是要能為人提供最智能、最精準的搜索結果。因為語音交互不能接受像觸屏時代一樣信息的泛濫，人的一句訂票、外賣、充值等服務需要最精準的答案，音箱要充當「思考」和「篩選」的功能。通過每天對人的行為大數據的收集和分析，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的基礎。

然而目前的技術還滿足不了這樣的需求。究其根本在於，目前基礎聲學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。你問他講什麼，一個字不懂。所以，語音識別還需要做的更好。」

李開復所說的機器「聽不懂」的意思就是說，比如用戶在家裡哼唱「和我在成都的街頭走一走」，智能音箱很有可能就憑藉這句歌詞給用戶訂了一張去成都的機票，直接規劃好到玉林路盡頭的路線。

顯然這是有問題的。

NLP--自然語言理解技術的發展為解決這個問題提供了可能性，雖然得益於大數據和深度學習的發展， NLP也取得了很大進步，但是人類語言的複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係、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還有來自技術之外的，易觀CTO郭煒就表達過這樣的擔憂：「如果日後家裡擺著一台智能音箱，有可能你說的每一句話都會被時時上傳到雲端，想起來這是一件多麼恐怖的事」。

但是，假如智能音箱缺少了大數據地收集功能，就意味著它沒有了「記憶」，而「思考」是要建立在「記憶」的基礎之上的，如何處理隱私和智能的關係也許是關乎行業未來走向的問題。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！