確保您的AI助手可以為您預訂約會，但是有意義的對話又如何呢？ Shutterstock / Bas Nastassia
谷歌最近 亮相 其最新的語音AI，稱為Duplex。 雙工聽起來像一個真實的人，有停頓，“嗯”和“ ahhs”。
這家科技巨頭表示，可以與人們通電話預約和檢查營業時間。
在Google揭幕戰上錄製的對話中，它與接收方的人員進行了無縫對話，他們似乎完全不知道自己沒有與其他人交談。
這些電話離開了 Google展會上以技術為導向的觀眾大聲歡呼。 在一個示例中，AI甚至可以理解與之交談的人甚麼時候變得很困惑，並且能夠繼續跟進對話，並在被告知不需要預訂時得到適當的響應。
人工智能助手的興起
如果您使用了任何當前可用的語音助手，例如 Google Home，Apple的Siri或Amazon Echo，這種靈活性可能會讓您感到驚訝。 這些助手是 眾所周知的困難 用於標準請求以外的任何其他功能，例如給聯繫人打電話，播放歌曲，進行簡單的網絡搜索或設置提醒。
當我們與這些新一代助手交談時，我們總是意識到我們正在與AI交談，並且我們經常會相應地調整我們所說的內容，以期希望最大程度地發揮其功能。
但是與Duplex通話的人不知道。 他們猶豫，回溯，跳過單詞，甚至在句子中途更改事實。 雙層公寓不容錯過。 它似乎真的很了解發生了什麼。
閱讀更多： 智能揚聲器可能成為家庭自動化的轉折點
那麼，未來到來的時間比人們預期的要早嗎？ 世界上充滿了在線（和電話）人工智能助手，他們開心地聊天並為我們做一切嗎？ 或更糟糕的是，我們會突然被聰明的AI包圍著，他們的想法和思想可能包括人類，也可能不包括人類。
答案是肯定的“否”。 要了解原因，可以快速了解如何驅動諸如此類的AI。
雙面：如何運作
這就是 雙工AI系統 好像。
傳入的聲音通過ASR系統進行處理。 這將生成文本，並使用上下文數據和其他輸入進行分析，以生成通過文本語音轉換（TTS）系統大聲讀取的響應文本。 谷歌
系統採用“輸入”（如左圖所示），這是它正在電話上與之交談的人的聲音。 語音通過自動語音識別（ASR），然後轉換為文本（書面文字）。 ASR本身是一種先進的AI系統，但在現有語音助手中已經普遍使用。
然後掃描文本以確定句子的類型（例如問候語，陳述，問題或指示），並提取所有重要信息。 然後，關鍵信息成為上下文的一部分，這是額外的輸入，可以使系統與對話中到目前為止所說的保持最新。
然後，將來自ASR和上下文的文本發送到Duplex的心臟，稱為人工神經網絡（ANN）。
在上圖中，ANN由圓圈和連接它們的線表示。 人工神經網絡粗略地模擬了我們的大腦，其中有數十億個神經元連接在一起形成巨大的網絡。
還不算腦子
但是，人工神經網絡比我們的大腦要簡單得多。 這個人唯一要做的就是將輸入的單詞與適當的響應相匹配。 通過向ANN展示預訂餐廳的人的數千次對話的筆錄來學習。
通過足夠的示例，它可以了解正在與之交談的人期望輸入什麼樣的句子，以及對每個輸入者給出什麼樣的響應。
然後，將ANN生成的文本響應發送到文本語音轉換（TTS）合成器，該合成器將其轉換為語音，然後在電話上播放給人。
再一次，這款TTS合成器是一種先進的AI –在這種情況下，它比手機上的AI更先進，因為它的發音幾乎與任何普通語音都無法區分。
這裡的所有都是它的。 儘管它是最先進的，但係統的核心實際上只是一個文本匹配過程。 但是您可能會問–如果這麼簡單，為什麼我們以前不能這樣做呢？
博學的回應
事實是，人類語言以及現實世界中的大多數其他事物太易變且無序，無法由普通計算機很好地處理，但是這種問題對於AI來說是完美的。
請注意，AI產生的輸出完全取決於它在學習時所顯示的對話。
這意味著需要培訓不同的AI來進行不同類型的預訂-例如，一個AI可以預訂餐廳，而另一個AI可以預訂髮型。
這是必要的，因為對於不同類型的預訂，問題和回答的類型可能相差很大。 這也是Duplex可以比需要處理多種類型請求的常規語音助手更好的原因。
所以現在很明顯，我們不會很快與AI助手進行隨意的對話。 實際上，我們當前所有的AI都不過是模式匹配器（在這種情況下，就是文本的匹配模式）。 他們不了解所聽到的，所看的內容或所說的內容。
模式匹配是我們大腦要做的一件事，但是它們也做得更多。 創建更強大的AI的關鍵可能是釋放更多的大腦秘密。 我們要嗎？ 好吧，那是 另一個問題.
關於作者
博士後研究員斯特拉頓（Peter Stratton）， 昆士蘭大學
