今年 5、6月的科技圈有两个大会，一个是 5 月的 2017 年苹果全球开发者大会（WWDC），另一个则是 6 月的上海CES Asia。
当WWDC被网友吐槽像硬件发布会时，CES Asia也被汽车厂商们变成了科技车展。如果要在这两个大会中找一个关于技术趋势的最大交集，答案可能是：智能语音的触角正在攻占各种各样的硬件和终端，成为时下最热门的AI技术之一。
这个结论同样来自与咨询公司Ovum。据Ovum估计，到2021年，配备智能语音助手的设备数量将增长至 75 亿以上，这一数字甚至略高于目前的世界人口数量。
而在众多这样的设备中，和大多数主打个人体验的智能硬件不同，有一种产品更倾向于家庭场景，那就是智能音箱。有人说，它会是VR/AR遇冷后智能硬件的下一波浪潮，有人认为，它是AI载体的一个过渡形态，不过更多人押定的是，它会是智能家居的钥匙和标配，预示着无数生活辅助服务的可能，或许这也是苹果为何将其搭载Siri的智能音箱称为“HomePod”的原因。
全球各大科技巨头已经推出了他们的智能音箱产品。目前来看，只有亚马逊于3年前推出的Echo经受住了市场的检验，出货规模已达到百万量级。更奇怪的是，Echo称得上“一直被模仿，从未被超越”，就连实力雄厚的谷歌，也花了近两年的时间才推出Home这样的竞品，其市场表现仍有待观察。
在中国，有一家公司被业内认为是最有可能做出能与亚马逊Echo匹敌的智能音箱，而这家公司同时也受到了《福布斯》青睐，入选2017年“全球50家顶级AI初创公司”，并捧走了2016年CES两项大奖——创新产品奖和科技改变生活奖。这家公司就是Rokid，目前估值已达4.5亿美金。和其他AI技术创业公司相比，Rokid选择了一个更小众且风险更高的方向——自主研发语音识别技术和硬件。
在语音识别技术上，国内的龙头企业是科大讯飞，不过Rokid并不认为，他们与科大讯飞构成直接竞争的关系，相比前者专注于覆盖语音产业链，Rokid更希望打造出能够占领中国市场的智能音箱。而在这一块，中国市场整体仍处于启动期，一方面语音交互还不被用户所习惯，用户使用频次非常低，另一方面，即使是美国三大科技巨头——亚马逊、谷歌、苹果——的产品也仍未涉足中文语音市场。
图丨Rokid的第一代产品Alien
近日，DeepTech深科技专访了Rokid创始人祝铭明（Misa），在创建Rokid之前，他曾就职于阿里神秘的M工作室，专注于机器学习、语音识别和人像识别等研究，或许从他的回答中我们能判断，智能音箱在中国究竟是不是一个好生意。
问：很多公司都声称他们通过AI技术对产品进行了很大改善，但是，多数情况是用户并没能体验到其智能的地方，造成这种现象的原因是什么？
祝铭明：整体来说，人工智能产品并不真正能像人一样聪明，但是，和它们沟通应该接近于用户和人的沟通。目前的情况是，如果你跟机器讨论一些严肃的话题，它的回答是会有所偏离的，也许我们不会觉得它笨，而更倾向于评价它是“比较好玩的”。
那么，为什么我们会觉得它们还是不够智能？这个不完全是技术的问题，也可能是产品设计的问题，比如说，当它不完全了解它所面对的对象时，我们为它设计了什么样的应对方案，能够让它变得更聪明、更人性化。
Rokid的产品现在也不能说是和真人一模一样了，但是在聊天过程中，它们能熟悉人类，数据和算法可以让产品变得越来越好，当数据越来越多，机器就可以越来越了解你，给你的反馈也会越来越准确，未来也可以更好地融入更多功能，这是人工智能给产品带来的最大魅力。我们希望把最好用的技术融入到产品中，如果普通用户感觉不到，我们认为，这个技术很可能是符合用户习惯的。使用起来自然，这才是最好的技术。
问：Rokid的产品和亚马逊Echo有什么区别？
祝铭明：就像生命早期的时候，生物的形态是比较单一且相似的，但是，随着它们发育越来越完整，不同的个体也就有了不同的特征。这个规律同样适用于智能音箱，一个产业的早期，产品的形态会比较相似，随着这个产业越来越成熟，不同的品牌会按照自己的路线来发展，我相信那个时候差别会比较明显。
图丨Rokid的第二代产品Pebble
和Echo相比，我们在产品思路上是完全不一样的，出发点和最终的方向也会有所不同，但是目前产品还是比较接近的。一般而言，智能音箱产品从功能和造型上来看差距不大，但在用户体验的表现上却可能千差万别。
我们分三个不同的阶段进行AI产品的规划：Home AI（提供家庭服务的AI产品）、Portable AI（便携式AI产品）和Personal AI（供个人使用的AI产品）。现阶段我们想把这个产品放到用户家庭中，首先是可以与用户进行交流的，能够进行情感上的陪伴，而不仅仅是像Echo一样单纯地执行指令。
问：Rokid最新产品采用的声纹识别技术将如何提升产品的使用体验？
祝铭明：声纹识别技术主要还是应用在司法、行政等领域，这应该是该技术首次落地到消费电子产品上。
在智能家居场景中，声纹识别技术可以帮助智能音箱记忆并识别不同人的声音，结合远场识别技术，在家里任何一个地方它都能够对用户的指令作出反应。目前，Rokid在声纹核心算法等错误率上表现优异，通俗来讲，如果你家里来了100个人的话，它可能会有5个人没认出来，我们也可以理解为，你和它交流100次，它有5次没认出你。这个表现是优于其他一些算法的，也许其他的语音技术也能达到这个成绩，但这个是最好的成绩了。
另外，声纹识别技术让智能音箱认知不同的人，这意味着它还能拓展出更多的智能服务，已有的功能也可以实现更加细致的定制化，比如基于家庭成员不同喜好的音乐推荐。声纹识别技术同样需要数据支撑，但是这个量并不会很大。如果用户家里购买了一台Rokid，只需要识别几位家庭成员的样本就可以了，当多人下达命令，Rokid会识别出“主人”的命令并优先执行。
图丨Rokid的产品的全方位麦克风阵列
语音技术里面的个体认知就像智能手机里的触屏一样，将会引发产业的大革命。当然，Rokid的语音交互效果并不仅靠这个技术来支撑，目前我们产品用到的技术具体分成四个方向，包括麦克风阵列的技术、语音识别、自然语言理解以及语音合成技术。这是一个完整的技术链条，完全由我们自主研发。
问：从中国的市场来看，现在是一个推出智能音箱的好时机吗？
祝铭明：确实有一部分人对智能音箱这个产品存在一定的质疑，即使他们并没有真正地体验过。我认为，早期推出的一些产品破坏了人们对智能音箱期望，这是其中一个原因，也是一个客观存在的问题。
所以，现阶段，盈利并不是Rokid的第一目标，而是希望通过产品打开这个市场。我们希望制造更多的机会能让用户亲身体验和接触产品，帮助恢复用户对这个产品的信心和好奇心，让更多的的人接受和习惯这种使用方式，这个是最重要的。
当然，我只能说这个市场还在教育的过程中。就算这样，用户的接受度也已经超乎我们的预期。中国要出现类似亚马逊Echo在美国的市场占有率，估计还需要两年的时间。
其实，硬件产品本身是很难做的，从研发到工程到生产再到市场，每一个环节都需要付出了很多。除了持续的技术更新和产品打磨，目前放在我们眼前最大的困难就是如何开拓市场。这个方向并没有谁做得更为出色。
我们也在探索如何拓宽这个市场，通过线上线下的活动、协同整个行业甚至是我们的竞争伙伴，大家一起来教育这个市场，这肯定是一个立体的解决方案，我们会尝试很多新方法扩大用户接触产品的面。
问：在用户群体中，老年人是不是接受度特别低，因为他们会觉得不是在和人交流，是在和机器交流?
祝铭明：实际情况和我们的预想的正好相反。智能音箱产品的购买者以年轻人（尤其是男性）居多，但使用人群却以老年人和儿童为主。这是一个非常有趣的现象。我想，这可能是因为男性更容易接受和尝试新的产品，当他们把这个产品带回家后，真正使用最多的却是儿童、老人和女性。
一部分不愿意购买这种产品的人可能会有对个人隐私的顾虑。但是，拿Rokid来说，如果我们不唤醒它，那么它是无法获取任何信息的，它不会有任何的信息来对外沟通，而在处理过程中，用户的所有信息都是加密的，从设备的日常状态、通信到后台的数据处理，我们都做了非常严格的保护。
问：语音交互会是智能交互的最终形态？
祝铭明：不一定。2014年，当我还在阿里工作的时候，我认为语音交互会成为几年后的主流，因此我离开阿里开始做这件事情。目前来看，语音交互仍然是最成熟的方式，判断它是不是最终形态仍为时尚早，至少现在它是主流形态，相信接下来不少人会用语音交互去打造他们的产品。
但是，我们认为未来的产品应该是支持多维互动。目前，我们用语音与产品互动，未来不仅仅是只有语音，还可以有摄像头、手势等，甚至行走这一动作都能产生交互，这种多维交互是很值得期待的。
还有更有趣的，那就是多屏互动。很多人会问，AI产品发展的未来会是什么样，要不要在音箱上加一块屏幕。我们并不认为，家庭场景里还需要另外一块屏幕，其实让你家里已有的屏幕互动起来就已经足够。比如说手机上推送一条含视频的新闻，我对它说，帮我在电视上放出来，这个视频就会直接在电视上显示。所以，我们认为，多屏互动将会是一个趋势。
-End-
《麻省理工科技评论》
2017年“全球50大最聪明的公司”榜单发布会
时间：6月27日
地点：北京· 国贸大酒店
报名方式：查看“阅读原文”
