技術(shù)這個(gè)事情，很多時(shí)候不是一蹴而就的。
更多時(shí)候，是大家先看到了一個(gè)東西非常美好，結(jié)果左發(fā)展右發(fā)展也發(fā)展不起來，在吃瓜群眾們興奮地送上一首《涼涼》之后，搞不好哪天卻突然一個(gè)勝負(fù)手拋出來，一切又都不一樣了。
曾經(jīng)的移動(dòng)通訊、觸屏交互莫不如是，今天的3D打印、VR說不定也在重復(fù)這個(gè)套路。更明顯的可能是物聯(lián)網(wǎng)。這個(gè)我們念叨了好多年，雖然也一直在發(fā)展，但始終沒有大熱的技術(shù)，到底在等待什么呢？
等待AI？但是音箱刮過一陣語音交互的風(fēng)潮之后，IoT設(shè)備搭載語音控制模塊也火了起來。可是直到今天，我們好像發(fā)現(xiàn)物聯(lián)網(wǎng)還是那個(gè)物聯(lián)網(wǎng)，基本沒什么變化。
讓我們往更深層開個(gè)腦洞，“AI of Things”在等待的，可能不僅是語音交互，而是耳目鼻口耳協(xié)同工作的多模態(tài)AI交互。
你不溫柔，我不主動(dòng)：為什么我們始終遠(yuǎn)離IoT？
首先我們要搞懂一件事：為什么給設(shè)備聯(lián)網(wǎng)的方案推行了這么多年，我們身邊，包括工業(yè)和工程領(lǐng)域，真正用到的物聯(lián)網(wǎng)設(shè)備還是沒有多少？
答案在于，光給機(jī)器設(shè)備聯(lián)網(wǎng)是沒用的。你家的桌椅板凳又不想聊微信逛淘寶看快手，它們要網(wǎng)作甚？
人***終需要的是服務(wù)，所以設(shè)備僅僅聯(lián)網(wǎng)是沒用的，聯(lián)網(wǎng)之后必須能干點(diǎn)什么才行。這就需要兩件事情：
1、人與設(shè)備可交互；
2、設(shè)備能夠感知到人的需求。
在觸屏、鍵盤和手機(jī)集成遙控模式，都被證明太麻煩之后，物聯(lián)網(wǎng)開始把目光投向了能夠提供自然交互與感知能力的AI。
機(jī)器能夠聽懂人類說話，并且產(chǎn)生對話并提供服務(wù)，似乎某種意義上從源頭解決了物聯(lián)網(wǎng)設(shè)備缺乏實(shí)際價(jià)值的尷尬。于是我們見到了越來越多搭載語音交互平臺，能夠?qū)崿F(xiàn)對話的物聯(lián)網(wǎng)設(shè)備。從電視、冰箱到家居設(shè)備，再到各種終端不勝枚舉。
 
 
但實(shí)踐下來發(fā)現(xiàn)，這種模式問題還是不少：
比如語言控制不如屏幕控制那么**，很多時(shí)候會(huì)誤判指令和錯(cuò)誤喚醒，比較語言充滿了不確定性；
再比如，語音交互的物聯(lián)網(wǎng)設(shè)備還是缺乏主動(dòng)服務(wù)的能力，只是換了操作方式而已，用戶體驗(yàn)沒有本質(zhì)提升。
僅僅是“能聽”，并且還經(jīng)常聽錯(cuò)的物聯(lián)網(wǎng)設(shè)備，就像是兩個(gè)人談戀愛，其中一方從來不看你，不會(huì)知冷知熱、噓寒問暖，還經(jīng)常搞錯(cuò)對方的意思，那另一方當(dāng)然表示我懶得理你……
目前來看，把按鈕換成了語音命令平臺，隱藏的不確定性太多，而實(shí)際價(jià)值太少，很難成為物聯(lián)網(wǎng)爆發(fā)的真正依托。
這種“你不溫柔我不主動(dòng)”的人機(jī)關(guān)系究竟怎么改變呢？
答案也許是讓機(jī)器能夠聽和說之外，還要能看，能感覺，甚至能將五感聯(lián)系到一起進(jìn)行思考。
感知到交互：機(jī)器的五感俱全
所謂“模態(tài)modality”，是德國生理學(xué)家赫爾姆霍茨提出一種生物學(xué)概念。即生物憑借感知器官與經(jīng)驗(yàn)來接受信息的通道，比如人類有視覺模態(tài)、聽覺模態(tài)等等。
后來這個(gè)概念引申到人文科學(xué)領(lǐng)域，成為哲學(xué)和文學(xué)上的一種話語批評方式；而來到機(jī)器人和計(jì)算機(jī)科學(xué)領(lǐng)域，就成了機(jī)器與物理世界聯(lián)系的通道。
假如我們把“模態(tài)”通俗地理解為感官，那么智能音箱就是只具備聽覺模態(tài)的物聯(lián)網(wǎng)設(shè)備，而加載AI分析能力的攝像頭可以視為視覺模態(tài)的物聯(lián)網(wǎng)設(shè)備。把聽覺、視覺甚至更多模態(tài)組合到一起，多模態(tài)物聯(lián)網(wǎng)也就誕生了。
 
事實(shí)上，在AI研究當(dāng)中多模態(tài)轉(zhuǎn)換是非常普遍的課題。比如一個(gè)很出名的AI研究方向是讓智能體根據(jù)看到的某張圖片來生成文字（也有看到文字生成圖片和視頻的），這就是讓AI模型完成在視覺和語義之間的模態(tài)轉(zhuǎn)換。
運(yùn)用到物聯(lián)網(wǎng)設(shè)備當(dāng)中，今天主要的AI感知模態(tài)有三種：
1、語音交互，包括語音指令控制、語義理解、多輪對話、NLP、語音**識別等領(lǐng)域；
2、機(jī)器視覺，包括自然物體識別、人臉識別、肢體動(dòng)作識別等；
3、傳感器智能，包括AI對熱量、紅外捕捉信號、空間信號的閱讀與理解。
把這三種東西融合在一起，物聯(lián)網(wǎng)設(shè)備就可以在單純的能聽會(huì)說之外，同時(shí)還用攝像頭觀察、用傳感器判斷。而比較前沿的多模態(tài)感知研究當(dāng)中，還包括機(jī)器嗅覺，機(jī)器觸覺和情緒理解等內(nèi)容。
我們在等待的下一代物聯(lián)網(wǎng)設(shè)備，很可能訣竅就是把這些模態(tài)給揉在一起，完成從多模態(tài)感知到多模態(tài)交互的體驗(yàn)。用一句我們十分熟悉的話說，就是要讓機(jī)器身上的五感“生態(tài)化反”……
今天讓人樂觀的多模態(tài)交互型IoT
又能聽，又能看，又有傳感器的設(shè)備，聽上去似乎有點(diǎn)過分樂觀了。但好在綜合了較多采訪與觀察之后，我們發(fā)現(xiàn)今年確實(shí)是值得為多模態(tài)物聯(lián)網(wǎng)設(shè)備樂觀一下的時(shí)候。
可以看到，很多雙模態(tài)交互，甚至多模態(tài)混合交互的解決方案都在從實(shí)驗(yàn)室里走出來，甚至已經(jīng)可以在我們生活中看到。這些解決方案更重要價(jià)值是作為案例，可以讓更多企業(yè)、開發(fā)者和垂直行業(yè)看到多模態(tài)物聯(lián)網(wǎng)的可復(fù)制價(jià)值。
舉例來說，離我們***近的多模態(tài)AI交互技術(shù)投射在物聯(lián)網(wǎng)設(shè)備上，大概就是用機(jī)器視覺技術(shù)進(jìn)行嘴唇識別，來分離語音交互指令。我們可以看到很多實(shí)驗(yàn)室和科技公司，都在嘗試用機(jī)器視覺來讀取說話人的唇語和動(dòng)作，從而判斷每個(gè)聲音指令的來源。
這種技術(shù)已經(jīng)在國內(nèi)被運(yùn)用到地鐵售票解決方案中，通過機(jī)器視覺來識別買票人，從而在地鐵站的嘈雜環(huán)境中完成語音售票。
 
 
另一個(gè)我們能看到的例子是空調(diào)。在一些新的智能空調(diào)解決方案中，空調(diào)會(huì)在語音交互的基礎(chǔ)上通過機(jī)器視覺來判斷用戶的位置，提供智能送冷，并且會(huì)結(jié)合傳感器判斷屋內(nèi)溫度和濕度，提供更**的環(huán)境方案。
同樣是在家電上，今年電視背后的AI平臺戰(zhàn)打得風(fēng)生水起，把機(jī)器視覺技術(shù)引入電視成為了新的趨勢。通過機(jī)器視覺來讓電視觀察屋內(nèi)照明情況、用戶與電視的距離，電視可以主動(dòng)調(diào)節(jié)屏幕光線強(qiáng)度，輸出比較護(hù)眼的模式。還有的AI應(yīng)用是讓電視在觀察到兒童看電視后主動(dòng)開啟童鎖。
在日常生活之外，多模態(tài)交互設(shè)備也在應(yīng)用于工業(yè)設(shè)備中。比如通過給機(jī)器設(shè)備搭載機(jī)器視覺+傳感器提供安全警告，以及利用機(jī)器視覺+故障信號的方式判斷設(shè)備問題等。
把不同信號模態(tài)整合在一起，實(shí)現(xiàn)設(shè)備的多維感知，今天正在以比較快的速度來到應(yīng)用市場。
高精度判斷用戶命令，輸出主動(dòng)服務(wù)；提供實(shí)時(shí)化、彈性化的體驗(yàn)，可以說是AI帶來的多模態(tài)交互技術(shù)放進(jìn)物聯(lián)網(wǎng)世界中的一張鬼牌。
當(dāng)然了，還是有幾道難關(guān)……
按照慣例，**我們還是要正視任何技術(shù)都存在不足。剛剛有一點(diǎn)萌芽的多模態(tài)交互+物聯(lián)網(wǎng)當(dāng)然也不例外。
***核心的一個(gè)問題，是我們到底靠什么實(shí)現(xiàn)多模態(tài)協(xié)同？
目前來看，無論是家電還是工業(yè)設(shè)備，實(shí)現(xiàn)多模態(tài)混合的主要方式還是把不同的傳感源輸入到設(shè)備處理中心，啟動(dòng)一定程序來開啟相應(yīng)服務(wù)。
換句話說，AI模型本身是沒法理解多模態(tài)信號的，只是不同的算法啟動(dòng)不同的開關(guān)而已。這種“偽AI多模態(tài)”的設(shè)備也不是不行，只是在實(shí)時(shí)化和復(fù)雜的推理判斷上會(huì)有心無力。
解決方案可能是一種叫做“多模態(tài)深度學(xué)習(xí)”的技術(shù)，讓AI智能體本身能夠理解多模態(tài)信號，從算法本身就容納聽覺、視覺、傳感信號進(jìn)行統(tǒng)一思考。這樣可以保證設(shè)備高度實(shí)時(shí)化，并且可以讓設(shè)備進(jìn)行多模態(tài)協(xié)同學(xué)習(xí)，真正地“聰明”起來。
這要求在算法上對多維度數(shù)據(jù)的各自表示、融合、對齊有新的突破，今天我們還只能等待學(xué)術(shù)界的好消息。
另外一個(gè)問題，是今天的多模態(tài)交互缺少有效的開發(fā)平臺，開發(fā)者和企業(yè)很難復(fù)制這一模式，來進(jìn)行獨(dú)立的物聯(lián)網(wǎng)解決方案開發(fā)。當(dāng)然，目前來看這應(yīng)該僅僅是個(gè)時(shí)間問題。
與之相對應(yīng)的，是在缺乏行業(yè)標(biāo)準(zhǔn)、開發(fā)基礎(chǔ)的前提下，今天開發(fā)一個(gè)多模態(tài)物聯(lián)網(wǎng)項(xiàng)目需要大量的人才成本和綜合開發(fā)成本。并且缺少芯片、專用傳感器等后端硬件的支撐。這個(gè)領(lǐng)域國內(nèi)有一些芯片和算法公司，但似乎大部分處在做PPT的畫餅階段。
綜合來看，AI帶來的多模態(tài)想象力，大概確實(shí)可以完成一些物聯(lián)網(wǎng)很早就希望實(shí)現(xiàn)的東西。但方興未艾的產(chǎn)業(yè)局勢，還需要巨頭搭建平臺、優(yōu)質(zhì)案例出現(xiàn)、開發(fā)者路徑明確等幾個(gè)環(huán)節(jié)才能開啟下一輪風(fēng)口。
但無論如何，耳聰目明的機(jī)器，已經(jīng)在跑步過來的路上了……
2018年人工智能的發(fā)展趨勢：
趨勢1：大公司穩(wěn)贏
Amazon，Google，F(xiàn)acebook和IBM將會(huì)在人工智能行業(yè)中居于***地位。這些大公司擁有完整的搜集數(shù)據(jù)渠道，因此他們在數(shù)據(jù)量上具有很大的優(yōu)勢。
Amazon在AI領(lǐng)域投資超過20年；Google全球**的數(shù)據(jù)庫之一，擁有10-15 百京字節(jié)的數(shù)據(jù)；Facebook每天處理25億則信息和超過500 兆字節(jié)的數(shù)據(jù)。
關(guān)于將機(jī)器學(xué)習(xí)融入應(yīng)用程序和產(chǎn)品開發(fā)服務(wù)這一方面，Google***有可能領(lǐng)跑。
趨勢2：算法和技術(shù)的合并將會(huì)發(fā)生
所有投資AI領(lǐng)域的第二梯隊(duì)的公司，比如說Intel, Salesforce 和 Twitter, 都會(huì)追隨擁有數(shù)據(jù)的大公司，開始用大公司的算法和AI。行業(yè)中公司之間會(huì)出現(xiàn)數(shù)據(jù)的交易，并且很大概率會(huì)出現(xiàn)算法和技術(shù)合并。數(shù)據(jù)交易和算法技術(shù)合并會(huì)提高AI的效率。
Google和Facebook這樣的大公司會(huì)并購小公司，并將算法整合到他們的核心平臺/解決方法中。為了搶占先機(jī)，取得競爭優(yōu)勢，Google收購了AI公司DeepMind。這家公司總部在倫敦，主營業(yè)務(wù)是開發(fā)通用學(xué)習(xí)算法。另一方面，F(xiàn)acebook并購了Wit.ai公司，借此提高語音識別和語音接口的水平。Facebook還并購了另一家AI創(chuàng)業(yè)公司Ozlo來提升虛擬助手M的水平。
趨勢3：大量通過眾包獲取數(shù)據(jù)
所有的AI公司都會(huì)追求大數(shù)據(jù)，然后找尋方式方法來實(shí)現(xiàn)他們自己的AI目標(biāo)。這些公司都會(huì)開始采用眾包(Crowdsource, 眾包，個(gè)人或組織可以利用大量的網(wǎng)絡(luò)用戶來獲取需要的服務(wù)和想法)的方法來獲取數(shù)據(jù)。很多公司已經(jīng)找到眾包獲取數(shù)據(jù)的不同方法，這些方法不僅可以讓公司獲益，還可以提供給消費(fèi)者一個(gè)表達(dá)觀點(diǎn)的渠道。
趨勢4：并購和更多的并購
CBInsights有統(tǒng)計(jì)數(shù)據(jù)顯示，收購AI公司的競賽已經(jīng)開始/ 2018年將是當(dāng)公司競爭智力資本和人才時(shí)產(chǎn)生越來越多的兼并和收購的一年。機(jī)器學(xué)習(xí)/ AI空間中的所有較小的玩家將被大型公司收購。有兩個(gè)原因：
1、AI不能在沒有數(shù)據(jù)集的情況下孤立工作。由于較大的公司擁有大量的數(shù)據(jù)集，所以對于較小的企業(yè)來說，這些數(shù)據(jù)將具有非常大的競爭力。
2、沒有數(shù)據(jù)的算法沒有任何用處。沒有算法，數(shù)據(jù)幾乎沒有用。數(shù)據(jù)是算法的核心，獲取大量數(shù)據(jù)是至關(guān)重要的。
趨勢5：獲取市場份額的工具民主化
較大的公司將開始開源其算法和其他工具集，以獲得市場份額。基于市場的數(shù)據(jù)和算法訪問障礙將會(huì)減少，AI的新應(yīng)用將會(huì)增加。通過民主化，獲得有限或無法獲得AI工具的小型公司將可以獲得大量數(shù)據(jù)進(jìn)行訓(xùn)練和使用復(fù)雜的AI算法。
趨勢6：人機(jī)交互將會(huì)改善
Siri和Alexa可能是兩個(gè)**的人機(jī)交互工具。與這些相似的更多基于機(jī)器人的解決方案將成為AI公司的入門級別的東西。例如，雖然機(jī)器已被編程用于語音分析和面部識別，但機(jī)器將能夠基于您的聲音的語調(diào)來識別您的心情，這叫做情感分析。
趨勢7：AI將開始緩慢但一定會(huì)影響所有的垂直領(lǐng)域
制造業(yè)、客戶服務(wù)、金融，醫(yī)療保健和交通運(yùn)輸已經(jīng)受到AI的影響。自動(dòng)駕駛汽車已經(jīng)預(yù)計(jì)到2018年上市。明年AI將影響更多的垂直行業(yè)。行業(yè)的簡要示例以及人工智能將如何影響他們包括：
保險(xiǎn)—— AI將通過自動(dòng)化改進(jìn)索賠流程
法律—— 自然語言處理可以在幾分鐘內(nèi)總結(jié)數(shù)千頁的法律文件，從而縮短時(shí)間并提高效率效率
公關(guān)與媒體—— AI將幫助快速處理數(shù)據(jù)
教育—— 虛擬導(dǎo)師的發(fā)展; AI輔助判卷; 適應(yīng)性學(xué)習(xí)計(jì)劃，游戲和軟件; 由AI推動(dòng)的個(gè)性化教育課程將改變學(xué)生和教師的互動(dòng)方式
健康 —— 機(jī)器學(xué)習(xí)可用于創(chuàng)建更復(fù)雜，準(zhǔn)確的方法來預(yù)測患者出現(xiàn)癥狀之前的疾病年數(shù)
趨勢8：安全，隱私，倫理和道德問題
人工智能的分支，如機(jī)器學(xué)習(xí)和大數(shù)據(jù)，都容易受到新興的安全和隱私問題的影響。有時(shí)候在關(guān)鍵的基礎(chǔ)設(shè)施起到重要作用。或者是一些與隱私問題有關(guān)的安全需求，如將銀行帳戶和健康信息保密，這些都將會(huì)對安全性研究產(chǎn)生更大的需求。2018年將是安全和隱私問題一定會(huì)得到解決的一年，未來，也可能會(huì)有新的發(fā)展。