AI將會成為智慧家庭最核心的要素

2018年5月9-10日，15屆論道在西安隆重舉行。50多場演講，干貨滿滿;30多個展臺，亮點多多;多場高峰對話，火花四濺。深圳市海思半導(dǎo)體有限公司高級產(chǎn)品經(jīng)理姚世勇進行了主題為《智慧家庭中的AI》的演講。

兩三年前,智慧家庭還停留在概念階段，現(xiàn)在情況完全不同，已經(jīng)變成了進行時，從全球范圍來看，歐洲的法電、德電、意電，美國的comcast、Verison，到東南亞的韓國、日本，都相繼推出智慧家庭的戰(zhàn)略。國內(nèi)情況大家比較熟悉，運營商均成立了智慧家庭聯(lián)盟，全球范圍內(nèi)，60%的領(lǐng)先運營商正在開展智慧家庭業(yè)務(wù)。

AI將會成為智慧家庭最核心的要素

對于智慧家庭，不同的人有不同的理解，家庭是一個非常特殊的場景，家庭里面應(yīng)該做到高速網(wǎng)絡(luò)無處不在，智能服務(wù)無處不在。家庭里可享受以下三種服務(wù)：

一是安全的家，希望通過安防業(yè)務(wù)，構(gòu)建安全的應(yīng)用場景;二是舒適的家，這也是大家夢寐以求的，也是核心的應(yīng)用場景;三是健康的家，圖中都是目前正在開展的業(yè)務(wù)，當(dāng)然不限于這些業(yè)務(wù)。針對這些業(yè)務(wù)，最重要的就是實現(xiàn)智慧服務(wù)，不管是大趨勢、還是大戰(zhàn)略，都頻繁被提到，我們看到的情況也是如此，AI將會成為智慧家庭最核心的要素。

大家一起回顧一下AI發(fā)展的情況，在50年代初，AI概念被提出來，馬上就有相應(yīng)成果，開始是國際跳棋，但算法太簡單，從此以后AI沉寂了近40年。直到1996年，IBM的“深藍”與人類對弈，機器第一次戰(zhàn)勝了國際象棋大師，引起轟動，但仍擺脫不了機器暴力計算的問題。2017年，谷歌的“阿爾法狗”戰(zhàn)勝國際象棋大師，AI重回聚光燈下。總覺得AI跟棋有不解之緣。工業(yè)自動化很早就實現(xiàn)了，但是大家覺得用機器做工作，只是比人快一點、更準(zhǔn)確些。為什么棋類引起這么大轟動?因為棋類是人類引以為豪的智慧活動。

特別是“阿爾法狗”戰(zhàn)勝人類，其模式已經(jīng)走向深度智能化，選擇性運算產(chǎn)生的效果已經(jīng)非常的震撼，前景已經(jīng)超出大家想象，有人充滿希望，有人充滿恐慌。今天，我們看到智能領(lǐng)域發(fā)生了很大變化，取得了很大成功。

一頭狼具有識別獵物的能力，甚至有簡單的協(xié)同，但我們現(xiàn)在智能顯然差距很大，有很多人開玩笑，說現(xiàn)在人工智能比不過一條狗，可能就是這個原因，人工智能絕大部分聚焦于專家系統(tǒng)，在某一個特定領(lǐng)域產(chǎn)生非常大的作用，還不能用于廣泛的人工智能。

這個視頻是憨豆去年拍的片，用的是一輛車勞斯萊斯，可以做遠場語音控制，憨豆跟別人聊天的時候，提到車名，車就自動啟動了，還沒有注意到車，車也自動跟隨在身后，隨人走走停停，無意中轉(zhuǎn)身，發(fā)現(xiàn)車很蹊蹺的挪了個地方。這說明一個問題，最高端的語音識別系統(tǒng)也無法區(qū)別語境，只能機械接受語音命令，可能會造成笑話。

AI技術(shù)兩大科技革命，驅(qū)動用戶體驗升級

以后產(chǎn)品會沿著兩大方向演進，一個是交互革命，一個是AI革命。早期的操控，人機界面局限于遙控器、手柄，現(xiàn)在智能語音技術(shù)出現(xiàn)了，后續(xù)很可能出現(xiàn)智能視頻技術(shù)，再到后面可能會出現(xiàn)VR、AR技術(shù)實現(xiàn)人機交互，這種控制會完全突破大家一直詬病的操作笨、不方便問題。另外一個是人工智能，從最早的用戶側(cè)感知，不斷的進行演進，深度學(xué)習(xí)到對客戶行為的認(rèn)知，到最后實現(xiàn)能媲美人類的人工智能。

AI語音技術(shù)，是目前成熟度最高的領(lǐng)域之一，人工智能按應(yīng)用可歸結(jié)為兩大類，一類是語音識別，一類是圖片分類。語音識別的成熟度最高，這個生態(tài)里面大部分的網(wǎng)絡(luò)巨頭在資源整合上有很大潛力。專業(yè)語音公司像科大訊飛等，包括BAT廠家也做語音識別，內(nèi)容廠商的視頻內(nèi)容聚集，各種音箱硬件廠商都會參與進來，最后由運營商或設(shè)備廠家做業(yè)務(wù)運營。從技術(shù)方面看，這么多技術(shù)模塊才構(gòu)建了一個語音識別功能，從最上層的語音分析到中間的拾音、語音增強等，最下面是用戶，通過技術(shù)模塊疊加互動，最終實現(xiàn)智能音箱，或者帶STB特性的智能盒子。

作為芯片廠家，我們的著力點在端側(cè)，我們希望把云端的語音技術(shù)不斷端側(cè)化，語音能力在端側(cè)建立，最終實現(xiàn)一個效果：在家庭環(huán)境里面自然交互。大家有沒有想過買了一個智能音箱，用起來不像宣傳中那么順手、便利，語音識別率沒有那么高，可能就是這個原因。換言之，它是在特定環(huán)境里才可以高識別，真正客廳里面人比較多的時候，有噪音的時候，是否操作起來輕松自如，這是一個疑問。

隨著當(dāng)前語音技術(shù)發(fā)展，家庭里面要達到真正的自然語音交互，應(yīng)該做到分布式語音層面，不能說買一個盒子放在客廳，要做一次語音交互，一定得跑到客廳去，家里還有那么多房間，甚至很多人習(xí)慣待在房間怎么辦?比如出門前查一個天氣，想問一下交通是否擁堵，怎么辦? 分布式語音解決方案解決這個問題，借助于G.hn+WIFI分布式網(wǎng)絡(luò)解決方案，能夠讓整個家庭做到網(wǎng)絡(luò)完全覆蓋。順著高速網(wǎng)絡(luò)，語音也可以延伸到家庭的每一個角落，拾取主人聲音，給主人一個反饋。

AI視頻技術(shù)，借助于AI，可以用攝像頭捕捉家庭情況，或者同步進行3D建模，最后把人像從環(huán)境中提取出來，疊加到視頻或者增值內(nèi)容上面去，比如在家里打太極、學(xué)國標(biāo)舞，可以把整個形象動作同步到原教學(xué)視頻里面做比對，可以更精準(zhǔn)、高效的學(xué)習(xí)。借助于圖象技術(shù)可以衍生出很多應(yīng)用，我們怎樣把流量變成大家喜聞樂見的增值業(yè)務(wù)，這是一個非常大的難題。比如游戲，我們可以通過攝像頭捕捉人物輪廓，作為游戲操控的媒介，來控制游戲里面的角色。第二種是現(xiàn)在玩的比較火的抖音，有舞蹈指導(dǎo)動作，很多感興趣的年輕人可以實現(xiàn)他錄抖音的愛好。第三種是智能試衣鏡，通過現(xiàn)在的3D攝像頭，可以獲取人的三維信息，現(xiàn)在已有技術(shù)誤差達到厘米級，非常接近真實人體，獲取的模型跟衣服矢量圖像結(jié)合，這樣在網(wǎng)上將會有一個全新購衣體驗，這個衣服可以不買，可以試穿，拍一個照片做一個留念也可以。大家會發(fā)現(xiàn)在這幾種應(yīng)用場景里面，這都是大屏獨有的應(yīng)用，是手機、電腦做不到的。

視頻AI技術(shù)，也是目前在好萊塢大的影視制作公司廣泛采用的技術(shù)，在面對低分辨率的圖象時，通過智能技術(shù)提升整個畫質(zhì)。現(xiàn)在家庭影視娛樂設(shè)備，包括機頂盒、電視，視頻依然是消費主線，是最基本的元素，脫離這個元素可能會造成用戶大量的流失，我們想在這個方面做技術(shù)的加強?，F(xiàn)在海量的標(biāo)清節(jié)目、高清節(jié)目，可不可以通過AI技術(shù)直接提升到4K，同時圖像質(zhì)量有明顯的提升?這是有可能的。通過AI技術(shù)分析視頻對象，結(jié)合我們的數(shù)據(jù)庫和模型，做到真正的“無中生有”，不斷的提升原始圖象的分辨率。

大家可以看一下示例，提升前和提升后的對比，雖然提升后還不是最真實原形，但是相對真實走近了一大步。還有一種AI視頻技術(shù)做到人臉、物體的識別，人臉識別基本成熟，甚至有一些地方考慮用人臉支付，能做到這種程度，也是相當(dāng)精確的技術(shù)。

我們跟大家一起探討主動安全，今天新媒體的人講到他們的責(zé)任、使命，我們作為芯片廠家，可探索利用終端側(cè)的技術(shù)去保證安全，我們通過人臉識別技術(shù)，能夠識別一些關(guān)鍵的信息，比如敏感的人臉或者文字，一旦識別，可以在終端直接打上馬賽克，我們用這個技術(shù)，可以將一些人為造成的非法行為攔截住，這是通過技術(shù)手段解決的，以前只能在前端，現(xiàn)在有后端技術(shù)處理這個事。

增值業(yè)務(wù)的投放點、投放方式，是整個行業(yè)摸索的，作為運營商，運營著這么大的用戶群，可以投放廣告，如果有AI技術(shù)加持，可以跟廣告商談投什么廣告，我們把產(chǎn)品的模型記錄下來，在所有播放的視頻畫面中進行識別，一旦出現(xiàn)設(shè)定的產(chǎn)品，就會自動識別，運營商可通過用戶可接受的方式，把廣告內(nèi)容打出來，產(chǎn)生一個增值點。

還有千人千面，大家也比較清楚了，人臉識別技術(shù)能比較準(zhǔn)確識別家庭成員，根據(jù)家庭成員推薦內(nèi)容EPG。不一定做到按人管理，可以按分類，比如大人、小孩、老人這樣更自然。這里幾個場景采用的技術(shù)基本上比較相似，通過信號采集預(yù)處理，根據(jù)數(shù)據(jù)庫里面模型進行匹配，最終識別。

AI技術(shù)的兩大挑戰(zhàn)：端側(cè)智能和實用程度

人工智能并不是像我們想象的那么簡單，這可能也是大家提的比較多，但是用的比較少的原因，我們?nèi)斯ぶ悄墚?dāng)前面臨兩大挑戰(zhàn)：云端化和實用性問題。單一的云端化造成了很多問題，一是太多的人工智能技術(shù)依賴于云端，大量的運算堆積在云端造成很大算力負擔(dān)，給運營商投資帶來很大影響。二是語音、視頻通過網(wǎng)絡(luò)，實時傳到網(wǎng)上云端，總感覺自己生活內(nèi)容被直播，體驗非常差，不管你說怎么保證內(nèi)容安全，但是心里感受還是差。三是把自家視頻傳上云端，最后在云端處理完，結(jié)果返回來，周期長延時大，不是很自然。

現(xiàn)在端側(cè)提供智能能力是重點，行業(yè)也正在努力，今天是谷歌I/O大會的第一天。他們正式推出AI框架，在Android系統(tǒng)里面已經(jīng)集成了，facebook也推出了端側(cè)架構(gòu)，包括蘋果也會提出端側(cè)人工智能方案。后續(xù)端側(cè)智能方案會是一個大方向。

另外一個實用性問題，人工智能現(xiàn)在發(fā)展到什么階段，大家印象比較深的還是智能音箱，這個產(chǎn)品大家用了以后，口碑不算很好，國外賣的比較多，也可能跟生活習(xí)慣有關(guān)，國內(nèi)這個產(chǎn)品并沒預(yù)期中那么普及，接受度并不是那么高，為什么?我們語音識別不是很方便，不能說在家庭環(huán)境里面，需要事先讓大家不要說話，再開始語音交互，這樣很詭異。還有識別率怎么樣，實驗室可以98%，甚至有人說語音識別率是百分之百，一旦放在自然環(huán)境里面識別率可能是40%、50%，這是不可接受的。另外是要考慮成本與功耗，人工智能跟生物質(zhì)能相比，能耗比差很多，這個功耗是否大家可以接受，人工智能集成進芯片，發(fā)現(xiàn)芯片成本會顯著上升，這個成本是否可以接受。

總結(jié)一下，我們認(rèn)為，現(xiàn)在的人工智能大致處于好玩階段，后面還有兩個階段，一個是好用階段，一個是好管家，終極目標(biāo)是好管家，希望在家庭環(huán)境里面，人工智能像大管家一樣，時刻關(guān)注家庭成員的各種狀態(tài)和需求，積極主動提供周到細致的服務(wù)。