AI NEXT | 微軟黃學東：微軟在很多 AI 領域領先 Google

雷鋒網按：本月 18 日，由美中技術與創新協會（Association of Technology and Innovation，ATI）主辦的第一屆 「AI NEXT」 大會在西雅圖召開。本次會議的主要嘉賓包括：微軟首席 AI 科學家鄧力，微軟院士黃學東，Uber 深度學習負責人 Luming Wang 等。華人之外，還有亞馬遜 Alexa 首席科學家 Nikko Strom，微軟小娜架構師 Savas Parastatidis 等業內知名專家。

大會主題是 「探索 AI 的潛力，把 AI 技術應用於實用項目和服務」，對 CV、NLP、智能助手、深度學習框架均做了專題報告。微軟首席語音科學家黃學東也發表了演講，對微軟的人工智慧業務和進展做了全面的介紹和梳理。雷鋒網根據演講錄音和 PPT 整理成文。

雷鋒網註： 黃學東於 1993 年加入微軟，目前領導微軟在美國、德國、埃及、以色列的團隊研發研發微軟企業人工智慧客服對話解決方案 、cris.ai 和 luis.ai 等認知服務、CNTK 開源深度學習工具等人工智慧產品和技術。2017 年 2 月，黃學東剛剛被評為 「微軟全球技術院士」，這代表著微軟技術人員的最高榮譽。

其實，「人工智慧（Artificial Intelligence）」 一詞最初是在 1956 年 DARTMOUTH 學會上提出的，但是為何一直到如今人工智慧技術才步入快速發展的軌道？黃學東認為，主要是兩方面的原因：海量的數據，以及計算能力的大幅提升。目前，人工智慧主要集中在視覺、語音、語言和知識（圖譜）四個領域，但是未來計算機將能夠 理解這個世界。

根據黃學東的介紹， 目前微軟的 AI 業務可以分成代理（Agent）、應用（ Application）、服務（Service）、基礎設施（Infrastructure）這四大塊。

代理：Cortana（中文名：微軟小娜）、微軟小冰、Toronto Project（客服助手）

應用：Office 365、Dynamicas 365（整合 CRM 和 ERP 的雲服務解決方案）、SwiftKey（輸入法）、Pix（拍照軟體）

服務 ：聊天機器人框架、認知服務（Cognitive Services）、Cortana 智能、認知工具包（Cognitive Toolkit）

基礎設施：適用於機器學習的 Azure 、Azure N Series（GPU + FPGA）、FGPA（現場可編程門陣列）

• 1954 年，IBM 和喬治城大學首次展示了能力非常有限的機器翻譯系統。

• 1966 年，John Pierce 發布了一份關於 「語言技術」 非常關鍵的報告。

• 1975 年——1986 年，美國政府沒有任何撥款支持機器翻譯或者語音識別，發展陷入停滯。

• 1985 年，「共同任務（common task）」 方法的出現，研究人員開始共享數據。

• 2007 年，基於統計學谷歌的翻譯上線。

• 2011 年，Siri 登陸 iPhone。

• 2016 年，微軟的語音識別系統的達到人類水平，同年穀歌發布支持 8 種語言的神經網路翻譯系統。

雖然目前神經網路翻譯系統還經常鬧出各種笑話，但是黃學東認為，在未來幾年內，計算機的翻譯水平有可能會和目前的語音識別一樣，達到人類（專家）的水平。

黃學東在演講中提到，微軟於 1991 建立了 Research Lab，該實驗室的願景是讓計算機具備 「看（see）、聽（listen）、說（speak）」 的能力。1993 年，微軟成立語音小組（Speech Group），希望能夠讓人與設備之間的語音交流成為主流。而如今，這一願景正在慢慢實現。黃學東在演講中特別提到了《經濟學人》今年 1 月份的封面文章——「Now we're talking」，該文章認為語音技術讓計算機不那麼令人生畏，而且更易接近。

黃學東稱，1993 年的時候，他們做的語音對話識別的詞錯率 (word error rate，簡稱 WER) 高達 80%。然而 2016 年 9 月 14 日，由黃學東帶領的微軟語音團隊在產業標準 Switchboard 語音識別基準測試中，實現詞錯率低至 6.3% 的這一技術突破，這比 IBM 的 6.6% 詞錯率更低，達到目語音識別領域錯誤率最低的水平。僅僅一個月後的 10 月 18 日，黃學東團隊進一步將詞錯率降低至 5.9%，首次與專業速記員持平。

這個人類水平的對話語音識別系統用到了 10 個不同的 DNN（深度神經網路）。據雷鋒網 () 了解，其具體實現過程是：首先用包括了 ResNet（殘差網路）、LSTM（長短期記憶網路）在內的 6 個不同的神經網路組合併行工作，其結果再通過 4 個新的神經網路組合之後再輸出，最終達到專業速記員的水平。

但是黃學東表示，目前計算機的對語音的識別還只停留在轉錄階段，想要真正理解語義還非常困難。

黃學東表示，語音技術除了能夠用作娛樂用途之外，還能夠做很專業的事，比如技術支撐（technical support）。它在演講中提到，微軟除了語音助手 Cortana 和聊天機器人小冰之外，還有一個代號為 「Toronto」 的客服助手項目。

Toronto 是基於深度強化學習的人工智慧，能夠理解對話中的上下文，讓客服聊天機器人更加人性化、更加高效。

根據 PPT 的介紹，Toronto 不僅能自動回復，給出建議，還能在解答不了時提示用戶轉接人工服務。此外，它還能幫助人工客服快速了解用戶信息，給出回答建議，並可以轉接給其他的工作人員，甚至還有錄音功能。

當然，黃學東也表示，這些聊天助手和語音識別不一樣，並沒有一個已經建立起來的有效訓練方法（established recipe）。

黃學東此前曾表示，微軟的深度學習工具包 CNTK 其實比谷歌的 TensorFlow 開源的要早，但是由於一開始 並不是發布在 GitHub 上，所以外界知道的人也更少。但是黃學東表示，根據基準測試的結果，CNTK 比谷歌的 TensorFlow 和亞馬遜的 MxNet 的性能要更好：相同條件下，CNTK 每秒能夠處理的樣本更多。

此外，黃學東還列舉了 ComputerWorld 今年 2 月的評測結果，來證明微軟在深度學習方面的實力。從圖中可以看出，微軟認知工具包（Cognitive Toolkit）v2.0 beta 1 版本在性能、開發的難易程度、以及部署的難易程度這三個方面表現突出，而綜合表現僅次於谷歌的 TensorFlow r0.10。

目前，微軟認知服務的 API 主要包括語言、語音、機器學習、視覺、搜索、知識這幾大類。據黃學東介紹，微軟的認知工具包有以下三大優勢：

• 速度 & 可擴展性：微軟認知工具包訓練和評估深度學習演算法比其他的工具包都快，而且可以在不同的環境下有效擴展的同時保持精度。

• 商業級的質量：使用了複雜的演算法以及大量的數據集。

• 兼容性：可以使用 C++、Python 等語言，而且能夠定製內置訓練演算法，甚至使用自己的演算法。

近期熱門

和平分手？你根本不知道吳恩達在百度經歷了什麼

揚名 UEC 杯，騰訊圍棋 AI「絕藝」 奪冠之路全回顧！

重磅 | 撕掉電商標籤，還原阿里 「NASA」 的真實意圖

從供應鏈的角度談談，我們真的能抵制韓貨嗎？

斥資 150 億美元收購 Mobileye ，英特爾的野心與焦慮

上線兩個月，微信小程序給人們帶來了什麼？

谷歌收購 Kaggle 為什麼會震動三界？

人工智慧被寫進政府工作報告意味著什麼？

今日頭條的引擎是怎麼樣工作的？

暗網買信用卡紀實：親測盜刷無門檻

5G 比 4G 強在哪？看完這篇文章你就明白了

特訓課程