我們對于AI應用的追逐過程如同跨欄，此時此刻回頭看看，會發現“計算”、“感知”和“決策”這些橫欄，都已經在我們身后。如今我們已經可以熟練的用語音識別和圖像識別來感知信息，再通過機器學習對海量數據的處理來給出結論。

　　如果問下一道橫在我們面前有待跨越的橫欄是什么，想必就是意味著“溝通”的智能對話技術了。

　　橫欄在前：

　　智能對話技術跨越的前一秒

　　建立在語音識別和語音生成等的NLP技術上，人機對話之間的簡單對話已經非常普及，像是通過語音喚醒某一項設備或功能，或是和智能助手進行一些單輪問詢。但想要系統化地普及智能對話技術，實現人機之間流暢的理解和多輪對話，恐怕還有著不少限制。而這種限制，已經到了亟待跨越的時候。

　　第一， 缺乏靈活的自然語言交互對話，我們在進行人機操作時依然需要依賴按鍵、屏幕等等設備，對于AI技術的應用場景有著很多桎梏。

　　第二， 在無法進行智能對話的前提之下，很多需要頻繁溝通的工作，依然無法被AI代勞，即使AI已經遠超人類的記憶存儲、計算決策和感知能力。

　　舉例來說，在車載、智能音箱、客服和機器人這四大領域中，智能對話技術應用的便利與否，就與其體驗息息相關。在車載場景中，人們無暇用手與眼與AI進行交互，必然要依賴靈活精準的對話系統。至于智能音箱這類硬件，智能對話不僅限制其產品形態，也會影響其服務能力。智能客服與機器人更不必說，對于這種以交互為主的產品，能否擁有自然的智能對話技術，實則是根深立命之本。

　　從市場表現上，我們也能發現智能對話正在進入工業級應用爆發的潛伏期。

　　目前來說，一項技術爆發所需要的四個因素：技術高度、生態廣度、用戶取向和企業需求，在智能對話領域已經盡數鋪墊完成。

　　像自然語言處理、語音技術以及知識圖譜等技術已經儲備完善。數據顯示，在行業應用中38%的企業已正在應用基于智能對話的系統、麥克風陣列等上下游硬件解決方案，也在智能硬件市場的成長中達到一定積累，行業生態覆蓋正在加速。數據顯示，2019年Q1中國智能音箱銷量同比增長9倍，移動終端、車載系統、智能硬件等產品中引入對話交互的現象也日益普及，毫無疑問，用戶無比渴望更便利的交互方式。最后，在人力成本日益提高時，企業對于智能對話的需求也越來越旺盛，據與IDC聯合調研，有83.3%企業認為智能對話能有效降低運營成本。

　　在今天，百度舉辦了百度大腦智能對話引擎及產品發布會，宣布了百度大腦智能對話定制平臺UNIT3.0的全新升級，并展示了智能對話生態全景。

　　就此，我們或許可以確定，人類終于向“溝通”這一AI應用的橫欄發起了跨越沖刺。

　　復合型技術的迷墻

　　如果將百度大腦看做智能對話技術應用的第一個跨越者，我們也可以從中倒推出這項技術應用的難點在哪里。

　　一般來說，某一項技術工業級應用的突破要取決于成本效率比、人才儲備、配套服務和概念認知之上。

　　智能對話的特殊之處在于，這項技術的復合性極強，包含了語音識別、語音生成、語音語義一體化、知識圖譜構建等等一系列技術。這就意味著這項技術的成本必然相對偏高、人才儲備也多半集中在技術企業和科技巨頭之中。

　　而智能對話技術所應用的場景又相對復雜，交互本身無處不在，智能對話技術既可以向智能客服這里軟件服務領域輸出，又可以投入于智能耳機、智能音箱這類硬件領域。更有很多全新的應用空間亟待開發。配套服務的普及，一定是一條相對艱難的道路。

　　綜合下來，會導致智能對話技術距離應用場景間隔了一道迷墻，注定了很多企業對這項技術的認知理解有所偏差，認為這項技術還并不適合自己的企業應用。

　　這就是為什么，率先動身跨越橫欄的人，會是百度。

　　發起沖刺：

　　UNIT 3.0和語音技術平臺正在蓄力

　　在百度大腦的智能對話生態中，為整個產業開放了兩個重要產品平臺。

　　第一是為開發者提供專業對話系統定制技術的UNIT 3.0。

　　基于百度多年積累的自然語言處理、知識圖譜和語音等對話相關的AI技術，百度大腦推出的UNIT3.0版本，在搭建技能、構建知識和整合技能與知識三方面實現全面升級，其中為開發者提供了很多預置能力，例如有關天氣、閑聊、定會議室的對話技能，還有大幅提升樣本生產和標注效率的DataKit和一系列知識庫。

　　建立在這種模塊化的組件模式上，開發者定制對話系統就會變得像拼樂高一樣簡單，而非是過去那樣，在一團雜亂的毛線中尋找線頭。如此以來，將極大地降低開發成本和時間成本，極大地提升效率與性價比。

　　第二個產品平臺，是包含了領域語音方案和語音自訓練平臺的語音技術平臺。

　　相比更傾向于賦能開發者的UNIT 3.0，語音技術平臺則進一步為企業客戶提供了更易上手的工具。

　　在領域語音方案中，我們可以看到百度大腦推出了他們擅長的端到端一體化解決方案。這次發布會中所展示的呼叫中心語音解決方案，就是一個很好的案例，通過針對于呼叫中心場景優化過專屬語音識別模型，結合呼叫中心場景專屬8K音庫，可以在識別和生成兩端進行優化。對于那些適用于呼叫中心場景的企業用戶來說，其便利程度接近于即拿即用。

　　語音自訓練平臺，則和EasyDL等自動化機器學習平臺類似，通過從基礎語音模型到行業語音模型再到個性化語音模型的層層訓練，最終提升針對于場景業務的語音識別率。而這一整個過程都是自助式的，不需要代碼基礎。這也自然解決了企業人才匱乏的致命問題。

　　這兩項產品如同百度大腦智能對話生態的左右腿，甩掉了成本、效率和人才的桎梏，直接向智能對話的工業級應用發起沖刺。