# 罗希特·普拉萨德：亚马逊 Alexa 与对话式 AI > Alexa 首席科学家谈语音助手的演进历程、对话式 AI 的技术难点与未来交互形态。 - 原标题：Rohit Prasad: Amazon Alexa and Conversational AI - 期数：特别节目 - 发布日期：2019-12-14 - 嘉宾 / 主题：罗希特·普拉萨德 - 网页版：https://lexfridman-cn.pages.dev/ep/rohit-prasad/ - 官方页面：https://lexfridman.com/rohit-prasad/ - 精读字数：约 10734 字（阅读约 24 分钟） > 本文为 lex.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 2013 年 4 月，罗希特·普拉萨德（Rohit Prasad）加入亚马逊做语音识别时，团队开第一次会，10 个人，其中 9 个人认为远场语音识别做不出来。 他们准备去找管理层谈，说换个题做吧，比如电话客服的语音识别，那是当年这个领域的主战场。10 个人里唯一眼睛发亮的是罗希特自己。 他后来在访谈里说了一句轻描淡写的话：做语音识别的人找了几十年的杀手级应用，眼前这个可能就是。 那一年，让一个放在房间角落的设备，隔着 20 英尺，在有人放音乐、小孩在跑、妈妈在打电话的环境里准确识别你在叫它干什么，学术界的主流判断是：无解。 这件事后来变成了 Echo，变成了 Alexa，变成了今天几千万个家庭里的那个声音。**从那个 9 个人说做不到的房间，到今天这句话，中间隔着五年。** ## 关于 Alexa 该长什么样 莱克斯·弗里德曼（Lex Fridman）开场问了一个很文艺的问题。电影《她》（Her）里，一个人爱上了 AI 的声音。这种连接，光靠声音能不能达到？ 罗希特没有讨论能不能。他先改了讨论的框架。 他说，我们老在讨论“像人”（human-like），但还有另一个维度被忽略了，就是“超人”（superhuman）。人类只能出现在一个地方，一次只能在一个位置。Alexa 可以在你的手机上、家里、办公室同时出现。人类的记忆有限，Alexa 的记忆接近无限而且精准。这些能力你用“像人”这把尺子量不出来。 在他看来，只讨论“像人”是把问题拉低了。 这个框架在整场访谈里反复出现。每次莱克斯想把话题拉回“AI 像不像人”，罗希特都会把它推回“AI 该不该像人，什么时候该像，什么时候不该”。 他举了个很日常的例子。你走过房间想开灯，说一句“开灯”。这时候 Alexa 就该执行，不该跟你聊天。如果它非得以一个像人的方式回应你，那是一种退步。但如果对面是社交机器人，你要的就是像人的对话。 > 这不是人跟人的交互，这是人跟机器的交互。有些场合需要人性，有些场合需要机器性。（罗希特·普拉萨德） 后面聊到“Alexa 要不要有身体”时，他把这个判断又说了一遍。他说，与其纠结 Alexa 的身体长什么样，不如看它现在已经在什么里面了：微波炉、汽车、牙刷、灯泡、第三方机器人。Alexa 不是一个物理助手，它是一个虚拟助手，超人类的地方恰恰在于它同时在很多地方。 “从这个意义上说，我其实不觉得具体的身体重要。” 这是对具身智能主流叙事的一个温和的反驳。他的判断是：形态不是关键，能力才是。有些场景像人是必要的，有些场景像人反而是低估了这个 AI。 ## 对话能力就是智能本身 莱克斯问，怎么定义智能？图灵测试有很多批评，你怎么看？ 罗希特的回答没有绕弯：“对话能力是终极智能的标志，这一点毫无疑问。” 然后他拆了一层。人类有传感器，传感器是数据收集机制，大脑做决策，这是感知、推理、行动的循环。机器也有这一套。但机器在另外几个维度远超人类：计算、记忆、检索的精准度。人类说不清“那天我到底见的谁”，机器不会。 所以在他的定义里，智能不是“像人”，是“感知、推理、行动”这一整套能力的组合。有些维度人类更强，有些维度机器更强。 他把这个推到极端：如果这些维度机器都在超过人类，我们讨论的就不是“达到人类水平”，可能是“超越人类水平”。 聊到游戏和自动驾驶时，他说了一句我觉得很关键的话。AlphaGo 下围棋、自动驾驶开车，这些都需要大量数据驱动的智能，但它们的难度不如跟人对话。原因很具体：游戏里终点是定义的，状态是清楚的。对话里，终点没定义，你也不知道自己处在什么状态。你甚至连自己想要什么，都可能在中途改主意。 他举了规划周末的例子。你本来想去看某场演出，查到一半发现另一场更想去，于是改目的地。你本来只是想问附近有什么电影，问完之后决定顺便吃个饭。这中间有几步、每步会怎么变，事先都算不出来。 “这种维度上的可能性，让这个问题极其吓人。我认为它是智能的终极测试。” ## Alexa Prize：20 分钟，5 到 10 年 2016 年起，亚马逊办了一个比赛，叫 Alexa Prize。规则说起来一句话：让大学生造一个社交机器人，能跟你连贯、有趣地聊满 20 分钟。 “极其困难的挑战。跟一个刚认识的人，或者认识很久的人，就任何话题聊 20 分钟，而且话题还在不断演变，这超级难。” 到访谈时已经办完两届。第一届冠军是华盛顿大学，第二届是加州大学的一个团队。第三届有十支队伍在跑。 评判机制设计得挺讲究。整个赛程分多个阶段，前面的阶段在受控环境里做，请演员来跟机器人对话，三个评委里要有两个认可“这段对话成立了”，20 分钟这道硬门槛就是在这里测的。 到了决赛，评判权交给真实用户。所有 Alexa 用户都能用，说一句“Alexa, let's chat”，系统会明确告诉你现在在跟一个参加比赛的社交机器人对话。聊完之后问你一个问题：1 到 5 分，你有多愿意再跟它聊一次。 用户中途退出本身也是一个信号。他退出的那个时间点，就标出了你在哪一步让人受不了。 莱克斯拿 DARPA 自动驾驶挑战赛做类比。第一届没车跑完全程，第二届有几辆跑完了沙漠。Alexa Prize 进度如何？ 罗希特的回答很实在：**距离 20 分钟连贯且有吸引力的对话，还有 5 到 10 年。**但进步幅度很大。生成回复的准确度在提升，更明显的是幽默感开始出现了。 他说幽默是很高的门槛，不是耍宝，是真正的幽默感，这本身就是智能的标志，而且极难做。这些机器人现在开始摸索：什么时候该插一句合适的玩笑，遇到不认识的领域怎么把话接下去让对话不中断。 还有一层更微妙的能力。你和我聊 AI，我们都是内行，能聊。但如果话题突然切到我完全不懂的地方，怎么把对话转出去？社交机器人开始处理这类问题了。 他说这背后有一部分是被 20 分钟的赛制逼出来的。为了聊满时间，参赛队学会了一些聪明的办法，包括在某些时候“遮掩”自己其实不懂的事实。 ## 为什么只开放给大学 莱克斯问了个有点尖锐的问题：这些对话里，有人推边界吗？有人说脏话吗？有人靠争论来把对话往下拖吗？ 罗希特先说，比赛有敏感词过滤，不只是关键词，还考虑上下文。因为这些设备是家用设备，家里有小孩，护栏必须多。 然后他讲了办这个比赛的真实动机，这段我觉得是整场访谈里信息量最高的部分之一。 那几年，学术界做对话 AI 的人大量流向工业界，学生毕业就走，教授也有出走的。**工业界手上有三样学术界拿不到的东西：海量数据、大规模算力、以及用真实用户验证进展的通道。**三条缺一条，研究就做不深。 Alexa Prize 就是把这三样东西打包开放给大学。副作用是它变成了一个用户真在用的技能，成了技能商店里使用量最高的技能之一。 他解释为什么只给大学：先给学术界留一块能安心发明的地，同时让学生有动力留下来，而不是一毕业就全跑进工业界。 ## 这些机器人现在到底在干什么 莱克斯问了个技术问题：要赢这个比赛，需要什么？ 罗希特的回答把现在的社交机器人给定性了：**它们大部分时候还在做检索，不在做推理。** 他举了个体育的例子。对话在聊最近的比赛，里面涉及大量上下文，你必须理解被提到的那些实体之间的关系，对话才连贯。如果你只是抛出一个关于某个球员的趣闻，而不是真的理解他昨晚那场球打得怎么样，这段对话就谈不上智能。 “很多时候它是在检索一个事实，给出一个差不多接近的答案，但不是真的答案。这就是研究必须往前走的地方：真正的理解和推理。” 顺着这个，他还泼了一盆冷水给想做监督学习的人。有研究者习惯的思路是：先有一个高质量标注语料，然后在上面跑算法。他说，在 Alexa Prize 这个世界里，这条路走不通。 > 这不是一篇 ACL 论文，也不是 NSF 资助的研究，你手上有一份漂亮的语料。这里是真实世界，你有真实数据。（罗希特·普拉萨德） 所以他要求参赛者换脑子：**从真实反馈里学习。**用户评分是反馈，用户中途退出是反馈，用户纠正你是反馈。没有标注集，优化目标本身都还在讨论中。 ## 给 AI 一双眼睛 访谈里引了一句罗希特说过的话：让智能助手真正变聪明的唯一办法，是给它眼睛，让它去探索世界。 他说这话被断章取义了，但意思他认。 人类的感官能力很多，学习方式很复杂，也从来不是唯一的一种模式：给你灌一大堆文本和音频，你就学会了。人是在经验里学，在观察里学，被人教着学。人类学习的效率极高，机器恰恰相反，尤其是这类对话系统，学习效率极低。 他说下一波研究的重点会落在“更少数据”上。他强调这不是说数据量要变少，我们产生的数据多得是，重点是**学得更快**。具体路径是弱监督、无监督、迁移学习，把一个领域的知识搬到另一个领域，把一种语言的能力搬到另一种语言。 而在这种学习方式里，其他感官就变得关键了。人是在大量噪音数据里学会东西的，这一点不该改。该改的是学习机制本身。 ## 怎么让人一听就知道这是 Alexa 聊到个性时，莱克斯提了一个很具体的问题：闭上眼听，凭什么判断这是 Alexa？ 罗希特的回答把“声音”这件事拆开了。美国的 Alexa、英国的、印度的、澳洲的都不一样，虽然都在说英语。你换一个文化、换一个社区，你认的是什么？ 他说这不是配音演员的问题。用词的选择、语气的属性、语速、怎么发音、解释的时候啰嗦还是简洁，全都是识别度的一部分。 > 不只是听起来像。用词、语调、语速、你怎么发音、用词是简洁还是冗长，全是因素。（罗希特·普拉萨德） 这背后有个产品上的两难，他自己说得很清楚。你要给一百万人造一个统一的个性，能测，能优化，能保证体验的下限。你越个性化，就越难测，越难知道它是不是好体验。 他的答案是：**把控制权给用户。** 他举了几个已经上线的例子。一个是“Remember This”，你主动说“Alexa，记住某某事”，它就存下来。他自己存了整辆车的参数，因为查起来太麻烦；存了所有航空公司的常旅客号码，因为要用的时候总找不到。这是显式控制，用户知道自己授权了什么。 再一个是声纹识别。你告诉 Alexa 你是这家里的谁，它就能做针对你的个性化。系统在发生个性化动作时会明确告知，不偷偷来。 第三个是服务商选择。你说“放一首 Sting”，到底从 Spotify 放还是 Amazon Music 放，是你在 App 里设的。 ## 信任的门槛比对人类还高 莱克斯提了个很有心理学的观察。人跟人之间最深的关系里，是有摩擦、有张力、有拉扯的。这种东西要不要放进人机交互里？ 罗希特的回答只用了两个字：信任。 他说，摩擦、张力在人与人的关系里可以是健康的，但在这个场景里不可谈判的是信任。而且他认为，**用户对 AI 的信任门槛，比对人类还高。** 门槛高在哪？不只是隐私和数据。是你每天的动作。你今天理解我理解得准不准，你执行得稳不稳。他打了个比方：你打客服电话，网络出了问题，对面那个人听不懂你在说什么，你立刻就失去信任，不想再跟这个人说话了。这个例子放到人机交互上，要放大十倍。 还有一层更别扭的。用户对 AI 的预期是摇摆的：你期待它很聪明，它一旦笨了你就生气；你期待它没那么聪明，它一旦表现得像在耍小聪明，你也生气。两头都能冒犯人。 他说这是研究人员和用户身份之间的拉扯。作为研究者，他偶尔会烦：为什么对这些系统的要求这么苛刻？作为用户，他立刻回答自己：就该这么苛刻。 ## 灯亮着，和猫毛衣 隐私这一段，罗希特讲了两个原则：透明，和控制。 透明落到具体设计上。做第一代 Echo 时，他们做了一个判断：什么时候音频被送到云上，必须有明确的物理指示。所以你说出唤醒词，灯环亮起，才开始传输。设备上有物理静音键，按下去麦克风直接断电。 控制落到使用上。你可以在 App 里看到自己被录下的每一条语句，随时删。后来做得更省事：直接说“Alexa，删掉我今天说的话”。 再后来加了一个开关：如果你不想让人工审阅你的数据，可以标记，标了之后你的数据不会进入人工标注流程。这条是针对监督学习必须有人标注这件事来的。 然后莱克斯问那个所有人都想问的问题：Alexa 在听吗？ “Alexa 只在设备上监听唤醒词。” 唤醒词是 Alexa、Amazon、Echo、Computer 里选一个，一次只能选一个，设备只听那一个。 至于那个流传极广的都市传说：聊到猫毛衣，转头亚马逊就给你推猫毛衣。他的解释平淡得有点扫兴：**那可能是冬天到了，大家都在搜毛衣，所以它就成了热门。**我们人类没那么独特，你的需求也没那么独特。 然后莱克斯提了一个跟主流舆论相反的观点，我觉得值得单独拎出来。他说作为机器学习从业者，他希望有一天用户可以主动选择“一直听”，因为只要控制权和信任在手，数据越多，设备能为你做的事就越多。让他不安的是人们对数据的敏感程度，相对于这些数据能给生活带来的改善，这个比例失衡了。 罗希特的回应很克制。他说社会整体确实在变得更能接受数据共享带来的好处，但不是所有人都这样，不能一刀切，必须尊重不接受的人。 他给了两个已经存在的例子。一个是 follow-up mode，开启之后 Alexa 说完话会再开一次麦克风，等你说下一句。你在往购物清单里加东西，说“鸡蛋”“牛奶”“面包”，不用每样都喊一次唤醒词。另一个是 Alexa Guard，你出门时开启，它开始监听特定声音事件，比如烟雾报警器响了、有人打碎玻璃。回家之后关掉。 两个例子都是同一个结构：**用显式授权换取高价值能力。** ## 2013 年那间屋子里没有数据 回到技术史。罗希特说一切从“Working Backwards”开始，这是亚马逊的一个方法论：先写新闻稿，写这个产品发布那天你想让世界读到什么，再倒推要做哪些事。灵感来源是《星际迷航》里的那台电脑。愿景定得很高，但发布必须有起点。 第一个要解的是远场语音识别。当年这不是常规做法，他此前所在的研究圈子里，这事被判定为不可解。 然后是唤醒词检测，这一关的难度外人不太容易体会。Alexa 这个词很常见，音素构成跟“I like you”“Alex”这类词高度重叠。设备在房间里只听唤醒词，家里同时有一堆话在说。**你要区分的不只是“有没有说出 Alexa”，而是“这句话是不是在对设备说”。** 他说“I love my Alexa”“I hate my Alexa”，这两句里都有 Alexa，但都不该唤醒设备。 莱克斯顺势开了个玩笑：那这期播客里我们会说几百次 Alexa，听众该怎么办？罗希特的回答是，可能会醒几次。他们做过反制技术，包括类似水印的方式识别广告和媒体音频。这是个尚未彻底解决的问题，但他们很在意。 再往后是大词汇量连续语音识别。这一关的难点不在于算法，在于场景：音频不是从贴着嘴的手持麦克风来的，是从 20 英尺外来的，中间有儿子在放音乐，女儿在跑来跑去问妈妈事情。 2013 年 4 月他加入时，神经网络在语音识别上刚露出一点苗头，还很早期。团队当时是个创业状态，没上来就押深度学习。他们做的第一件事是搞数据：**要训练远场模型，先得有远场数据，而远场数据在世界上不存在，因为还没有用户。** 他们想办法造出了第一批远场训练数据。数据到手之后，开始往深度学习上压。分布式训练是他们最早的成果之一，让训练时间随数据量线性增长，这样数据翻倍，训练时间不至于爆炸。 结果他给了一个具体数字：**从项目启动到拿到那批数据之后的六个月内，错误率降了 5 倍。**“到那个点，我有信心这事能成。” 2014 年 11 月发布。他说了一句很重的话： > 我们在这个产品上只有一次机会。如果 2014 年 11 月发布时它低于那条线，我认为这个品类根本不会存在。（罗希特·普拉萨德） 这条线的位置，他没法从既有经验里推出来，因为没人做过。团队只能在准确率和体验上先立几个标杆，然后想办法在没有用户的情况下衡量自己离标杆有多远。 ## 规则系统还是统计系统 语音识别之后是多领域自然语言理解。单个窄领域做意图理解，当年是可行的。但音乐、信息查询、闹钟、计时器、家居控制一起上，难度是另一个量级。而且还是在没有用户的情况下。 当时行业主流是用规则写语法模板去匹配意图。他们选了统计优先的路子：语言理解、槽位和实体识别、内部意图分类器，都是统计模型。 但罗希特补了一句很诚实的工程细节：**统计模型会出 bug，所以他们同时建了确定性匹配模块专门修这些 bug。**纯统计不行，纯规则也不行，最后是统计打底、规则兜底。 实体消歧的例子他讲得很生动。你说“放 The Stones 的歌”，如果系统对这个乐队不熟，可能匹配到 Rolling Stones，也可能匹配到 Stone Temple Pilots。你怎么知道是哪个？这在当年是个热门难题。 他的处理方式是承认这件事可以靠对话解决。目标是九成以上一次命中，剩下的可以问。“就像人一样，我没听懂你刚才说什么，问一句，这没问题。” 发布时铺了十几个大领域。到访谈时，Alexa 上有 9 万多个技能。 ## 把对话流的编写工作拿掉 2019 年 re:Invent 上他们发布了一个东西叫 Alexa Conversations。要解决的问题很具体：过去给 Alexa 写多轮对话，开发者得把整个对话流全部手写出来，如果用户说这个就做那个，跟那种老式电话 IVR 系统一个路子。开发者体验很差，能做出的对话也很僵硬。 新的做法是：你提供几段示例交互数据，说明用户会怎么用你的 API，然后系统用一个在示例数据上训练的循环神经网络自动构建对话流。开发者不用写对话代码。 但更值得说的是它解锁了什么能力。莱克斯问“附近有什么电影”，这句话背后可能有好几种意图：想买票、只是好奇、想确认某部片子还在不在映。系统不知道你的真实目标是什么。 罗希特把这条链路走了一遍。你买了电影票，四个人的。那接下来系统推一件事：要不要订附近餐厅？而且不用再问你一遍“几点”“几个人”。**四个人这个信息已经隐含在购票会话里了，直接带过去。** 他管这叫把认知负担从用户身上转移到机器身上：系统去猜你的潜在目标，然后执行最合理的下一步，而不是让你把需求一条条说全。 至于长期记忆，他承认还在早期。现在的记忆主要在一段会话内部，跨会话的长期记忆（比如你偏好哪家餐厅）还是开放问题。 ## 你每次纠正它，都是一条训练信号 莱克斯在这里插了一段私人抱怨，很有意思。他说自己每天干一样的事，穿一样的黑衬衫，所以 Alexa 每次听不懂某首歌、每次都要他纠正，特别烦。具体是《Stairway to Heaven》，每次放的都不是 Led Zeppelin 原版，是个翻唱。 罗希特当场说：这是个正式 bug report，我记下了，我们会修。 然后他顺势讲了自学习。Alexa 现在能自动收集上百万条语句，没有人工监督。机制是行为信号：你点了错的那首歌，或者你说“不对，不是这首”，或者你重说了一遍，这些动作都在告诉系统它刚才做错了。如果某首歌被请求却播成了另一首，这个失败模式就能被捕捉。**大量这类纠正现在是自动消化的，不需要人去看。** 他自己就是受害者兼测试用例。印度口音导致 M 和 N 经常被混淆，对人来说都容易听错，对机器更是。系统在一点点学会纠正。 莱克斯提了一个产品细节：纠正完之后，用户希望得到一句确认，知道自己这一下起了作用。罗希特说这是光谱，有人喜欢被确认，有人会被这种确认烦到。他拿特斯拉车主做对比：很多 Autopilot 用户觉得自己在教系统，还挺兴奋。Alexa 用户里也有一部分这么想。 他的判断是，可教学的 AI（teachable AI）在助手这个赛道上会越来越重要。而且他强调，上面说的自学习是彻底无监督的，没有人参与标注，只靠用户行为。 ## 从 9 万个技能里挑一个 “更自然”这条线上，除了语音合成用神经网络做得更像人，还有一个更麻烦的问题：**9 万个技能，用户凭什么记住名字？** 过去的交互是“Alexa，让 XX 技能告诉我某某事”。这个动作本身就是不自然的，因为你在用 App 的心智模型套语音。语音世界里没有“打开一个应用”这回事，它应该是一个连续的界面。 他们的做法是建一个深度学习能力：你说“帮我叫辆车”，系统先筛出一批候选技能，判断这大概率是打车类，再根据你的偏好对各个技能的响应排序，选最好的那个回给你。 另一个例子是列表。你不用一句一句加：“Alexa，加鸡蛋”“Alexa，加牛奶”“Alexa，加饼干”。一句话“加饼干、牛奶和鸡蛋”就行。 再一个是记忆的统一。有些事你是通过日历记的，有些是你让 Alexa 记住的，有些是提醒。用户不该关心它存在哪。**你只要问“我什么时候去我妈家”，它就该从任何一个来源里把答案捞出来。** 莱克斯追问了一句：这个整合的责任归谁？技能开发者还是 Alexa 平台？ 罗希特的回答是两边都要。技能本身的质量由平台工具保证。但“当请求不够具体时，判断哪个技能能完成用户意图”这件事，明确是平台的责任。多米诺披萨做了自己的技能，用户说“打开多米诺”能用，但用户说“帮我订个披萨”，就得靠平台来路由。 而再往上，那个“订个披萨”的背后可能是一个完整的场景：孩子在家，晚上要吃饭。到这一步，就是对话式 AI 真正的战场了。 ## 最难的那一层：推理 罗希特把当下的挑战分成几层。 第一层是基本功。一次命中的事务型请求必须做到近乎完美。他说得很直接：**就算我能帮你安排好一整晚的行程，但如果你让我开个灯我开不了，你作为用户是无法接受的。** 第二层是推理。根据已有信息和历史，判断用户的潜在目标，决定下一步最优动作。他把它跟自动驾驶做类比，都是推理和决策问题。区别在于自动驾驶的环境虽然难，终点相对有限；对话里的假设空间要庞大得多。 第三层是主动。现在讨论的都是反应式决策，你问，它答。如果加上主动，Alexa 会自己产生“预感”（hunches）：你出门忘了关车库灯，它提醒你。到这一步，它在任何一个时间点都要基于手上的信息判断该不该做一件事。 莱克斯问了个他很关心的方向：什么时候 Alexa 能“看”你，从你的表情判断你在不在沮丧，从而修正自己的判断？ 罗希特的回答把难度摆了出来。沮丧这个信号理论上可以从声音里拿，因为你一旦开始重说，系统就知道大概出错了。但真正做情感识别，是在远场、嘈杂、有距离的环境里做，这是情感计算领域公认的硬骨头。“非常非常难的问题。” 然后是那个更大的问题：深度学习够不够？ 他的回答分两半。一半是：**不够，推理必须做起来。**他点了几个正在成形的方向：更少数据、零样本、单样本、主动学习、迁移学习。深度学习已经证明有用，现在要把它跟迁移学习、主动学习配起来。但下一波真正的跃迁要靠推理。 另一半是：短期内还不必绝望。为了把客户服务好，预测式方法还有大量空间没挖完，远没到用尽的时候。他区分得很清楚：**把事办成，短期内预测式方法够用；做出他真正想要的那种高质量体验，推理必须补上。** 他把推理称为这些难题里最难的一个，因为假设空间太大。而一旦跨出单次会话，比如你希望 Alexa 记住你喜欢哪家餐厅、下次规划晚上出门时问你要不要去同一家，问题的规模就再上一个量级。 ## 五年和四十年 莱克斯请他用“新闻稿倒推”的方法，写一份五年后和四十年后的 Alexa。 五年。他说五年这个尺度是他敢想的极限，因为五年前他自己也想不到 Alexa 会是今天这样。 五年的判断是：**目标导向的对话和开放域的闲聊，这条界线会消失。** 他用购物来论证。买电池、买纸巾，一句话就完。买相机呢？你要做大量研究，看评测，比参数，最后才决策。所以“帮我找台相机”这句话，到底是目标导向还是开放探索？分不清。 他顺手把莱克斯自己的购物习惯点了出来。莱克斯承认，他从没在 Alexa 上买过一件此前没在电脑上买过的东西，全靠复购。罗希特的回应是：即便是一个看起来目标明确的事，空间也很大。产品属性太多，你要看站内评价，要看站外评价，要看消费者论坛怎么说。 再看“这个周末鳕鱼角天气怎么样”。你为什么问这个？背后一定有个目的，可能是要去，可能在犹豫要不要去。 所以他的定义是：**怎么用最少的步骤帮客户完成目标。**这么定义之后，目标导向和开放域的区分自然就没了。 “我可能想知道总统辩论发生了什么，我是在找信息，还是在判断谁在赢？这些都是很难的问题。”五年内他希望能解掉。 四十年。他说得更干脆：**四十年也解不完。** > 即便我们把范围限死在人类智能，我们离它还很远。从感知到神经处理，大脑怎么存储信息、怎么处理信息，我们连知识该怎么表征都还不知道。（罗希特·普拉萨德） 他给了一条已经发生过的坐标。五年前，问天气、复购、听喜欢的歌，用嘴说出来这件事已经变得自然了，你不会觉得拿起手机更顺手。这是第一段转变，已经完成。 下一段是：用 Alexa 规划周末、规划下一顿饭、规划下一次晚上出门，毫不费力。这一段就是他认为的五年目标。 ## 他说五年前差点离开这个领域 访谈最后，莱克斯把镜头拉到最大：一群猿的后代，造出了一个能跟人对话的系统，放在自己家里。你站在这个系统的中心，什么感觉？ 罗希特先说了“特权”这个词。然后他说了一段我觉得整场访谈里最真诚的话。 他在这个领域待了很多年，在剑桥。五年前他几乎想走，因为找不到那个杀手级应用，找不到一个用户会真爱、而不只是“有了也不错”的东西。研究实验室里做出来的东西，一直落不了地。 现在看到几百万、上亿人在用，他说这很让人满足。而且这还很早期，他还有二十年可以干自己爱干的事。 他跟每一个新加入团队的人说同一句话：这是难得的特权。2014 年发布 Alexa 是第一次，后来开放 Alexa Skills Kit，把语音和语言的 SDK 第一次真正做出来，他管这个叫 AI 的民主化。 现在他和莱克斯能坐在这里讨论“用智能体规划一个晚上”，而不是说“不可能”，本身就已经说明位置变了。 “我不觉得还有更好的地方可以待着了。” 回到开头那间会议室。10 个人，9 个说做不到，1 个眼睛发亮。六个月后错误率降了 5 倍，那条“魔法线”被摸到了。如果他那天也举手说换个题做，今天这个品类可能确实不存在。 这类判断在当时都没法证明。你只能在事后回头看，看那个少数派当时看见的东西是什么。罗希特看见的是一件事的用途，而不是它的难度。 ## 如果要从这场访谈里拿走点什么 - 评估一个 AI 产品时，把“像人”和“超人”分开打分。在需要速度和准确的地方追求像人，往往是退步；在需要共情和陪伴的地方，超人能力没有意义。 - 判断一个对话系统行不行，别只看它答对了没有，看它被纠正之后有没有变化。行为信号（重说、打断、中途退出）比评分更有信息量，而且是零标注成本。 - 做多轮对话产品时，先问自己一个问题：这一步的认知负担在谁身上。如果用户在反复提供同样的事实（几个人、几点、在哪），就说明系统该做上下文传递了。 - 设计带麦克风或摄像头的常驻设备，把透明和控制做成物理可见的东西，而不是写进隐私政策里。指示灯、物理断电、一句话删除，成本极低，缺了就补不回来。 - 给团队定目标时试试倒推：先写产品发布那天你希望媒体怎么报道，再倒推需要哪些能力、哪条线必须先跨过去。罗希特说这个方法连他手下的科学家都爱上了，因为它逼你先把结论写出来，再去找证据。 - 评估一个技术方向时，区分两件事：这件事能不能把活干成，和这件事能不能做出你真正想要的体验。前者预测式方法常常够用，后者往往必须等下一次范式跃迁。别用前者的进展去掩盖后者的欠账。