AIoT領(lǐng)域中人機(jī)交互的市場機(jī)會

自2017年開始，“AIoT”一詞便開始頻頻刷屏，成為物聯(lián)網(wǎng)的行業(yè)熱詞。“AIoT”即“AI+IoT”，指的是人工智能技術(shù)與物聯(lián)網(wǎng)在實際應(yīng)用中的落地融合。當(dāng)前，已經(jīng)有越來越多的人將AI與IoT結(jié)合到一起來看，AIoT作為各大傳統(tǒng)行業(yè)智能化升級的最佳通道，已經(jīng)成為物聯(lián)網(wǎng)發(fā)展的必然趨勢。

在基于IoT技術(shù)的市場里，與人發(fā)生聯(lián)系的場景(如智能家居、自動駕駛、智慧醫(yī)療、智慧辦公)正在變得越來越多。而只要是與人發(fā)生聯(lián)系的地方，勢必都會涉及人機(jī)交互的需求。人機(jī)交互是指人與計算機(jī)之間使用某種對話語言，以一定的交互方式，為完成確定任務(wù)的人與計算換機(jī)之間的信息交互過程。人機(jī)交互的范圍很廣，小到電燈開關(guān)，大到飛機(jī)上的儀表板或是發(fā)電廠的控制室等等。而隨著智能終端設(shè)備的爆發(fā)，用戶對于人與機(jī)器間的交互方式也提出了全新要求，使得AIoT人機(jī)交互市場被逐漸激發(fā)起來。

AIoT發(fā)展路徑

以智能家居市場為例，數(shù)據(jù)顯示，2018年中國智能家居規(guī)模將達(dá)到1800億元，到2020年智能家居市場規(guī)模將達(dá)到3576億元。分析師預(yù)測，2021年全球智能家居市場規(guī)模將達(dá)5000多億元。飛速爆發(fā)中的AIoT市場，所蘊藏的人機(jī)交互需求及前景無疑是令人期待的。

人類生活的數(shù)字化進(jìn)程已持續(xù)約三十年，這些年我們經(jīng)歷了從模擬時代到PC互聯(lián)時代再移動互聯(lián)時代的演進(jìn)，而目前我們正處在向物聯(lián)網(wǎng)時代的演進(jìn)過程中。從交互方式上來講，我們可以看到機(jī)器是越來越“遷就”人的：從PC時代的鍵盤和鼠標(biāo)到移動時代的觸屏、NFC以及各種MEMS傳感器，再到物聯(lián)網(wǎng)時代正在蓬勃發(fā)展的語音/圖像等交互方式，使用門檻正在變得越來越低，這導(dǎo)致了越來越多的用戶的卷入。同時我們需要注意到另一個深刻的變化，即由于交互方式的演進(jìn)(至少是重要原因之一)，大量的新維度的數(shù)據(jù)也在不斷地被創(chuàng)造出來和數(shù)字化，比如PC時代的工作資料和娛樂節(jié)目，智能手機(jī)時代的用戶使用習(xí)慣、位置、信用和貨幣，再到物聯(lián)網(wǎng)時代的各種可能的新數(shù)據(jù)。

在物聯(lián)網(wǎng)時代，交互方式正在往本體交互的方向發(fā)展。所謂“本體交互”，指的是從人的本體出發(fā)的，人與人之間交互的基本方式，如語音、視覺、動作、觸覺，甚至味覺等。例如，通過聲音控制家電，或者空調(diào)通過紅外來決定是否應(yīng)該降溫，通過語音和紅外結(jié)合來進(jìn)行溫度的控制(偵測到房間里沒人的時候，即便電視節(jié)目里提到了“降溫”，空調(diào)也不做反應(yīng))。

新的數(shù)據(jù)是AI的養(yǎng)料，而大量的新維度的數(shù)據(jù)正在為AIoT創(chuàng)造出無限可能。

從AIoT發(fā)展路徑來看，當(dāng)前行業(yè)人士普遍認(rèn)為，其將經(jīng)歷單機(jī)智能、互聯(lián)智能到主動智能的三大階段。

單機(jī)智能指的是智能設(shè)備等待用戶發(fā)起交互需求，而這個過程中設(shè)備與設(shè)備之間是不發(fā)生相互聯(lián)系的。這種情境下，單機(jī)系統(tǒng)需要精確感知、識別、理解用戶的各類指令，如語音、手勢等，并正確決策、執(zhí)行和反饋。AIoT行業(yè)正處于這一階段。以家電行業(yè)為例，過去的家電就是一個功能機(jī)時代，就像以前的手機(jī)按鍵式的，幫你把溫度降下來，幫你實現(xiàn)食物的冷藏;現(xiàn)在的家電實現(xiàn)了單機(jī)智能，就是語音或手機(jī)APP的遙控去實現(xiàn)調(diào)溫度、打開風(fēng)扇等。

無法互聯(lián)互通的智能單品，只是一個個數(shù)據(jù)和服務(wù)的孤島，遠(yuǎn)遠(yuǎn)滿足不了人們使用需求。要取得智能化場景體驗的不斷升級、優(yōu)化，首先需要打破的是單品智能的孤島效應(yīng)。而互聯(lián)智能場景，本質(zhì)上指的是一個相互互聯(lián)互通的產(chǎn)品矩陣，因而，“一個大腦(云或者中控)，多個終端(感知器)”的模式成為必然。例如，當(dāng)用戶在臥室里對空調(diào)說關(guān)閉客廳的窗簾，而空調(diào)和客廳的智能音箱中控是連接的，他們之間可以互相商量和決策，進(jìn)而做出由音箱關(guān)閉客廳窗簾的動作;又或者當(dāng)用戶晚上在臥室對著空調(diào)說出“睡眠模式”時，不僅僅空調(diào)自動調(diào)節(jié)到適宜睡眠的溫度，同時，客廳的電視、音箱，以及窗簾、燈設(shè)備都自動進(jìn)入關(guān)閉狀態(tài)。這就是一個典型的通過云端大腦，配合多個感知器的互聯(lián)智能的場景落地。

主動智能指的是智能系統(tǒng)根據(jù)用戶行為偏好、用戶畫像、環(huán)境等各類信息，隨時待命，具有自學(xué)習(xí)、自適應(yīng)、自提高能力，可主動提供適用于用戶的服務(wù)，而無需等待用戶提出需求，正如一個私人秘書。試想這樣的場景，清晨伴隨著光線的變化，窗簾自動緩緩開啟，音箱傳來舒緩的起床音樂，新風(fēng)系統(tǒng)和空調(diào)開始工作。你開始洗漱，洗漱臺前的私人助手自動為你播報今日天氣、穿衣建議等。洗漱完畢，早餐和咖啡已經(jīng)做好。當(dāng)你走出家門，家里的電器自動斷電，等待你回家時再度開啟。

AIoT的實現(xiàn)對邊緣計算能力提出需求

邊緣計算指在靠近物或數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣側(cè)，融合網(wǎng)絡(luò)、計算、存儲、應(yīng)用核心能力的開放平臺，就近提供邊緣智能服務(wù)，滿足行業(yè)數(shù)字化在敏捷連接、實時業(yè)務(wù)、數(shù)據(jù)優(yōu)化、應(yīng)用智能、安全與隱私保護(hù)等方面的關(guān)鍵需求。在行業(yè)內(nèi)有個十分形象的比方，邊緣計算猶如人類身體的神經(jīng)末梢，可以對簡單的刺激進(jìn)行自行處理，并將特征信息反饋給云端大腦。伴隨AIoT的落地實現(xiàn)，在萬物智聯(lián)的場景中，設(shè)備與設(shè)備間將互聯(lián)互通，形成數(shù)據(jù)交互、共享的嶄新生態(tài)。在這個過程中，終端不僅需要有更加高效的算力，在大多數(shù)場景中，還必須具有本地自主決斷及響應(yīng)能力。拿智能音箱舉例，其不僅需要支持本地喚醒的能力，還應(yīng)該具備遠(yuǎn)講降噪的能力，而由于實時性以及數(shù)據(jù)有效性的考慮，這方面的計算必須發(fā)生在設(shè)備端而不是云端。

智能家居行業(yè)作為AIoT人機(jī)交互最重要的落地場景，正吸引越來越多企業(yè)進(jìn)入。在這其中，既有如Apple、Google、Amazon等這樣的科技巨頭，也有像海爾、三星這類的傳統(tǒng)家電廠商，當(dāng)然也不乏小米、京東這樣的互聯(lián)網(wǎng)新貴。基于互聯(lián)智能的構(gòu)想，未來的AIoT時代，每個設(shè)備都需要具備一定的感知(如預(yù)處理)、推斷以及決策功能。因此，每個設(shè)備端都需要具備一定不依賴于云端的獨立計算能力，即上面提到的邊緣計算。

在智能家居的場景下，通過自然語音的方式與終端設(shè)備進(jìn)行交互，在當(dāng)前已成為行業(yè)主流。由于家庭場景的特殊性，家用終端設(shè)備需精準(zhǔn)區(qū)分、提取正確的用戶命令(而不是家人在談話時無意說到的無效關(guān)鍵詞)，以及聲源、聲紋等信息，因此，智能家居領(lǐng)域的語音交互對于邊緣計算也提出了更高要求，具體表現(xiàn)在以下幾方面：

遠(yuǎn)講降噪、喚醒

家居環(huán)境下聲場復(fù)雜，比如電視聲音、多人對話、小孩嬉鬧、空間混響(廚房做飯、洗衣機(jī)等設(shè)備工作噪音)，這些容易干擾用戶與設(shè)備間正常交互的聲音，很大概率會在同一時間存在，這就需要對各種干擾進(jìn)行處理、抑制，使得來自真正用戶的聲音更加突出。在這個處理的過程中，設(shè)備需要更多的信息量來進(jìn)行輔助判斷。家居場景語音交互的一個必備功能是使用麥克風(fēng)陣列進(jìn)行多通道的同步聲音錄入，通過對聲學(xué)空間場景進(jìn)行分析，使得聲音的空間定位更加準(zhǔn)確，大幅提升語音質(zhì)量。另一個重要功能是通過聲紋信息輔助區(qū)分真正用戶，使他的聲音從多人的竄擾中更加清晰地區(qū)分出來。這些都需要在設(shè)備端實現(xiàn)，且需要較大的算力支持。

本地識別

家居領(lǐng)域人機(jī)交互的本地識別離不開邊緣計算，具體體現(xiàn)兩個方面：

高頻詞。從實際統(tǒng)計來看，用戶在特定場景下的常用關(guān)鍵詞指令數(shù)量有限。例如車機(jī)產(chǎn)品，用戶最常使用的可能是“上一首/下一首”，空調(diào)產(chǎn)品有可能最常用的命令是“開啟/關(guān)閉”等，這些用戶經(jīng)常用到的詞就叫做高頻詞。對于高頻詞的處理，完全可以放在本地處理而不依賴于云端的延時，從而帶給用戶最佳的體驗。

聯(lián)網(wǎng)率。在智能家居產(chǎn)品尤其是家電產(chǎn)品落地的過程中，聯(lián)網(wǎng)率是一個問題。如何在不聯(lián)網(wǎng)的情況下讓用戶感知到語音AI的強(qiáng)大，進(jìn)行用戶培養(yǎng)，也是邊緣計算在當(dāng)前的一個重要作用。

本地/云端效率的平衡

家居領(lǐng)域的自然語言交互過程中，當(dāng)所有的計算被放到云端時，聲學(xué)計算的部分將對云端計算造成較大壓力，一方面造成云平臺成本的大幅增加;另一方面帶來計算延遲，損害用戶體驗。自然語音交互分成聲學(xué)和自然語言理解(NLP)兩個部分，從另一個維度上來講，可看成是“業(yè)務(wù)無關(guān)”(語音轉(zhuǎn)文字/聲學(xué)計算)和“業(yè)務(wù)有關(guān)”(NLP)的部分。業(yè)務(wù)有關(guān)的部分毫無疑問需要在云端解決，例如用戶問天氣、聽音樂等需求，那么設(shè)備對用戶語句的理解，以及天氣信息的獲取必須通過聯(lián)網(wǎng)來完成。但是，對于用戶語音到文字的轉(zhuǎn)換，例如下達(dá)指令“打開空調(diào)、增加溫度等”，其中的部分甚至大部分計算是有可能在本地完成的。這種情況下，從本地上傳到云端的數(shù)據(jù)將不再是壓縮后的語音本身，而是更為精簡的中間結(jié)果甚至是文本本身，數(shù)據(jù)更為精簡，云端計算更為簡單，則響應(yīng)也更為迅速。

多模態(tài)的需求

所謂多模態(tài)交互即多種本體交互手段結(jié)合后的交互，例如將多種感官融合，比如文字、語音、視覺、動作、環(huán)境等。人是一個典型的多模態(tài)交互的例子，在人與人交流的過程中，表情、手勢、擁抱、觸摸，甚至是氣味，無不在信息交換的過程中起著不可替代的作用。顯然，智能家居的人機(jī)交互勢必不止語音一個模態(tài)，而是需要多模態(tài)交互并行。舉個例子，智能音箱如果看到人不在家，那就完全不需要對電視里誤放出的喚醒詞進(jìn)行響應(yīng)，甚至可以把自己調(diào)到睡眠狀態(tài);一個機(jī)器人如果感覺到主人在注視他，那么可能會主動向主人打招呼并詢問是否需要提供幫助。多模態(tài)處理無疑需要引入對多類傳感器數(shù)據(jù)的共同分析和計算，這些數(shù)據(jù)既包括一維的語音數(shù)據(jù)，也會包括攝像頭圖像以及熱感應(yīng)圖像等二維數(shù)據(jù)。這些數(shù)據(jù)的處理無不需要本地AI的能力，也就對邊緣計算提出了強(qiáng)力的需求。

AIoT帶來的AI芯片需求

AI算法對設(shè)備端芯片的并行計算能力和存儲器帶寬提出了更高的要求，盡管基于GPU的傳統(tǒng)芯片能夠在終端實現(xiàn)推理算法，但其功耗大、性價比低的弊端卻不容忽視。在AIoT的大背景下，IoT設(shè)備被賦予了AI能力，一方面在保證低功耗、低成本的同時完成AI運算(邊緣計算);另一方面，IoT設(shè)備與手機(jī)不同，形態(tài)千變?nèi)f化，需求碎片化嚴(yán)重，對AI算力的需求也不盡相同，很難給出跨設(shè)備形態(tài)的通用芯片架構(gòu)。因此，只有從IoT的場景出發(fā)，設(shè)計定制化的芯片架構(gòu)，才能在大幅提升性能的同時，降低功耗和成本，同時滿足AI算力以及跨設(shè)備形態(tài)的需求。