科技行者 7月11日 北京消息（文/周雅）：馬克思曾經(jīng)一句名言“科技是第一生產(chǎn)力”，放到互聯(lián)網(wǎng)時代依然顛撲不破，很多互聯(lián)網(wǎng)公司也深諳這一點，對于“科技創(chuàng)新”的追求從未停止過。

以阿里巴巴舉例。考慮到阿里的未來科技力量儲備，馬云在2017年建成「達摩院」，成立之初，他對達摩院提出三個要求，“活得要比阿里巴巴長”、“服務(wù)至少20億人”、“必須用科技解決未來的問題”，官方聲稱這是“一家致力于探索科技未知，以人類愿景為驅(qū)動力的研究院”。

然而兩年過去了，達摩院究竟在做什么？7月10日下午，阿里巴巴在北京舉辦了一場媒體溝通會，這場會的主角，是阿里巴巴達摩院機器智能技術(shù)實驗室，幾位阿里發(fā)言人講了講達摩院目前在AI領(lǐng)域的業(yè)務(wù)布局、人才儲備、以及技術(shù)演進結(jié)果。

不一樣的達摩院

成立達摩院時，馬云表示三年內(nèi)將投入逾1000億元，并將在初期招攬100名頂級科學家和研究人員。但他同時也提出要求，即達摩院要學會自營自利，未來要自己掙錢。

這也使得達摩院一開始就與其他的研究院有了很大不同。

達摩院機器智能技術(shù)事業(yè)部首席架構(gòu)師王駿以達摩院機器智能技術(shù)實驗室為例介紹道，整個部門的運作方式，是“研”“發(fā)”并重，既有research（研究），也有develop（開發(fā)），任務(wù)是希望開發(fā)出先進的AI技術(shù)和產(chǎn)品，達到理想中的物理實驗真正有價值的地方，不僅是商業(yè)價值，還有社會價值。

正因為學術(shù)思維和商業(yè)思維并重，該部門自然而然形成了一種自上而下的中心化研究管理體系，既確定了大的研究方向，同時保持研究自由度，任何研究小組都可以去做他感興趣的方向，并兼顧短期、中期、長期的規(guī)劃，最終的價值也都體現(xiàn)在創(chuàng)新技術(shù)產(chǎn)品上。

因此，回顧這兩年，達摩院既有一些理論性的研究，也有一些實踐性的應(yīng)用。比如，僅阿里AI團隊，便在國際頂級學術(shù)會議上共發(fā)表了近400篇頂級論文，同時也在國際頂級技術(shù)賽事上斬獲40余項世界第一，有20多個行業(yè)應(yīng)用落地，涉及交通、醫(yī)療、零售等等領(lǐng)域。

再比如，剛剛過去的6月份，在被譽為人工智能世界杯的WebVision競賽中，阿里AI擊敗了全世界150多支參賽隊伍，獲得冠軍。這是一個超大規(guī)模圖像識別的比賽，它要實現(xiàn)的是給機器一張圖，讓它去搜索其他關(guān)聯(lián)圖，這與眾所周知的“谷歌花大量時間讓機器識別一只貓”是一樣的道理，只不過這個比賽難度更大，它不允許人工標注，這就意味著要讓機器自己具備歸納海量圖片的能力。據(jù)王駿介紹，其實阿里很早就開始研究這一技術(shù)，拍立淘便是該技術(shù)的前身，目前阿里AI可以識別超過100萬種物理實體，“我們希望有一天，計算機可以自動識別每一個物體。”王駿說。

還有，2018年1月，在斯坦福大學發(fā)起的機器閱讀理解領(lǐng)域頂級賽事SQuAD上，阿里AI在開放域問答任務(wù)上達到人類水平。這是一個什么概念？我們所理解的AI問答，是基于數(shù)據(jù)庫進行回答，但實際上很多問題涉及兩點：有沒有問答數(shù)據(jù)，以及有沒有知識統(tǒng)計。比方一個簡單問題“中國首都有多少人？”就隱含兩個問題：“中國首都是哪？”以及“這個城市有多少人口？”因此，AI在這個回答過程里，先要在數(shù)據(jù)庫里找到一個多文檔排序，匹配出與問題相關(guān)的文檔，再在文檔里定位問題，并作出回答。

取得這些成績，與達摩院雄厚的人才儲備不無關(guān)系。目前，達摩院旗下的科學家團隊包括：美國密歇根州立大學終身教授金榕、密西根大學終身教授施堯耘、新加坡南洋理工大學終身教授王剛等20多位世界級科學家，以及10多名IEEE Fellow。

王駿表示，達摩院是一個全球化的機構(gòu)，半數(shù)以上成員擁有博士以上學位，辦公室分布在4個國家的8個主要城市。其打趣說道，“正因為全球化，達摩院要想所有員工一起開個會，時間很難湊，因為各地都有時差。”

達摩院加持的語音AI

據(jù)王駿介紹，達摩院機器智能技術(shù)實驗室本質(zhì)以人工智能技術(shù)為核心，這就好比人類接收外界信號主要來自于三個感官通道，即視覺、語音、語言，與之相對應(yīng)的，阿里AI的研究領(lǐng)域則是視覺智能、語音智能、語言和知識，以及決策智能。“阿里希望機器未來具有一定的人類思維數(shù)據(jù)處理能力。”

當天，達摩院首次對外展示了新一代語音合成技術(shù)——KAN-TTS（TTS，Text To Speech，即“從文本到語音”）。官方稱，KAN-TTS由達摩院機器智能實驗室自主研發(fā)，融合了目前主流的端到端TTS技術(shù)和傳統(tǒng)TTS技術(shù)，從多個方面改進了語音合成。

達摩院語音實驗室高級算法專家雷鳴介紹了語言合成技術(shù)的歷史演變。1939年，人類第一次可以由鍵盤控制產(chǎn)生聲音，經(jīng)歷過多個發(fā)展階段，直到2017年，TTS技術(shù)已經(jīng)可以提供接近真人表現(xiàn)力的合成語音，但依然有缺陷。

據(jù)雷鳴說，當前，業(yè)界商用系統(tǒng)的合成語音與原始音頻錄音的接近程度通常在85%-90%之間，這其實已經(jīng)是一個很高水平，而基于KAN-TTS技術(shù)的合成語音，則可將該數(shù)據(jù)進一步提高到97%以上。

此外，傳統(tǒng)語音合成定制需要10小時以上的數(shù)據(jù)錄制和標注，對錄音人和錄音環(huán)境要求很高。從啟動定制到最終交付，項目周期長成本高。

阿里利用Multi-Speaker Model與Speaker-aware Advanced Transfer Learning相結(jié)合的方法，將語音合成定制成本降低10倍以上，周期壓縮3倍以上。也就是說，用1小時有效錄音數(shù)據(jù)和不到兩個月制作周期，就能完成一次標準TTS定制。

普通用戶定制“AI聲音”的門檻更低。只需手機錄音十分鐘，就能獲得與錄制聲音高度相似的合成語音。阿里AI做到這一點，主要基于自動數(shù)據(jù)檢查、自動標注方法和對海量用戶場景的利用。

達摩院語音實驗室對外提供了開箱即用的TTS解決方案，這主要是針對一些產(chǎn)品具有特定場景的需求。比如有些產(chǎn)品就要講一些兒童教育的故事，有些則是講富有情感的故事，針對這些，阿里TTS解決方案共有通用、客服、童聲、英文和方言5個場景的34種高品質(zhì)聲音供選擇。

達摩院語音實驗室負責人鄢志杰說，達摩院是一個技術(shù)密集型團隊，但它并不是只專注于技術(shù)的研究，同時也要把這些技術(shù)產(chǎn)品化。比如語音技術(shù)，阿里有各種各樣語音的源頭算法，這些不僅僅應(yīng)用在阿里自己的業(yè)務(wù)上，同時也能夠把這些技術(shù)放到云上，分享給合作伙伴。“可以說，阿里有什么，阿里云的客戶就能拿到什么。”