在一年一度的超級碗決賽之前，Amazon又發(fā)布了“Alexa新形態(tài)”的重磅廣告。在廣告中，一位女演員把自己對邁克爾·喬丹的崇拜傾注在Alexa語音助手身上，徹底惹毛了自己的丈夫。毫無疑問，大多數(shù)觀眾都不會把Amazon設(shè)計的這段新廣告太當(dāng)真;但事實(shí)上，能像人一樣與我們流暢交通的AI也并沒那么遙遠(yuǎn)。

[[383256]]

如今，AI化身——即使用數(shù)字形體及/或面部渲染出的AI形象——還遠(yuǎn)遠(yuǎn)不像喬丹那么有人格魅力，甚至看起來還有點(diǎn)恐怖。研究表明，人類確實(shí)很喜歡開發(fā)這種具有類人功能的機(jī)器人，但一旦機(jī)器的“類人性”超過某個閾值，反而會讓人感到可怕——這就是著名的“恐怖谷”理論。創(chuàng)造這個詞的機(jī)器人專家Masahiro Mori預(yù)計，終有一天會出現(xiàn)能夠以假亂真的機(jī)器人，讓我們徹底失去分辨能力。至少在對話層面，這樣的AI已經(jīng)有望實(shí)現(xiàn)，徹底打破舊有圖靈測試的束縛。

在最近與傳奇營銷天才Guy Kawasaki的遠(yuǎn)程視頻中，我大膽做出預(yù)測：未來兩年以內(nèi)，Guy就將無法區(qū)分我本人和我們打造的對話型AI方案Kuki。Guy明顯不以為然，但我也沒有動搖，打算一步步做出論證。

結(jié)合這次對話，我打算向大家公開匯報，說說自己為什么對這樣的預(yù)測有信心。在本質(zhì)上，要想在視頻通話中實(shí)現(xiàn)與人類相信的表現(xiàn)，AI必須獲得五大關(guān)鍵實(shí)時技術(shù)：

• 類人化身
• 類人語音
• 類人情感
• 類人行為
• 類人對話

隨著動作捕捉技術(shù)(MoCap)與生成對抗神經(jīng)網(wǎng)絡(luò)(GAN，也是Deep Fake所依賴的底層機(jī)器學(xué)習(xí)技術(shù))的廣泛普及與成本下降，化身方案近年來取得了長足發(fā)展。早期動作捕捉要求演員穿上特殊的服裝，但整個拍攝與調(diào)整過程成本高昂，只有《阿凡達(dá)》這類鴻篇巨制才負(fù)擔(dān)得起。但如今，單靠iPhone X與免費(fèi)游戲引擎軟件就足以讓動作捕捉“走進(jìn)尋常百姓家”。眾多在線Web服務(wù)讓創(chuàng)建低分辨率Deep Fake圖像與視頻變得輕而易舉，快速推動這項技術(shù)的大眾化步伐。但如果不加限制，這項技術(shù)也有可能給人類社會造成巨大沖擊。事實(shí)上，這種進(jìn)步還催生出新的產(chǎn)業(yè)，很多主播開始將自己的面部與表情實(shí)時轉(zhuǎn)化為動物形象，甚至出現(xiàn)了“Lil’Miquela”等AI意見領(lǐng)袖。就在上周，Epic Games(〈堡壘之夜〉與虛幻引擎的開發(fā)商)公布了MetaHuman創(chuàng)作器，很快每個人都能夠免費(fèi)創(chuàng)造出無限接近于真人的“假臉”。

生成類人語音的技術(shù)同樣在迅速發(fā)展。Amazon、微軟與谷歌都提供可靈活消費(fèi)的云文本到語音轉(zhuǎn)換(TTS)API，以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)生成越來越逼真的語音效果。此外，我們還能輕松獲取多種自定義語音風(fēng)格工具，這些工具由人類演員根據(jù)一定數(shù)量的示例語句建模而成。與現(xiàn)在的高精度語音識別類似，語音合成也將隨著算力與訓(xùn)練數(shù)據(jù)的增強(qiáng)而不斷改善。

單有令人信服的AI語音與人臉，還不足以產(chǎn)生價值——必須有生動的表情與之匹配。事實(shí)證明，只需要配合前置攝像頭，計算機(jī)視覺技術(shù)就足以分析并生成豐富的面部表情。目前已經(jīng)有多種API可供您分析文本內(nèi)容并理解相應(yīng)的情感。NTT Data等實(shí)驗(yàn)室甚至展示了能夠?qū)崟r模仿人類手勢與表情的方案;Magic Leap的MICA則能夠提供令人印象深刻的非語言化身表情。當(dāng)然，現(xiàn)有AI還很難摸索出真正自主的精神與情感狀態(tài)，這方面仍有很長的研究道路要走。

為了避免“恐怖谷”問題，AI必須能夠展示出與面部乃至肢體動作相一致的“態(tài)度”，并根據(jù)對話進(jìn)程動態(tài)觸發(fā)。南加州大學(xué)ICT實(shí)驗(yàn)室的Shaprio項目以及眾多語音圖像初創(chuàng)企業(yè)的探索，已經(jīng)在為游戲角色提供同步口型與面部表情等方面取得了開創(chuàng)性成果。這類系統(tǒng)能夠通過化身轉(zhuǎn)換文字表達(dá)、分析情感，并通過既定規(guī)則調(diào)用庫內(nèi)的適當(dāng)動畫，同時結(jié)合真實(shí)人類活動的視頻持續(xù)進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練。隨著研發(fā)推進(jìn)與機(jī)器學(xué)習(xí)發(fā)展，這類程序動畫有望在兩年之后全面實(shí)現(xiàn)無縫運(yùn)作。

類人對話中最生澀、也是最困難的部分，在于大多數(shù)聊天機(jī)器人仍然掙扎在進(jìn)行基本對話的及格線上。到目前為止，相較于語音合成及計算機(jī)視覺等大獲成功的領(lǐng)域，深度學(xué)習(xí)+更多數(shù)據(jù)+更強(qiáng)算力的模式還沒能在自然語言理解方面取得有意義的突破。

類人AI這個思路極具吸引力，目前已經(jīng)吸引到3.2億風(fēng)險投資;但至少在未來幾年當(dāng)中，除非其中的核心要素得以“解決”，否則一切恐怕仍只是個幻想。隨著化身技術(shù)真正邁出前進(jìn)的步伐，人們的期望也會越來越高;而當(dāng)虛擬助手的仿真面孔無法匹配靈活的大腦與情商表達(dá)時，失望之情也會與日俱增。因此，現(xiàn)在預(yù)測聊天機(jī)器人什么時候能夠達(dá)到真人水平還為時過早。再說點(diǎn)喪氣話：如今的機(jī)器智能甚至連基于純文本的圖靈測試都還無法通過。