即便如此，第一個問題我們還要闡述清晰，因為這不僅有市場趨勢問題，還有商業(yè)路徑問題。我們首先看下面一張圖片，我們知道全球最大的圖書館是美國國會圖書館，大概有3000多萬本藏書，若每本書按照100萬字來統(tǒng)計，總共也就30TB左右的數(shù)字容量，實際上人類每年產(chǎn)生的文字資料總共也就160TB。相比之下，僅Facebook一家產(chǎn)生的數(shù)據(jù)就有300 x 365 TB，全球的數(shù)據(jù)可能超過了2000PB，而且這個總量還在快速增加。那么面對這些海量的數(shù)據(jù)，我們?nèi)祟愒趺床拍塬@取知識？我們一生也不可能讀完美國國會圖書館的藏書，就更沒有可能遍歷當(dāng)今的機器數(shù)據(jù)。當(dāng)然我們知道這其中很多都是重復(fù)數(shù)據(jù)，但是篩選重復(fù)信息本身也是人類學(xué)習(xí)的過程。顯然，我們?nèi)祟悷o法記住1億人的面孔，也無法辨識1億人的聲音。人類知識和機器知識實際上已經(jīng)開始各成體系，機器顯然具有比人類更強的知識去重、篩選、復(fù)制和迭代的能力，而我們?nèi)祟愔�識想要獲得更快的發(fā)展，也必須依賴機器知識的支撐，這就必須要解決人類知識和機器知識的交互相通問題，怎么才能簡單的把機器所理解的知識復(fù)制粘貼到人類世界？以前文本時代我們有搜索引擎，那以語音圖像為主的人工智能時代呢？所以，我們必須要有人機自然交互系統(tǒng)，只有這樣才能高效的獲取更有價值的機器知識，才能解決未來數(shù)據(jù)爆炸時代的知識獲取問題。至于商業(yè)化路徑，其實搜索引擎已經(jīng)做了很好的示范，人機交互系統(tǒng)肯定會催生更多的商業(yè)變現(xiàn)路徑。

至于第二點對于巨頭加入競爭的擔(dān)憂，其實任何一個賽道只要未來市場空間足夠大，就必然會產(chǎn)生這種結(jié)果。巨頭為了支撐不斷攀升的市值，就必須布局未來天花板足夠高的產(chǎn)業(yè)，即便這個產(chǎn)業(yè)的商業(yè)模式當(dāng)前還比較模糊，除非這個行業(yè)沒有足夠的商業(yè)空間或者戰(zhàn)略價值。我們一定要相信這個世界的聰明人很多，即便倒下了很多巨頭，也從來沒有哪個巨頭純粹是因為戰(zhàn)略方向問題倒下的，更多的原因反而是巨頭在執(zhí)行方面出現(xiàn)了巨大的問題，戰(zhàn)略其實也是一個執(zhí)行問題。

但是我們也要承認(rèn)語音行業(yè)的不足，語音行業(yè)還比較缺乏對于商業(yè)落地的認(rèn)知，若比較圖像、語音和自動駕駛這三個賽道，語音特別喜歡使用晦澀的術(shù)語比如自動語音識別、自然語言理解等等來給技術(shù)貼標(biāo)簽，而不像人臉識別、車牌識別、自動駕駛這樣直接對應(yīng)場景應(yīng)用。而更為麻煩的是，晦澀的術(shù)語不僅增加了商務(wù)對于場景的解釋難度，也拔高了客戶對于技術(shù)的應(yīng)用預(yù)期。這其實都非常不利于新技術(shù)在商業(yè)的規(guī)模化應(yīng)用。

舉個例子，“人機自然交互技術(shù)”就倒霉在這個術(shù)語上，這估計是人類追求的終極夢想，可以作為學(xué)術(shù)術(shù)語，但是落地到產(chǎn)業(yè)這個名詞就過于抬高預(yù)期，非常不友好。坦誠的來說，我們現(xiàn)在能做好人機任務(wù)對話特別是遠(yuǎn)場系統(tǒng)就相當(dāng)厲害了，至于能否挑戰(zhàn)人類智慧現(xiàn)在還是看不到任何苗頭。即便作為學(xué)術(shù)名稱，卻也感覺有點單薄，不如學(xué)學(xué)通信領(lǐng)域用“G”來定義。這完全可以類比，因為通信解決的是人和人交互的問題，人機自然交互解決的是人和機器交互的問題。隨著機器的數(shù)量越來越多而且越來越智能，人和機器的交互將是未來世界的主要問題。若采用“G”來劃分人機交互技術(shù)，則大概可以劃分成如下5代，和移動通信類似，當(dāng)前也就在第4代階段，距離5G還有一定的周期。

即便參照“G”的分類方法也有很多種，若以商業(yè)普及作為重要的參考因素，個人覺得可以按照如下的方式來劃分：

第1代人機交互技術(shù)：以旋鈕和鍵盤為代表，以模擬信號和字符為主要交互手段，可交互信息復(fù)雜度較高，效率很低，只能實現(xiàn)相對簡單的任務(wù)，但是可靠性也最強。這個階段的產(chǎn)品主要是包括打字機、電視、照相機、早期計算機、功能手機等各種電子設(shè)備，一般都是小巧簡單的操作系統(tǒng)或者不用操作系統(tǒng)。

第2代人機交互技術(shù)：以鼠標(biāo)為代表，以復(fù)雜圖形為主要交互手段，可交互信息復(fù)雜度較低，效率得到提升，易用性增強，學(xué)習(xí)成本降低。這個階段的產(chǎn)品主要就是個人計算機，Windows和Linux是代表性的操作系統(tǒng)。

第3代人機交互技術(shù)：以觸摸屏為代表，以簡單圖形為主要交互手段，可交互信息復(fù)雜度更低，易用性提升，學(xué)習(xí)成本急劇降低。這個階段的產(chǎn)品主要就是以觸摸屏為核心的智能手機，IOS和Android是代表性的操作系統(tǒng)。

第4代人機交互技術(shù)：以語音為代表，以遠(yuǎn)場語音為主要交互手段，從這個階段開始，人機交互的作用半徑變得更遠(yuǎn)，真正釋放了雙手，而且人機交互變得更加簡單，同時人機交互和內(nèi)容服務(wù)耦合更強，交互具備了知識學(xué)習(xí)和傳遞的屬性，但是由于存在更多模糊空間，遠(yuǎn)場語音交互的可靠性相對下降。Amazon Alexa、Baidu DuerOS、iFlytek iFlyOS和SoundAI Azero是代表性的交互系統(tǒng)。

第5代人機交互技術(shù)：以多傳感融合為主要交互手段，可交互信息的理解度和可靠性更高，融合交互將成為人和機器互相學(xué)習(xí)的關(guān)鍵路徑，并且這個階段人機交互的智能程度和主動程度都會得到大幅提升，機器可以感知人類的情感并且與人發(fā)起主動交互。

再總結(jié)探討一下，第5代人機交互（5G or 5I 5I means the fifth generationhuman－robot interaction technology）的技術(shù)趨勢可以暫時歸結(jié)為下面4個方向：

第1個方向就是遠(yuǎn)場化，雖然第4代人機交互就主打遠(yuǎn)場語音交互，但是我們要坦誠地面對現(xiàn)實的殘酷，當(dāng)前的技術(shù)遠(yuǎn)沒有那么好，我們在遠(yuǎn)場可靠性方面還有很多難點沒有突破，比如多輪交互、多人噪雜等場景還有待突破，還有需求較為迫切的人聲分離等技術(shù)。第5代技術(shù)應(yīng)該徹底解決這些問題，讓機器聽覺遠(yuǎn)超人類的感知能力。這不能僅僅只是算法的進步，需要整個產(chǎn)業(yè)鏈的共同技術(shù)升級，包括更為先進的傳感器和算力更強的芯片。更為重要的則是基礎(chǔ)理論技術(shù)的進步，特別是聲學(xué)的基礎(chǔ)理論突破，我們已經(jīng)等待太久了。當(dāng)然這也很難，比如生理聲學(xué)就受制于當(dāng)前實驗條件和人類倫理的約束比較難于突破，所以腦機接口當(dāng)前來看就更加困難，直接挑戰(zhàn)人類智慧的技術(shù)路線當(dāng)前來看都不太靠譜。

第2個方向就是融合化，“聲光電熱力磁”這些物理傳感手段，必然都要融合在一起，只有這樣機器才能感知世界的真實信息，這是機器能夠?qū)W習(xí)人類知識的前提條件。而且，機器必然要超越人類的五官，能夠看到人類看不到的世界，聽到人類聽不到的世界。機器的感知能力必須要超越人類，事實上眾多儀器也已經(jīng)達到了這個目標(biāo)，只不過，我們要把這些先進的傳感手段做的更加小巧更加便宜更加可靠，這是高端技術(shù)能夠走進尋常百姓家的關(guān)鍵所在。從當(dāng)前的技術(shù)進展來看，聲音和圖像的融合更為成熟，關(guān)鍵就在遠(yuǎn)場化。圖像識別若應(yīng)用到消費場景也必須遠(yuǎn)場化才行，比如說：抬眼一撇，從此便記住了她的容貌，而不是尷尬的站在攝像頭面前不知所措，這種交互體驗非常不友好更不吸引人。

第3個方向就是智能化，這也是最難實現(xiàn)的，因為智能本身的定義就是模糊的，這個智能化也不是類人智能，而是人類知識和機器知識互相傳遞的泛化，也就是讓機器可以理解人類的模糊知識，這并不是自然語義處理所能解決的事情。比如“像魚忘掉海的味道”，當(dāng)前再好的NLP引擎也無法釋義，同樣機器也無法準(zhǔn)確理解“小橋流水人家”，這就是意境。人也是這樣，高學(xué)歷也并不意味著有文化，比如我們AI公司，學(xué)歷都很高但是有時就比較缺文化。機器要智能就要有文化，那怎么來實現(xiàn)呢？人類怎么做的呢？比如高考時候的語文和英文考試，想拿高分閱讀量就是一個硬指標(biāo)，所以機器也要這樣，先不用管什么方法什么模型的，記憶的足夠多就會有顯著效果。數(shù)據(jù)足夠多的公司，未來必然也會比較聰明。

第4個方向就是主動化，主動化要在智能化的基礎(chǔ)上實現(xiàn)，讓機器嘗試?yán)斫馊祟惽楦斜磉_。這才是人工智能最大的商業(yè)價值所在，因為人和人之間的交互過程中，特別是在有商業(yè)價值的地方，主動交互占據(jù)相當(dāng)大的比例。想想其中的奧妙，當(dāng)前互聯(lián)網(wǎng)最為火熱的三大領(lǐng)域：搜索、電商和社交，歸根結(jié)底，到底是在做什么呢？搜索的商業(yè)變現(xiàn)為什么最終落在廣告業(yè)務(wù)呢？社交的商業(yè)變現(xiàn)為什么最終落在游戲業(yè)務(wù)呢？若想挖掘人機交互的商業(yè)價值，主動交互就是關(guān)鍵的技術(shù)。只需要部分理解人類思想和情感，就能稍稍影響人類的決策，這就是巨大的商業(yè)空間。況且，機器沒有人類的那么多情感負(fù)擔(dān)，比如說機器怎么說甜言蜜語都不會覺得惡心，我們?nèi)祟惪隙ú粫�把機器看成我們的上下級關(guān)系，也不會把人類的框框強加于機器，當(dāng)然另外一個可能也是極為可怕，機器可能也無底線的無恥，其目的就是為了推銷一款商品。任何技術(shù)其實都有兩面性，但是掌握技術(shù)的是人類，是每一家的企業(yè)，所以一家的企業(yè)價值觀決定了技術(shù)是服務(wù)人類還是敗壞世界規(guī)則。歸根結(jié)底，還是人的問題，人的問題，也都是教育的問題。要讓機器不斷學(xué)習(xí)更好的造福人類，人類也應(yīng)該不斷學(xué)習(xí)適應(yīng)機器才是。

這點還要稍微展開一下，人世間最難的莫過于重塑一個人的思想，以遠(yuǎn)場語音為核心的人機交互技術(shù)逐漸影響人類的決策，想想這就是令人激動的偉大事業(yè)。顯然，機器以海量的數(shù)據(jù)、強大的算力和優(yōu)異的算法為基礎(chǔ)，永不疲憊的進化迭代，遲早是能夠大概理解一下人類的，這就足以影響一個人簡單的決策了，我們?nèi)祟惼鋵嵰残U懶的，日常小的決策非常依賴于周邊人群的建議，這就是一種趨同性，而機器恰恰擅長參與并引導(dǎo)這種趨同性。當(dāng)然，若將這種能力用錯了地方，對人類的傷害也很大，所以搜索引擎的谷歌才會有“不作惡”這個價值觀，若沒有這個風(fēng)險誰會閑來無事提這個價值觀呢。