美光云計(jì)算高級(jí)業(yè)務(wù)發(fā)展經(jīng)理 Eric Booth 90 歲的祖母患有嚴(yán)重的聽(tīng)力障礙，即使佩戴助聽(tīng)器也很難聽(tīng)清別人在說(shuō)什么。Eric 注意到，她需要湊近講話(huà)者，識(shí)別他們的唇語(yǔ)，努力理解他們的話(huà)語(yǔ)。而當(dāng)多人進(jìn)行交談時(shí)，她常常會(huì)感到迷茫。

Eric 萌生了一個(gè)想法：

為何不用祖母的智能手機(jī)幫她來(lái)“傾聽(tīng)”呢？

他打開(kāi)手機(jī)的記事簿功能，按下麥克風(fēng)按鈕，向她展示了手機(jī)如何將他的話(huà)轉(zhuǎn)錄成屏幕上的文字。

他表示：“我的祖母非常興奮，笑得合不攏嘴，她現(xiàn)在可以參與到從前無(wú)法進(jìn)行的對(duì)話(huà)中。”這也讓我們看到了該技術(shù)如何切實(shí)改善了言語(yǔ)、語(yǔ)言和聽(tīng)力障礙者的生活質(zhì)量。”

將語(yǔ)音轉(zhuǎn)化成文本的技術(shù)看似簡(jiǎn)單，卻很容易被忽視。事實(shí)上，它的演變過(guò)程十分復(fù)雜，歷經(jīng)幾十年的發(fā)展才達(dá)到現(xiàn)有水平。

快速發(fā)展的技術(shù)

距第一臺(tái)語(yǔ)音識(shí)別 (SR) 設(shè)備 Audrey 的問(wèn)世已經(jīng)過(guò)了很久。1962 年，貝爾實(shí)驗(yàn)室推出了 Audrey，當(dāng)時(shí)這臺(tái)約 2 米高的計(jì)算機(jī)只能識(shí)別個(gè)位數(shù)字，且無(wú)法輸出文字。它會(huì)根據(jù)說(shuō)出的數(shù)字閃爍相應(yīng)次數(shù)的燈光，例如聽(tīng)到“9”時(shí)閃爍九次。

甚至幾年前，SR 技術(shù)還不方便用戶(hù)使用：它難以準(zhǔn)確識(shí)別聲音，無(wú)法過(guò)濾即使最輕微的環(huán)境聲，轉(zhuǎn)錄速度也很慢。彼時(shí)，SR 技術(shù)想真正融入日常生活，還有很長(zhǎng)的路要走。

如今，人工智能、虛擬助理技術(shù)、5G 蜂窩技術(shù)與內(nèi)存、存儲(chǔ)和計(jì)算機(jī)處理技術(shù)的進(jìn)步使 SR 成為可能，幫助我們實(shí)現(xiàn)許多從前做不到的事情：比如用陌生的語(yǔ)言進(jìn)行交流，即時(shí)轉(zhuǎn)錄長(zhǎng)錄音，只通過(guò)語(yǔ)音就能訂購(gòu)我們想要的任何東西并享受送貨上門(mén)。

生成式 AI 正進(jìn)一步提升該技術(shù)。語(yǔ)音識(shí)別將音頻轉(zhuǎn)化為文字，而生成式 AI 則對(duì)文字進(jìn)行處理，讓用戶(hù)真正理解其含義。SR 技術(shù)不再僅聚焦于識(shí)別說(shuō)了什么？而是專(zhuān)注于理解這些話(huà)是什么意思？是在提問(wèn)嗎？如果是，答案是什么？

這種類(lèi)型的機(jī)器學(xué)習(xí)能根據(jù)用戶(hù)提示或?qū)υ?huà)創(chuàng)建文本、視頻、圖像、計(jì)算機(jī)代碼和其他內(nèi)容。以語(yǔ)音識(shí)別為基礎(chǔ)的生成式 AI 將學(xué)習(xí)提升到了全新水平，賦能 SR 技術(shù)以進(jìn)一步幫助言語(yǔ)和聽(tīng)力障礙人士。

盡管靈活的語(yǔ)音識(shí)別可能會(huì)接收到不符合常規(guī)語(yǔ)音模式的語(yǔ)言，但生成式 AI 和自然語(yǔ)言處理 (NLP) 能理解并將其轉(zhuǎn)化為相關(guān)建議。這一過(guò)程使全面且高度個(gè)性化的語(yǔ)言治療方案成為可能。

Eric 的女兒曾接受語(yǔ)言治療，他深知其所需的時(shí)間和精力。這一經(jīng)歷促使他攻讀位于愛(ài)達(dá)荷州的博伊西州立大學(xué)的博士課程，以研究利用技術(shù)幫助語(yǔ)言障礙患兒的方法。

Eric 表示：“在語(yǔ)言治療中，過(guò)去我們認(rèn)為治療師會(huì)給患者提供閱讀內(nèi)容并利用工具對(duì)他們的發(fā)音和吐字進(jìn)行評(píng)分。但借助生成式 AI，我們能用工具來(lái)管理整個(gè)過(guò)程。生成式 AI 擅長(zhǎng)識(shí)別各種語(yǔ)言模式，因此能更好地判斷出患者是否經(jīng)常發(fā)錯(cuò) O 音。”

大語(yǔ)言模型

不久前，語(yǔ)音識(shí)別還需依賴(lài)大型內(nèi)存服務(wù)器，并將收集到的全部數(shù)據(jù)上傳云端。而如今，語(yǔ)音識(shí)別功能已內(nèi)置在手機(jī)中，具有更快的計(jì)算速度和更大的內(nèi)存，過(guò)去需要數(shù)據(jù)中心處理的流程現(xiàn)在能夠直接在手機(jī)上進(jìn)行。

AI 模型訓(xùn)練不僅能生成更復(fù)雜的模型，還可以將這些模型簡(jiǎn)化，從而在手機(jī)或個(gè)人電腦等終端設(shè)備上運(yùn)行。很快，生成式 AI 程序就會(huì)出現(xiàn)在您的手機(jī)或其他終端設(shè)備上。隨著大語(yǔ)言模型的快速發(fā)展，他們難以在云環(huán)境之外進(jìn)行訓(xùn)練。然而，一旦模型通過(guò)訓(xùn)練并進(jìn)行簡(jiǎn)化后，就能轉(zhuǎn)移到終端設(shè)備上。

過(guò)去幾年，大語(yǔ)言模型取得了巨大進(jìn)步。Eric 表示：“大語(yǔ)言模型擁有數(shù)萬(wàn)億個(gè)參數(shù)，是實(shí)現(xiàn)生成式 AI 聊天機(jī)器人和高級(jí)搜索功能的關(guān)鍵。幾年前，萬(wàn)億級(jí)的參數(shù)量難以想象，我們根本無(wú)法處理，而如今，這一數(shù)字已是基準(zhǔn)線(xiàn)。當(dāng)然，模型越大，就越智能，這正是拉動(dòng)計(jì)算和內(nèi)存需求的因素。”

NLP 和生成式 AI 需要大量大語(yǔ)言模型訓(xùn)練，其所使用的參數(shù)越多，所需的內(nèi)存容量就越大（見(jiàn)下圖）。

為了處理這些不斷擴(kuò)大的模型，遷移學(xué)習(xí)越來(lái)越流行。該思路是在一個(gè)特定的環(huán)境中使用大量數(shù)據(jù)訓(xùn)練模型，然后對(duì)該模型的參數(shù)進(jìn)行微調(diào)以適應(yīng)另一個(gè)具有較小數(shù)據(jù)集的環(huán)境。假設(shè)大的數(shù)據(jù)集是成人語(yǔ)音，小的數(shù)據(jù)集是兒童語(yǔ)音，遷移學(xué)習(xí)可以提供一個(gè)精準(zhǔn)匹配兩個(gè)數(shù)據(jù)集的模型。而如果您想訓(xùn)練的模型是以成人語(yǔ)音為主，同時(shí)包括少量的兒童語(yǔ)音，那么準(zhǔn)確性就會(huì)降低。在一種環(huán)境中進(jìn)行大數(shù)據(jù)集訓(xùn)練，然后將數(shù)據(jù)微調(diào)并轉(zhuǎn)移到另一個(gè)具有較少數(shù)據(jù)的環(huán)境中，這一組合非常有效。Eric 在他的論文《評(píng)估和改進(jìn)兒童定向自動(dòng)語(yǔ)音識(shí)別》中闡釋了關(guān)于這方面的進(jìn)展。

預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)遵循了同樣的思路，在一個(gè)任務(wù)或數(shù)據(jù)集上訓(xùn)練模型，然后將這些參數(shù)轉(zhuǎn)移到另一個(gè)任務(wù)或數(shù)據(jù)集上進(jìn)行不同的模型訓(xùn)練。以 ChatGPT 為例，（ChatGPT 中的“P”代表預(yù)訓(xùn)練），它通過(guò)大量互聯(lián)網(wǎng)對(duì)話(huà)數(shù)據(jù)進(jìn)行了預(yù)訓(xùn)練，因此能夠回答常規(guī)問(wèn)題，并能根據(jù)提供給它的額外語(yǔ)境來(lái)更好地適應(yīng)當(dāng)前對(duì)話(huà)。這為該模型發(fā)展提供了有利條件，避免了從零開(kāi)始，因?yàn)槟恍枭倭繑?shù)據(jù)就能創(chuàng)建強(qiáng)大的模型。

如今，許多 AI 研究人員都專(zhuān)注于生成式 AI。這不僅源于 ChatGPT 所帶動(dòng)的熱潮，還因?yàn)樯墒?AI 在醫(yī)療保健和其他行業(yè)具有潛在的深遠(yuǎn)影響。

為所需之人提供幫助

根據(jù)美國(guó)言語(yǔ)語(yǔ)言聽(tīng)力協(xié)會(huì)(American Speech-Language-Hearing Association)的數(shù)據(jù)，美國(guó)有超過(guò) 100 萬(wàn)兒童在學(xué)校接受專(zhuān)業(yè)的言語(yǔ)和語(yǔ)言障礙幫助。Eric 表示，總體而言，8% 的兒童存在語(yǔ)言發(fā)育遲緩或障礙問(wèn)題。

“您當(dāng)前無(wú)法在市場(chǎng)上接觸到兒童言語(yǔ)治療技術(shù)。因?yàn)樵摷夹g(shù)尚未實(shí)現(xiàn)，但它尤為重要，尤其對(duì)低收入家庭的患兒而言。”Eric 表示，對(duì)兒童進(jìn)行治療評(píng)估至少需要兩小時(shí)，但美國(guó)政府可能只會(huì)承擔(dān) 30 分鐘的費(fèi)用。

“電腦可以承擔(dān)很多工作，為治療師騰出時(shí)間來(lái)做更長(zhǎng)遠(yuǎn)的規(guī)劃和更有針對(duì)性的治療。”

學(xué)習(xí)障礙資源基金會(huì) (Learning Disabilities Resources Foundation)認(rèn)為，患有學(xué)習(xí)障礙（如閱讀障礙）的兒童也可受益于語(yǔ)音轉(zhuǎn)錄文字技術(shù)。正如巧妙地利用語(yǔ)音轉(zhuǎn)錄文字技術(shù)幫助 Eric 的祖母參與到交談中，這項(xiàng)關(guān)鍵 AI 技術(shù)還有大量尚待開(kāi)發(fā)和探索的應(yīng)用空間。

賦能生成式AI和SR技術(shù)發(fā)展

如今，美光正在開(kāi)發(fā)密度更高、速度更快的內(nèi)存和存儲(chǔ)，助力手機(jī)取代云端直接進(jìn)行語(yǔ)言處理，以節(jié)省數(shù)據(jù)傳輸時(shí)間。

為了提升終端設(shè)備的性能，美光低功耗 LPDDR5X內(nèi)存具有雙倍數(shù)據(jù)傳輸速率，可實(shí)現(xiàn)功耗與性能的平衡和流暢的用戶(hù)體驗(yàn)。LPDDR5X 移動(dòng)內(nèi)存采用了業(yè)界先進(jìn)技術(shù)，峰值速度可達(dá) 8.533 GB/秒，較上一代產(chǎn)品提高 33%。LPDDR5X 的高速與高帶寬對(duì)于實(shí)現(xiàn)高性能終端生成式 AI 至關(guān)重要。

借助生成式 AI，SR 技術(shù)的處理速度和準(zhǔn)確度逐漸接近人腦，但距離真正實(shí)現(xiàn)目標(biāo)還存在較大困難，尤其是在處理兒童語(yǔ)言和發(fā)音問(wèn)題，以及幫助聽(tīng)力或語(yǔ)言障礙者。Eric 正在進(jìn)行的研究能夠切實(shí)改善生成式 AI 技術(shù)，豐富全人類(lèi)生活體驗(yàn)。

生成式 AI 通過(guò)深度學(xué)習(xí)正在將語(yǔ)音轉(zhuǎn)化為更加自然的文字。過(guò)去，AI 模型擅長(zhǎng)挖掘大量數(shù)據(jù)、識(shí)別模式、診斷并確定原因；如今，生成式 AI 能夠“讀取”文字，并通過(guò)數(shù)據(jù)推斷人類(lèi)交流的語(yǔ)境。本質(zhì)上，生成式 AI 是在“訓(xùn)練”自己。為了做到這一點(diǎn)，AI 需要能同時(shí)訪(fǎng)問(wèn)并獲取大量數(shù)據(jù)，并從海量?jī)?nèi)存中提取數(shù)據(jù)以做出適當(dāng)?shù)捻憫?yīng)。美光正在積極推動(dòng)這些技術(shù)進(jìn)步。

美光高密度 DDR5 DRAM 模塊和 TB 級(jí) SSD 存儲(chǔ)可提供超高速度與超高帶寬，滿(mǎn)足在數(shù)據(jù)中心訓(xùn)練生成式 AI 模型的需求。最新發(fā)布的第二代 HBM3 (HBM3E)進(jìn)一步提升了性能，容量擴(kuò)大超過(guò) 50% ，帶寬超過(guò) 1.2 TB/秒，可將百萬(wàn)億級(jí)參數(shù)的 AI 模型訓(xùn)練時(shí)間縮短 30% 以上。隨著這些技術(shù)的速度和準(zhǔn)確度不斷提高，未來(lái)，更多的語(yǔ)言障礙人士將能進(jìn)行正常的溝通，發(fā)出自己的聲音。

Eric 預(yù)測(cè)：“在不久的將來(lái)，我們將看到生成式 AI 和 SR 技術(shù)在性能上取得飛躍式發(fā)展。我很高興能看到這項(xiàng)技術(shù)不斷豐富全人類(lèi)生活體驗(yàn)。”