（文章來源：福布斯中文網）

今年5月，人工智能大師吳恩達（Andrew Ng）加入了中國互聯網先驅百度公司，擔任首席科學家職位。當時，吳恩達對他和他的團隊在加州桑尼維爾一家新成立實驗室可能取得的成果守口如瓶。但是，現在他終于忍不住披露了更出色的語音識別技術，這是智能手機時代引人關注的關鍵領域。

具體來說，Deep Speech在車內或人群中等嘈雜環境下比其他語音識別系統的表現更出色。當然，關鍵是讓語音識別技術在現實世界中真正發揮作用。吳恩達說，測試顯示，在嘈雜的背景下，Deep Speech的語音識別能力優于其他幾種語音識別系統——谷歌Speech API、wit.ai、微軟的 Bing Speech和蘋果Dictation，詞匯辨識錯誤率比這幾種技術低10個百分點以上。

百度提供了兩位大學教授的正面評論。“百度研究院最近的工作有可能顛覆語音識別在未來的應用效果，”卡耐基梅隆大學（Carnegie Mellon University）工程學助理研究教授伊恩·萊恩（Ian Lane）在一份新聞稿中表示。百度公司要求，在今天上午發布論文前不要對外透露細節，因此我們無法聯系谷歌、蘋果和其他公司發表評論。如果以上各方選擇隨后發表評論，筆者會補充他們的觀點。

像其他語音識別系統一樣，百度的語音識別系統是以人工智能技術的一個分支為基礎，稱為深度學習。這類軟件試圖（以非常原始的形式）模擬大腦新皮層的神經層活動——大腦80%的思維活動發生在新皮層，因而深度學習系統能夠學習如何識別聲音、圖像和其他數據的數字表現模式——理論上可以識別很多數據。吳恩達在接受采訪時說，“第一代深度學習語音識別系統正在接近極限。”

百度團隊采集來自9,600人的約7,000小時語音會話，大部分對話是在安靜的環境中進行——不過有時講話者戴著耳機，播放吵鬧的背景音，因此他們就要改變自己的音高和語調，就像他們在嘈雜環境中講話那樣。然后，百度團隊使用一種稱為疊加的物理原理，在這些語音樣本中加入大約15種噪音，比如餐館、汽車和地鐵的環境噪音。這些做法實質上把語音樣本增加到10萬小時的數據。然后，百度團隊讓語音識別系統學習在所有的噪音環境下識別語音。

吳恩達表示，這種方法比現有的語音識別系統更為簡單。他們使用了一系列用來分析音素和語音其他部分的模塊，這通常需要對模塊進行手工設計，用到被為隱馬爾可夫模型（Hidden Markov Models）的統計概率系統，需要大量的人力調適模板噪聲和語音變化。吳恩達表示，百度的語音識別系統采用深度學習算法取代了這些模型，這種算法在遞歸神經網絡或者模擬神經元陣列中進行訓練，讓語音識別系統更加簡單。

如果沒有這樣的速度，對這么多數據進行分析是不可能做到的。吳恩達表示，這個系統比現有基于GPU的其他系統更為先進。“我們正在進入語音2.0的時代，”他說，“而這僅僅是個開始。”

吳恩達認為，隨著互聯網用戶的文化水平門檻越來越低，他們更愿意使用語音而不是文字，因此語音識別技術的重要性將進一步提升。“讓計算機和我們對話是個關鍵，”他說。吳恩達舉了個最近在中國進行搜索查詢的例子：“嗨，百度，你好嗎？昨天中午我在一家街角小店吃了面條。你知道這家店明天還賣面條嗎？”吳恩達承認，到今天為止，為這個請求提供答案依然非常困難，但是他認為更完善的語音識別將起到關鍵作用。

語音重要的另一個原因是，物聯網的發展把現在所有無聲的電子設備連接到網絡。他設想在未來的某個時期，如果他有了孫子孫女，他們一定會驚訝于我們曾經使用電視遙控器，擁有不能對語音命令做出響應的微波爐。“語音是一項能夠促進物聯網成長的技術，”吳恩達說。

百度究竟要多長時間才能把這種全新的語音識別方法集成到其搜索和其他服務中，這一點吳恩達拒絕透露。但是被問及是否要用幾年的時間時，他很快回答說，“天哪，用不了！”如此看來，這種技術很有可能在新一年的某個時候正式亮相。百度的Cool Box是一個可能應用這種語音識別方法的“試驗性”項目，這個系統可以使用語音激活音樂播放要求。

在百度嘗試提升自我、躋身于頂級互聯網公司行列的努力中，吳恩達和他的團隊的工作將發揮重要作用。這個團隊現在大約有30名員工，明年人數可能會翻一倍。目前，百度主要服務于中國市場，但這家公司著眼于擴大其國際影響范圍，這將涉及到開發世界頂級的語音識別、翻譯和其他功能。