|
本地识别
家居领域人机交互的本地识别离不开边缘计算，具体体现两个方面：
高频词。从实际统计来看，用户在特定场景下的常用关键词指令数量有限。例如车机产品，用户最常使用的可能是“上一首/下一首”，空调产品有可能最常用的命令是“开启/关闭”等，这些用户经常用到的词就叫做高频词。对于高频词的处理，完全可以放在本地处理而不依赖于云端的延时，从而带给用户最佳的体验。
联网率。在智能家居产品尤其是家电产品落地的过程中，联网率是一个问题。如何在不联网的情况下让用户感知到语音AI的强大，进行用户培养，也是边缘计算在当前的一个重要作用。
本地/云端效率的平衡
家居领域的自然语言交互过程中，当所有的计算被放到云端时，声学计算的部分将对云端计算造成较大压力，一方面造成云平台成本的大幅增加;另一方面带来计算延迟，损害用户体验。自然语音交互分成声学和自然语言理解(NLP)两个部分，从另一个维度上来讲，可看成是“业务无关”(语音转文字/声学计算)和“业务有关”(NLP)的部分。业务有关的部分毫无疑问需要在云端解决，例如用户问天气、听音乐等需求，那么设备对用户语句的理解，以及天气信息的获取必须通过联网来完成。但是，对于用户语音到文字的转换，例如下达指令“打开空调、增加温度等”，其中的部分甚至大部分计算是有可能在本地完成的。这种情况下，从本地上传到云端的数据将不再是压缩后的语音本身，而是更为精简的中间结果甚至是文本本身，数据更为精简，云端计算更为简单，则响应也更为迅速。
多模态的需求
所谓多模态交互即多种本体交互手段结合后的交互，例如将多种感官融合，比如文字、语音、视觉、动作、环境等。人是一个典型的多模态交互的例子，在人与人交流的过程中，表情、手势、拥抱、触摸，甚至是气味，无不在信息交换的过程中起着不可替代的作用。显然，智能家居的人机交互势必不止语音一个模态，而是需要多模态交互并行。举个例子，智能音箱如果看到人不在家，那就完全不需要对电视里误放出的唤醒词进行响应，甚至可以把自己调到睡眠状态;一个机器人如果感觉到主人在注视他，那么可能会主动向主人打招呼并询问是否需要提供帮助。多模态处理无疑需要引入对多类传感器数据的共同分析和计算，这些数据既包括一维的语音数据，也会包括摄像头图像以及热感应图像等二维数据。这些数据的处理无不需要本地AI的能力，也就对边缘计算提出了强力的需求。
AIoT带来的AI芯片需求
AI算法对设备端芯片的并行计算能力和存储器带宽提出了更高的要求，尽管基于GPU的传统芯片能够在终端实现推理算法，但其功耗大、性价比低的弊端却不容忽视。在AIoT的大背景下，IoT设备被赋予了AI能力，一方面在保证低功耗、低成本的同时完成AI运算(边缘计算);另一方面，IoT设备与手机不同，形态千变万化，需求碎片化严重，对AI算力的需求也不尽相同，很难给出跨设备形态的通用芯片架构。因此，只有从IoT的场景出发，设计定制化的芯片架构，才能在大幅提升性能的同时，降低功耗和成本，同时满足AI算力以及跨设备形态的需求。
未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能，互联网和脑科学交叉研究机构。
未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）云脑研究计划，构建互联网（城市）云脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。
作者: 人工智能学家 来源: 品途网 共2页 上一页 [1] [2] 搜索更多: |
