现在很多安检口都装上了人脸识别的闸机,扫描对比,绿灯亮,通过,经过高铁安检闸口的这一流程时,你也许会想:机器认识我。而实际上,并不是。

如果强行把这个划分为认知智能实际是上是不合理的,当前的人工智能(AI)识别做的只是比对,缺少信息进入大脑之后的‘加工、理解、思考’步骤,因此仅仅停留在‘感知’,而并非‘认知’。”6月18日的“认知智能行业应用大会”举行,中国人民大学高瓴人工智能学院执行院长文继荣表示,要让AI有类似大脑的活动,走到认知阶段,需要让它掌握知识、进行推理。但是如果完全的将AI从“感知层面”抛向“认知层面”以当下的技术来实现通用状态下智能水平是比较困难的。

虽然不能完全从“感知层面”跳跃到“认知层面”但是我们可以先试试第一步,先给AI装上“大脑”,也就是核心知识库。“现在的AI处于弱人工智能状态,它没有大脑,要让它形成大脑,最核心的是要有‘知识’。”如果现有的算法、模型是神经或脑结构,那么知识是大脑能够运转起来的原动力。

让AI获得知识的知识库在业界称为“知识图谱”,它不仅要关注知识点还要关注知识点间的关联,那么这些“知识图谱”从何而来呢?那要归功于现在互联网产生的大数据,无数的数据通过引擎进行抓取反馈记录。这些关联将赋予AI联想力。提到水,它要反应到密度、透明等多个性质,还要和浇水、能喝的功能联系起来,更高级的是计算出用多大力道去取水。

通过大数据建立的“知识图谱”非常困难,人类海量的知识如何翻译成机器的语言,并与之建立联系,很成问题。尤其是之前这项工作一直是人工完成的,例如谷歌词库、百度百科、维基百科等都可以转换为知识图谱,但工作量大、内容异常庞杂。

在关联密度不足的情况下,AI的“大脑”即便拥有一个上千万词条体量的通用知识图谱也难以达到应用的级别。

但是行业知识图谱能达“认知层面”
知识点的关联密度更像是一个AI大脑皮层,越复杂密集AI将越“聪明”。例如在企业电话机器人产业内,AI可以做到相对聪明一点。这些行业本身就有自己的基础关联图,这为其制定图谱提供了帮助。企业的CRM系统有一套体系,从海量的多源异构数据中抽取知识构建关系、理解语义以及与业务场景有效结合,更标准化、效率更高、关联密度能做到更高,
密集的行业信息通过这套系统就能够解决电话机器人好不好用的问题。把这些杂乱的数据整理归纳加入进来之后,可固定成专属的“知识图谱”

虽然在大数据上面的建立类似“大脑”一样的“知识图谱”并不能突破目前应用的瓶颈,但是情至少有了向好处发展的变化,也许声纹识别也是一个突破的方向。

“目前市面上,以语音识别、转写为主打方向的SaaS服务提供商已经有很多;但是鉴于声纹识别的技术难度要更为复杂,这个领域应该还在刚起步阶段,但随着应用场景的越来越多,它很快会迎来爆发。”相比于人脸识别和指纹识别,声纹的采集只需要麦克风模块,成本相比于摄像头或者指纹识别模块而言要低,采集的方便性和安全性则要高,将此技术用于电话机器人客服,会有更高的私密性和安全性,因此这项技术有着比较明确的市场前景。

“现在还只是一个弱人工智能时代,长远来看,AI需要和行业以及场景结合,提升效率;可以说,有多少行业就需要多少个方向的AI,这个领域无疑需要更多资本的进入。”相比于行业格局已经趋向稳定的语音识别识别而言,声纹识别确实是一个潜力有待挖掘的赛道,如果将这两者结合在一起,肯定会碰撞出不一样的火花,应用瓶颈的突破也指日可待。