Siri改变语义识别历史编辑本段回目录
Siri绝不仅仅是一种精确的语音输入方式，它将是一次人机互动新革命的序章。
葛鑫｜文
在10月2日的苹果产品发布会上，iPhone 4S的技术升级幅度可谓令业界失望。然而，被苹果定义为“私人语音助理”来做压轴功能发布的Siri应用，仍然是抓足了人们的眼球。在很多“果粉”眼中，它被认为是替换掉iPhone 4的唯一理由。
在发布会上，苹果宣称Siri可以支持自然语言输入与识别，用户可“命令”手机读短信、询问天气、设置闹钟等，并且可以搜寻餐厅、电影院等生活信息，甚至是直接订位、订票；另外其与LBS结合服务的能力也相当强悍，能够依据用户默认的居家地址或是所在位置来判断、过滤搜寻的结果。
Siri目前仍然是beta测试版，并且只支持英语、法语和德语。虽然互联网上一系列折磨Siri的视频端子曾出不穷，但被苹果这样的企业推出进行商用，已经意味着“语音识别”——这一已经不算新鲜的科技，进一步实现了人工智能化进而向“语义识别”又迈出了一大步，同时意味着第一款基于它的改变大众生活的消费级产品已经诞生。
语义识别是人机交互的再一次里程碑，虽然数十年间它的研究进展仅限于对自然语义识别的精确度的提升，但它一直被视为是人类实现非接触式控制机器的第一步。
巧合的是，进入信息时代以来，键盘(命令行)到鼠标(快捷键)，鼠标到多点触控——这两次人机交互的里程碑式的革命都是由苹果公司所引爆。如果此次Siri真的能够如苹果所说，在精确识别自然语义的基础上，其智能化程度能够达到替用户精确分析、选择而真正成为助手的地步，那么苹果公司将再次激发人机交互的伟大革命。
语义识别的历史
使机器识别语言是人类早已有之的科技幻想，并且早有实践足迹。早在1920年，美国一家公司所出品的名为“Radio Rex”玩具狗便可以“听从”主人的话而执行走或者停的任务。
不过在这之后相当长的时间里。这项科技的进展仅限于如何更多、更精确地识别各种口音，进而执行诸如文字显示等十分简单的任务。
1952年，贝尔实验室的Davis等人成功研究出了世界上第一个能识别10个英文数字发音的实验系统。大规模的语音识别研究是在进入了上个世纪70年代以后，在孤立词和小词汇量句子的识别方面取得了实质性的进展。
进入80年代以后，研究的重点逐渐转向大词汇量、非特定人连续语音识别。此时语音识别的研究思路也发生了重大变化，即由传统的基于标准模板匹配的技术思路开始转向基于统计模型 (HMM)的技术思路。此外，再次提出了将神经网络技术引入语音识别问题的技术思路，亦即开始了跨学科的人工智能研究道路。
进入90年代以后，语音识别的研究并没有什么重大突破。但是，在语音识别技术的应用及产品化方面出现了很大的进展，诸如听写机等基于语音的信息输入设备此时大量出现。
由仅限于定义为输入法功能的语音识别，向包含后台数据分析的语义识别转型的关键推动力量，是美国的DARPA(Defense Advanced Research Projects Agency)计划。
显然，语义识别技术蕴含着着人机互动的远大前景，也因此拥有各方足够高的评价和期许。但它几十年来却缺乏足够的表现。而正是苹果公司往日给社会带来巨大变革的一系列消费级产品，使得当语义识别技术和苹果公司联系到一块的时候，人们不得不重新给予其重大期盼。
实际上，苹果公司对类似工作的开展也不可谓不早。早在1987年，苹果就展开了类似的研究工作。如果你曾经读过李开复的自传《世界因你不同》，就可能会对在《今日美国》节目中，苹果出品的实验性语音识别设备Casper“调戏”女主持的情节记忆犹新。
Siri是从斯坦福大学的SRI国际人工智能中心(International Artificial Intelligence Center)剥离的一个项目，该研究中心隶属于DARPA 的CALO子项目。实际上，Siri的联合创始人兼工程副总裁Adam Cheyer正是CALO项目的首席架构师，而CTO Tom Gruber也是出身斯坦福大学的人工智能、语义网专家。同样孵化于斯坦福SRI的还有知名的语音识别开发公司Nuance。
2010年初，苹果收购Siri，收购价据称是2亿美元。
Siri的无限可能
当苹果刚刚收购Siri之时，人们评价它只是一个更好的语音识别工具。然而，事实并非如此。
多年以来，大众所能接触到的语音识别技术，每年都以缓慢的步伐进步着，不过这种进步的含义仅限于识别准确率，换句话说，它们仅是一种不断提高准确率的输入法。
实际上，在多年以前，IBM 的语音识别软件在 PC 上就有不错的识别率了，而微软名为Tellme的项目也持续了多年。腾讯最新推出的QQ2011版开始支持语音输入，而中国科大讯飞出品的“讯飞语音输入法”更是Android设备用户所追捧的热门工具应用之一。
然而，即使达到100%的准确率，仅限于输入法功用的语音识别也无人机互动的意义，它并不是革命性的。
而Siri所展示出的在准确语音识别的基础之上，进行语义的智能分析判断，并且实现系统功能和后代数据(包括个人偏好和历史记录)的调用，实现所答即所问与服务即所想——真正实现助理的功能，从识别，执行，再到互动之间的飞跃，这些才是Siri的革命性所在。
与谷歌的Voice Actions等相似应用不同，Siri使用户可以抛弃繁琐的语法结构，甚至思维模式也可以混乱，它会结合上下文结构去分析判断，它甚至能理解许多含义模糊或者引申的语义。
要做到这一点，搜狗CEO王小川认为需要五个方面的配合：一是对自然语言理解，归纳为“懂”；二是在人机交互的过程中，需要反问确认来降低误差，这个过程称为“问”；三是人机交互还需要根据上下文进行判断和推测，这可以理解为“猜”；除此之外，整个软件系统还需要具备持续的学习能力和良好的扩展能力。
虽然苹果没有公开Siri更多的技术细节，但是一些实用的例子已经体现出了Siri不仅仅是个语音识别的软件。比如在一段Siri被苹果并购前的演示视频显示，当用户说“ I like a romantic place for Italian food near my office”(我想在办公室附近找一个浪漫的意大利菜餐厅)。
Siri则回答：“I am looking for a Italian restaurants which reviews say are romantic near your wok in San Jose(从大家评论的结果来看，在你公司附近最浪漫的餐厅在圣何塞)…”
这个回答说明 Siri 听懂了 romantic 是个形容词，知道 near my office 是个地方。并且，找到了以前存储的用户的工作地点。更关键的是，他知道怎么判断一个餐馆是否 romantic！——通过Yelp.com的食客评论。
Siri的这种革命将会改变诸多既有格局，并且进一步解放科技力量。首先，从产品的科技属性上说，Siri将肩负起苹果公司引爆第三次人机互动革命的重任。我们完全有理由想象：在键盘、轨迹球相继在移动终端上消失之后，虚拟键盘也即将消失，甚至菜单功能项也一并会消失了。
其次，从产业格局上说，Siri将会成为使苹果公司继续保持优势的利器。目前，从Android 4.0和Windows Phone 7(WP7)的芒果系统来看，谷歌和微软在移动终端领域正在缩小与苹果的距离，而苹果的iPad 2和iPhone 4S却相继使“果粉”失望。这其实也是不可避免的，毕竟硬件的持续创新是有一定极限存在的。
此时，Siri被苹果所适时地祭出，有望再次提高Android和WP7设备和iOS设备进行竞争的门槛。谷歌的Voice Actions也是具有后台功能调用的类似应用，然而，当硅谷编辑们打开 Voice Actions时会说 “send a text to Mike”，而拿到 iPhone4S时他们则会用“ I Love You”在测试Siri的强大功能。在这一点上来看，被用户开心“调戏”的Siri，其实已经领先其他的产品进入智能的阶段。
Siri的威力还将从谷歌的核心业务——搜索中抢夺地盘。比如，你可以通过吩咐Siri来打开 Yelp 的 Reviews 与进行OpenTable 的预定，那还要 Google 搜索干什么？从这个意义上说，Siri 并不是社会化搜索引擎(比如Google收购的aardvark)，却胜似社会化搜索引擎。
更为重要的是，Siri将为苹果带来巨量的用户数据。而这些数据是其他竞争对手所无法得到的。也正是基于此，对于苹果公司来说，Siri有望强化它的三个弱项——云计算、社交、家庭娱乐设备。
如果苹果的10万名开发人员在Android开发人员之前得到这些数据，Android和iOS竞争的结局便可想而知。可以肯定的是，Siri将不仅仅是一个应用程序，它同时也是一个自然用户界面系统，它使得服务器端可以整合来自大量开放API的数据。甚至，由于占据用户与数字设备和互联网的第一触点，一个“应用导航”甚至“Siri App Store” 也不是不可能出现——当你说：“我要看关于奥巴马的新闻”，Siri调用出的会是谁的新闻网站或者是新闻应用？这将是很有意思的事情。
在苹果发布Siri之前，Siri的联合创始人Norman Winarsky在接接受媒体采访时如此预言Siri的未来图景：
“毫无疑问，苹果的虚拟个人助理是开创性的，这是一个改变世界的事件。在技术方面，Siri至少领先竞争对手2年，因为这不是个语音识别软件，而是真正的、可商用的人工智能技术。”
Siri工作方式详解：本地语音识别+云计算服务编辑本段回目录
Siri的强大让无数网友惊叹“人类已经无法阻止Siri了”导语：ZDNet网站今天刊文称，苹果的语音助理服务Siri时髦而聪明，在一些情况下也很有用。那么Siri是如何工作的？“语音识别”是Siri的核心，但这并未解释Siri理解用户所说内容的详细过程。本周有业内人士撰文，解释了Siri的工作步骤。
以下为文章全文：
当用户对iPhone说话后，语音将被立即编码，成为一个压缩的数字文件，其中包含着所有有用的信息。这一信息将通过互联网服务提供商(ISP)的网络被发送至云计算服务器，而服务器中的模块将识别用户所说的内容。
与此同时，用户的语音将在手机端被识别。安装在手机中的语音识别器将与云计算服务器通信，了解指令是否适合在本地被处理。用户的指令可能要求手机播放一首歌曲，而另一些指令则有可能需要手机连接至网络，寻求进一步的帮助。如果语音识别器认为，手机内部模块足以处理用户的指令，那么将会告知云计算服务器，不再需要服务器的支持。
根据用户的声调和语序，服务器将对语音进行静态对比，了解语音中包含哪些字母。与此同时，本地的语音识别器也将对用户语音进行静态对比。在服务器端和手机端，可能性最高的识别内容将优先获得处理。
此时，识别出的内容已经包含一系列的元音和辅音字母。随后这些内容将被发送至一个语言模块，以评估用户的语音中包含哪些单词。根据不同的可信度，计算机将创建一个用户所说内容的列表。
如果判断结果具有足够的可信度，那么计算机将能理解用户所说的内容，例如发送短信或查找联系人列表中的联系人。随后用户将会看到手机屏幕上出现所需的内容，而不必手动操作。在这一过程中，如果用户的语音含义过于模糊，那么计算机将会询问用户，例如用户希望查找的联系人是埃里卡·奥尔森(Erica Olssen)还是埃里卡·施密特(Erica Schmidt)。(维金)
