在2018中國（深圳）IT領(lǐng)袖峰會(huì)期間，網(wǎng)易科技對圖靈機(jī)器人創(chuàng)始人兼CEO俞志晨進(jìn)行了專訪。俞志晨透露，2018年語義識別領(lǐng)域最核心的就是圈場景，這也是圖靈機(jī)器人目前最核心的目標(biāo)。此前圖靈機(jī)器人主要產(chǎn)品在兒童機(jī)器人市場，2018年下半年，圖靈機(jī)器人將進(jìn)入更多場景。（溫泉）
以下為訪談全文，略經(jīng)編輯：
　　網(wǎng)易科技：之前提到人工智能，提語音和圖像識別比較多，為什么語義識別不像前兩者那么廣為人知？
　　俞志晨：圖像識別，它會(huì)更前端一些，語音很多時(shí)候是會(huì)偏后端一些，后端一些支撐的技術(shù)，包括一些后端的應(yīng)用，這兩個(gè)其實(shí)是有些差別的。而且它的整個(gè)的技術(shù)的發(fā)展的節(jié)奏也不太一樣，比如說語音，包括應(yīng)用語音的整個(gè)市場發(fā)展，從時(shí)間上來看，第一語音整個(gè)的模式和它的商業(yè)化這塊，其實(shí)是走得最前的，視覺主要是去年，去年的市場處于爆發(fā)期。然后語義，語義實(shí)際上還是屬于第三波的產(chǎn)業(yè)機(jī)會(huì)。
　　單從大的未來來看，語義毫無疑問它的市場覆蓋面肯定會(huì)比語音和視覺要大。
　　網(wǎng)易科技：這是為什么？
　　俞志晨：你看語音的發(fā)展契機(jī)像科大訊飛，還有包括國內(nèi)出來一些語音公司，基本上都屬于大概，最早第一波2000年初就開始起來了，2000年左右科大訊飛就屬于發(fā)展的比較好的，上市，包括國外也是這樣的。之前整個(gè)人工智能行業(yè)，早期就是以語音為主。去年、前年視覺開始爆發(fā)。
　　這一方面是說本身這個(gè)技術(shù)在不斷成熟，另一方面是說，有安防的這個(gè)場景來托它，這么一個(gè)大的市場機(jī)會(huì)，就導(dǎo)致整個(gè)視覺這塊的市場在催化。語義現(xiàn)在還處于一個(gè)沉淀、積累的階段。我認(rèn)為語義的能量還遠(yuǎn)遠(yuǎn)沒有爆發(fā)出來，這是從目前整個(gè)市場的形態(tài)來看是這樣的。
　　網(wǎng)易科技：為什么它還處于沉淀和積累的階段，它為什么發(fā)展的程度沒有語音和視覺那么成熟？它要解決哪幾個(gè)關(guān)鍵問題才算比較成熟，它目前已經(jīng)解決了哪幾個(gè)問題，有哪幾個(gè)問題沒有解決？
　　俞志晨：剛才為什么說像語義將來的市場空間會(huì)更大？我認(rèn)為語義現(xiàn)在技術(shù)通常有兩個(gè)階段。一方面是說很多時(shí)候它會(huì)提升效率，給to B的企業(yè)來用，這個(gè)是目前不管是語音、視覺、語義都會(huì)經(jīng)歷這個(gè)階段，這個(gè)過程是必不可少的。當(dāng)然我認(rèn)為再往后走，整個(gè)語義整個(gè)是能夠，比如客服也好，其實(shí)它的基本技術(shù)全部是圍繞語義來做的。
　　客服是一大塊，它實(shí)際上像很多的智能音箱，語音識別是一部分。但是為什么一開始大家很關(guān)注語音，因?yàn)檎Z音它是一個(gè)很容易感受到的東西，你里面所有的功能都是基于語義來做出來的東西。
　　但是對用戶來講，他可能以為它是基于語音做出來的。但是實(shí)際上像智能音箱那個(gè)產(chǎn)品，90%的東西是在語義。但是你可能感覺這就是語音識別，就跟SIRI是一樣的，因?yàn)槿藢@種，有一個(gè)詞叫定義，定義上語音的這個(gè)詞更容易帶人們腦中里面產(chǎn)生一個(gè)更加直觀的印象。語義這個(gè)詞太過技術(shù)化，一般大部分的消費(fèi)者其實(shí)不太容易理解語義這個(gè)詞的。你看絕大部分語音交互的產(chǎn)品，大部分是在語義這塊。
　　網(wǎng)易科技：所以您剛剛是解釋它將來的市場空間更大，是因?yàn)榇蟛糠值恼Z音交互的產(chǎn)品，語音交互的產(chǎn)品90%的工作是在語義這塊，而不是語音這塊？
　　俞志晨：這是必然的，從可辨性來看，語音和視覺的可辨性其實(shí)是固定的，它的價(jià)值就很明確，就是我要把語音信號轉(zhuǎn)成文字。但是它的前期的落地性會(huì)比較容易一些，因?yàn)樗康拿鞔_，所以它的普及度更快一些。視覺也一樣，視覺這塊也是說通過人臉識別、物體識別去做一些視覺的事情，它的場景相對來講比語音復(fù)雜一些，但是也是相對來講比較明確的，就是它作為市場是比較明確的，就是是別人，識別物體。但是語義的合并性就多了，我用語義怎么來跟這些場景結(jié)合。相當(dāng)于這種場景的結(jié)合性和延伸性，會(huì)比單純一個(gè)語音識別的模塊要大很多的。
　　就像是說我做手機(jī)的，其實(shí)毫無疑問，你說做手機(jī)公司整個(gè)市場價(jià)值規(guī)模更大，還是說基于移動(dòng)互聯(lián)網(wǎng)整個(gè)這一套里面的App市場價(jià)值更大？
　　網(wǎng)易科技：我覺得有一個(gè)比喻可能更能翻譯您的這個(gè)意思，是不是就是有一千個(gè)讀者，就有一千個(gè)哈姆雷特，你一段文字在那，有一千個(gè)人理解的是不同的意思，他反饋出來的行為也是完全不同的，是這個(gè)意思吧？
　　俞志晨：你也可以這么來去理解，因?yàn)檎Z義實(shí)際上真的是一個(gè)，它其實(shí)目前來講是一個(gè)偏技術(shù)化的概念。它不像語音這么通俗，但是語音其實(shí)就是說我剛舉的例子，你看現(xiàn)在智能音箱這個(gè)硬件，硬件其實(shí)沒多少錢，一百多塊錢，但是里面的那些應(yīng)用和那些服務(wù)技能，全部是基于語義來做的。所以語義能夠延伸的價(jià)值會(huì)比，其實(shí)音箱，一個(gè)硬件或者一個(gè)語音識別的模塊，其實(shí)要大很多的。但是很多時(shí)候它倆是不同的階段，不同的模塊。
　　網(wǎng)易科技：您為什么覺得它還處于積累和沉淀期？
　　俞志晨：因?yàn)檎Z義不好實(shí)現(xiàn)，就像你剛才說的，一千個(gè)讀者有一千個(gè)哈姆雷特，這個(gè)事情從技術(shù)層面來講很難實(shí)現(xiàn)它。不像語音識別，剛才說語音是一個(gè)，比如我說一個(gè)字，它是一對一的關(guān)系，視覺也是一對一的關(guān)系，就是傳感，感知系統(tǒng)是一對一的關(guān)系。但是語義是一對X，不知道多少個(gè)關(guān)系。所以這個(gè)事情本身從技術(shù)上來說很難，因?yàn)樗茈y，所以它結(jié)合起來的話，可能需要的工作量會(huì)大很多。
　　網(wǎng)易科技：語義識別現(xiàn)在發(fā)展到什么程度了，哪些問題是可以現(xiàn)在完全能解決掉的，哪些問題是沒有被解決掉的？
　　俞志晨：語義通常有幾個(gè)方面，從大的來看，第一個(gè)是說指令型的這種理解，比如說很多音箱，智能家居，說打開或者關(guān)閉，我們叫指令級的理解，這個(gè)是屬于最低的層次，但是這個(gè)也是目前解決的比較好的。第二是問答系統(tǒng)。比如說很多客服，它實(shí)際上還是多輪，就是屬于帶有一定的復(fù)雜任務(wù)的，這個(gè)其實(shí)會(huì)更高階一些，用在客服，用在一些其他的虛擬的一些助手這些領(lǐng)域。這個(gè)領(lǐng)域其實(shí)門檻又會(huì)更高了一些。第三個(gè)層次是在開放域的聊天系統(tǒng)，就跟人一樣，我們閑聊，天馬行空的在聊。這個(gè)從技術(shù)實(shí)現(xiàn)來說應(yīng)該是最難的，這也是整個(gè)行業(yè)的難點(diǎn)，從技術(shù)上來講，可能技術(shù)上還做不到這種突破吧。
　　網(wǎng)易科技：目前能夠達(dá)到的這個(gè)和用戶需求的當(dāng)中，這個(gè)距離還有多遠(yuǎn)，還有哪些問題沒有解決？
　　俞志晨：我的感覺，第一是說它的整個(gè)問題單子里面有很多個(gè)，有一堆問題需要解決。第一個(gè)是說，這種語境的理解，上下文這塊的理解。比如我說我餓了，你說我真的餓了嗎，其實(shí)不是。那它怎么判別是不是餓了還是不餓，還是說他到底說這句話是什么意思。
　　網(wǎng)易科技：它需要的信號不光是這個(gè)語言這個(gè)項(xiàng)，它需要很多環(huán)境的信號。
　　俞志晨：其實(shí)單純從文字的信息抽出來的話，它永遠(yuǎn)不能夠百分之百能夠去理解這句話的真實(shí)意圖。但是它需要去融合一些背景信息，融合一些這種環(huán)境信息，包括時(shí)間，你的一些習(xí)慣，還有包括你的一些性格，然后判定你是不是真的餓了，以及你真正的意圖。語義是一個(gè)意圖理解和識別的過程。
　　網(wǎng)易科技：你剛剛指的這個(gè)對語境的理解是其中的問題之一，還有很多問題沒有被解決。
　　俞志晨：對，語境是一塊，第二是說整個(gè)知識圖譜體系。理論上講，如果我們想要做通用的東西，前提是我需要去構(gòu)建一個(gè)龐大的體系化的知識圖譜，而且它還得具備推理功能，這個(gè)其實(shí)還是挺難的一件事情。第三個(gè)是語言的表達(dá)層面，說實(shí)話現(xiàn)在目前機(jī)器人的語言表達(dá)的豐富性還是不夠的，語言的表達(dá)這塊，怎么讓它像個(gè)人一樣的去表達(dá)這些語言。它能做到一定的表達(dá)的能力，比如說像如果打分的話，100分是滿分，它可能能做到50分、60分，但是離我們所謂的比較好的效果還有一定的差距。
　　最后還有一個(gè)歸于它的性價(jià)比，我們做的事情，很多時(shí)候技術(shù)跟它整個(gè)的它商業(yè)化的場景，它倆是相輔相成的。如果說這個(gè)技術(shù)投入過大，那可能這個(gè)事情就很難推。但是如果這個(gè)技術(shù)推起來還能賺到錢，這個(gè)事情就比較容易推。像語音識別一樣，它已經(jīng)能賺到一點(diǎn)點(diǎn)錢了，圖像也一樣，圖像識別是它確認(rèn)已經(jīng)能夠開始去掙錢了，而且能夠商業(yè)化的還不錯(cuò)。
　　網(wǎng)易科技：你們之后還會(huì)如何來推動(dòng)語義的應(yīng)用？
　　俞志晨：我們跟百度的VR這塊有合作。用VR結(jié)合圖靈AI做了一個(gè)虛擬機(jī)器人，也就是VR版的一個(gè)機(jī)器人，就相當(dāng)于Siri加一個(gè)人工形象，然后用在VR世界里面去做交互。
　　網(wǎng)易科技：那我明白了。我之前在很多場合聽過圖靈機(jī)器人，但是我不知道現(xiàn)在你們的產(chǎn)品是用在哪些領(lǐng)域，我們生活當(dāng)中，哪些產(chǎn)品背后其實(shí)是用你們的技術(shù)？
　　俞志晨：很多音箱，很多機(jī)器人可以跟你對話，可以跟你互動(dòng)，但背后的技術(shù)你肯定不知道是誰家的。我們原來最早一大塊是在微信里面，比如微信公眾賬號，微信群還包括有QQ。從過去一兩年也更多是向很多兒童機(jī)器人、兒童玩具這類的產(chǎn)品用我們的語義技術(shù)。
　　網(wǎng)易科技：你們在微信公眾賬號里面的應(yīng)用是什么？
　　俞志晨：類似很多的一些公眾賬號，比如你可以給它發(fā)文字、發(fā)語音，然后它給你回答，它就是一個(gè)類似一個(gè)自動(dòng)的個(gè)性化的群管理機(jī)器人。
　　網(wǎng)易科技：圖靈機(jī)器人目前主要的競爭優(yōu)勢是什么？
　　俞志晨：第一就是語義技術(shù)，第二就是產(chǎn)品體驗(yàn)。
　　網(wǎng)易科技：你們目前在語義這塊是國內(nèi)第一嗎？
　　俞志晨：我只能說我們至少在語義這個(gè)行業(yè)里面數(shù)一數(shù)二，因?yàn)榈谝贿@個(gè)事情是沒法兒去驗(yàn)證的，你說我們比微軟的好，這個(gè)事情好像也沒有辦法去實(shí)際證明。但是至少說從客戶，從整個(gè)的各種指標(biāo)來看，我們還是這個(gè)領(lǐng)域的，算是領(lǐng)先的公司吧。第二是說在一些特定場景，那肯定以我們最好，比如像兒童語義，那我們肯定是最好的。比如同樣做語音和對話，微軟小冰可能會(huì)用在二次元，或者是一些偏90后、95后這個(gè)群體比較多一些，我們的年齡段更小一點(diǎn)，我們可能是在05后，10后，就是偏兒童這塊更多一些。
　　網(wǎng)易科技：我們現(xiàn)在在市場上能見到的那種兒童陪伴的機(jī)器人，背后絕大部分都是用的你們的語義識別技術(shù)？
　　俞志晨：差不多。
　　網(wǎng)易科技：任何一個(gè)牌子嗎？現(xiàn)在我在機(jī)場看到好多商店里面不是好多那種陪伴機(jī)器人。
　　俞志晨：我看了一下，應(yīng)該有一半了吧。
　　網(wǎng)易科技：另外一半用的是誰的？
　　俞志晨：有訊飛，也有用百度的，也偶爾會(huì)用其他的一些第三方的語義公司的，零零散散的。我去機(jī)場看，一半多。因?yàn)闄C(jī)場擺的東西不太一樣，我只能說一半、一半多。
　　網(wǎng)易科技：2018年語義這塊，您覺得會(huì)有什么樣的一個(gè)進(jìn)展，市場整體上發(fā)展到一個(gè)什么狀況？
　　俞志晨：從市場來看，今年各家公司對于語義的關(guān)注力度會(huì)更大，很簡單因?yàn)檎Z義其實(shí)格局還是比較確認(rèn)，而像科大訊飛和百度，這幾家語音的市場份額是比較固定的，想搶也不太容易搶，視覺的那幾家也基本上占得比較緊。
　　第二是說關(guān)于這個(gè)技術(shù)本身的走勢來看，在今年或者明年會(huì)有更多的一些好的產(chǎn)品能落地，這是必然的趨勢。
　　第三今年最重要的一個(gè)事情就是各家來圈場景，誰能夠真正把場景拿下來，這是很重要的事情。因?yàn)槲矣X得像對于語義來講，它跟場景有很大關(guān)聯(lián)性，它目前還不像語音和圖像那樣做得那么通用，但是語義實(shí)際上跟場景的依賴性還是比較強(qiáng)。
　　網(wǎng)易科技：圖靈機(jī)器人目前，你們今年主要做哪些事，今年主要的核心也是圈場景嗎？
　　俞志晨：圍繞著兒童場景來進(jìn)行，兒童AI是關(guān)鍵。
　　網(wǎng)易科技：圖靈不是已經(jīng)兒童機(jī)器人這個(gè)場景不是已經(jīng)圈住了嗎，你們還準(zhǔn)備圈什么場景？
　　俞志晨：兒童有核心場景，也還有更大的場景，比如穿戴、學(xué)習(xí)，還有包括線下，比如商超。
　　網(wǎng)易科技：你們主要會(huì)圍繞兒童的市場來做嗎，還是說今年你們也會(huì)做別的？
　　俞志晨：今年第一肯定是兒童，我們會(huì)首先把它做好。別的領(lǐng)域我們也會(huì)做，但是現(xiàn)在我估計(jì)今年下半年我們會(huì)有一些其他領(lǐng)域的產(chǎn)品，會(huì)有一些發(fā)布，到時(shí)候可以關(guān)注一下。
　　網(wǎng)易科技：目前在語義這塊是不是大部分是集中在兒童這個(gè)市場上的？
　　俞志晨：也不是，你像客服就很多，還有做輿情，其實(shí)挺多的，做輿情分析、客服，還有做一些語音助手，包括智能家電、音箱、車載，其實(shí)都有涉及。
　　網(wǎng)易科技：為什么你們沒有選擇那些場景，而是選擇了兒童這個(gè)場景呢？
　　俞志晨：我們覺得對于公司來講，可能這個(gè)場景相對來講更容易成熟一些，比較容易去把這個(gè)市場真的能夠做得比較成熟。
　　網(wǎng)易科技：其他的比如客服好像我也聽到，也挺多的。
　　俞志晨：但是客服這個(gè)事情比較分散，這個(gè)市場也很大，但是這個(gè)市場很分散，很難一家把它占到一個(gè)很大的市場份額，就這個(gè)意思。所以這個(gè)就跟公司的選擇有關(guān)系，我們可能不太去選擇做那些定制化程度比較高的領(lǐng)域。
　　網(wǎng)易科技：你們先做通用性比較高的？
　　俞志晨：對，垂直場景在我們看來是說，它的場景的通用性還是比較強(qiáng)的，我們會(huì)去做。
　　網(wǎng)易科技：除了兒童機(jī)器人這個(gè)市場，你們還覺得有哪幾個(gè)市場也是比較不錯(cuò)的，符合你剛才說的比較通用的，能夠大范圍真正落地的？
　　俞志晨：VR、AR這種當(dāng)然也可以，但是這個(gè)市場可能還需要再培育一下。說實(shí)話我別的關(guān)注的倒不是很多，我現(xiàn)在最主要就是關(guān)注兒童還有機(jī)器人領(lǐng)域這兩塊。別的車載其實(shí)也還行，車載這個(gè)市場足夠大，但是車載這個(gè)時(shí)間會(huì)長一點(diǎn)。智能家居也不錯(cuò)，但是智能家居短期之內(nèi)想掙到錢，可能不會(huì)那么容易。
　　網(wǎng)易科技：為啥不會(huì)那么容易？
　　俞志晨：我說對AI技術(shù)來講，因?yàn)檎麄€(gè)市場處于變革期，像音箱這個(gè)領(lǐng)域現(xiàn)在量很大，吸引大家的眼球，但是音箱想掙到多少錢，其實(shí)有點(diǎn)難。

　　網(wǎng)易科技：為啥？
　　俞志晨：因?yàn)樗麄冊跓X，補(bǔ)貼。
　　網(wǎng)易科技：他們賣的價(jià)格比較低？
　　俞志晨：對，因?yàn)樗鼜脑搭^開始就不掙錢，他們就補(bǔ)貼。補(bǔ)貼完了之后其實(shí)你，如果它整個(gè)前端不掙錢的話，后端這塊也很難真正的能收到錢，這個(gè)沒有那么快。
　　網(wǎng)易科技：你們會(huì)進(jìn)入哪些新的領(lǐng)域？
　　俞志晨：我們還是圍繞服務(wù)機(jī)器人的方向去走。
　　網(wǎng)易科技：但是就不光是兒童了？
　　俞志晨：別的可能會(huì)涉及一下，但是現(xiàn)在，可能到下半年我們會(huì)明朗一些，現(xiàn)在還在做一些驗(yàn)證。