摘要：毫無疑問，人工智能產品會慢慢滲入人們的工作、生活、娛樂當中，為各行各業帶來革命性的變化。未來，產品與產品之間、產品與環境之間、產品與用戶之間的邊界會非常模糊，人們會在多設備中無縫跳轉和緊密連接，形成一個“你中有我，我中有你”的整體。在人工智能時代里，「原生硬件」，「AI 引擎」和「智能 App」是構成完整智能體驗和服務閉環的三要素。 

引言

從 1956 年在達特茅斯正式提出 Artificial Intelligence，如今已經過去了 60 幾個年頭，但直到 AlphaGo 大勝李世石和柯潔三負 AlphaGo 后，“人工智能”才成為一個熱詞進入大眾視線。而事實上，最近的一兩年，各大科技巨頭早已深入布局人工智能領域。從虛擬助手 Siri、微軟小冰到各家巨頭的智能音箱、智能駕駛，人工智能產品正逐漸融入我們的生活。在這個被視為會顛覆一切的人工智能時代，究竟產品存在什么樣的痛點?交互會有如何的改變?什么樣的交互設計才能讓用戶在使用人工能智能產品時獲得一個極致體驗?

通過對市面一些人工智能產品體驗和“AI 導覽機”項目(網龍為首屆數字中國建設峰會量身定制的智能導覽機，可為來賓提供室內尋路、會務信息查詢、百科知識解答、拍照合影等智能服務)實現過程的分析得出的一些痛點：

當前人工智能產品體驗的痛點

1. 對原生硬件的依賴非常大

智能交互可以理解為是感知->計算處理->執行反饋的一個過程，與圖形用戶界面(Graphical User Interface, GUI)交互中的輸入(鼠標或觸摸)不同的是，感知是人工智能交互最大的一個特色。受限于權限、進程、設備能力等因素，無論是 App 還是 AI 引擎都難以隨時無縫的去訪問底層的傳感器和計算單元，缺少硬件層面的傳感器去感知人與周圍壞境，作為信息輸入，就無法讓體驗達到最佳。

2. 沒有主動性、自發性

目前，智能家居硬件是人工智能最廣為運用的領域，比如各大巨頭廠商推出的智能音箱。在與機器人開啟對話時，用戶需要點擊機器人身上的按鈕，并且每下發一個指令都必須要喚起一次，然后進行一對一單線程對話。不難發現，這是一種”不自然的語音交互”，其本質也只是更換了一種人工控制的方式。針對現有幾款智能音箱(小米小愛、天貓精靈、喜馬拉雅小雅、百度小度、叮咚二代)，整理了產品在天貓和京東消費用戶關于語音交互上反饋，可以明顯看到用戶對于需要頻繁喚醒感到不滿意： 

而在”AI 導覽機”項目前期，也存在技術上和體驗上的困惑：

• 技術：由于會場嘈雜，語音喚起導覽機產生交互的成功率會大大降低;
• 體驗：為什么需要等到用戶開口要求才給與反饋幫助，作為會場服務方，是否能主動去發現理解每一位需要幫助的用戶?

再重新梳理情景后，導覽機取消語音喚起的方案，而是通過獲取人物影像，根據深度距離判斷用戶是否進入近場交互觸發區，根據人臉識別判斷用戶是否有互動意向(面向時間，且過濾側面經過的人群)，進而主動詢問用戶：親愛的來賓，請問有什么可以幫到您?

理解用戶和主動服務是人工智能產品具備的優勢，也是設計需要翻越的一道鴻溝。從被動接受的指令模式升級為一種主動服務式的智能產品模式，從用戶主導變為主動服務的模式，這才是更符合未來人工智能的”自然交互”。

3. 信息獲取的準確率與效率

語音用戶交互(Voice User Interface, VUI)是人通過自然語言與計算機進行交互，也是目前人工智能產品主流的交互方式。

從人類自身感官的角度來看，視覺接收的信息量遠比聽覺高。從內容信息的形態區分，圖形用戶界面 (Graphical User Interface, GUI)主要為圖片和文字，依賴視覺，而語音用戶交互(Voice User Interface, VUI)主要為聲音文字，依賴聽覺。

大腦每秒通過眼睛接收的信息上限為 100Mbps，通過耳蝸接收的信息上限為 1Mbps。[1]

如果將圖像作為信息載體，視覺閱讀的信息遠超聽覺的 5 倍。眼睛還有一個特別之處，通過掃視的方式一秒內可以看到三個不同的地方。[2]

另一方面，由于缺乏情境感知(Context Awareness)能力，即人的認知，人工智能還無法很好的理解上下文，根據用戶是誰、用戶情感、當前環境、之前的記憶給出精確下一步的預測。

單純的語音交互對于用戶體驗來說是有缺陷的，在信息獲取的效率和準確率上都有待進一步提高。

人工智能產品交互的核心

從 PC 互聯網時代到移動互聯網時代，產品的交互主要還是基于圖形用戶界面 (Graphical User Interface, GUI)，但是到了人工智能時代，人與產品(智能 App、穿戴設備、智能硬件)的關聯愈加緊密和深入。人機交互將從簡單的人與屏幕的單線程，拓展為語音交互、手勢交互、增強現實交互等多線程模式，進入一個“自然交互”的時代。自然用戶界面是人機交互界面的新興范式轉變，通過研究現實世界環境和情況，利用新興的技術能力和感知解決方案實現物理和數字對象之間更準確和最優化的交互，從而達到用戶界面不可見或者交互的學習過程不可見的目的，其核心關注是傳統的人類能力 (如觸摸、視覺、言語、手寫、動作)和更重要、更高層次的過程 (如認知、創造力和探索)[3]。基于當前人工智能體驗的痛點和未來人機交互的核心，提出人工智能交互的三元：「原生硬件」，「AI 引擎」和「智能 App」，三元一體，環環相扣，會讓體驗更趨于自然。

人工智能交互的三元理論

1. 原生硬件

在“AI 導覽機”項目 PRD 文檔里有兩個關于影像捕獲的需求：

識別人臉并與虛擬人物合照，且能判斷用戶性別，在裝飾做一些附加處理;

• 捕捉用戶動作，與虛擬導覽員產生互動;
• 基于這兩個需求，發現導覽機常規的前置攝像頭并不能滿足功能的實現：
• 獲取呈像的范圍有限;
• 無法獲取深度相機的深度值;
• 無法捕捉用戶動作;

因此，開發人員在導覽機中配置入與 Kinect2 同等配置的 RGB Camera Depth/IR Cameear，形成一個滿足大空間中的 RGB 視場(FOV): 

芯片、傳感器、計算單元、執行單元可以非常好的處理智能交互中的感知、處理、反饋。目前，各種感應設備已經可以精確檢測距離、光線、音量、人臉、動作、溫度、濕度等等各種環境信息，通過感應器采集過的信息形成信息空間，信息空間便是連接人和物理空間的虛擬空間。國務院下發的《新一代人工智能發展規劃》[4]中也強調了這一空間的建設和使用。

通過原生自動記錄用戶使用數據，自動分析用戶使用習慣，自動給與用戶最佳推薦，這一切都依賴于原生硬件。正如高粘度、貼近生活場景的硬件成為巨頭公司布局智能產品的最佳入口，如手機、手表、車載、音箱、耳機、電視、冰箱等等。

當然未來的硬件也急需一次升級，僅靠單純的圖形界面或是語音作為輸入輸出，都會讓信息獲取的準確率和效率打折扣。硬件需要支持聽覺、視覺、觸覺、影像等多維的信息輸入或展示。圖形用戶界面結合語音，甚至混合現實(Mixed Reality)、全息投影等，才能讓人工智能交互更趨向于立體和本能，而這一切離不開原生硬件更有執行效率、處理的終端芯片、更多維的傳感器。

2. AI 引擎

這里 AI 引擎特指人工智能的核心算法(深度學習算法、記憶預測模型算法等)在各領域的運用：語音識別、圖像識別、自然語言處理和用戶畫像。

語音識別：人類自然發出的聲音轉換成響應的文本或命令和把文字轉成語音并根據需求定制念出來。

圖像識別：我們常說的計算機視覺，常用在印刷文字識別、人臉識別、五官定位、人臉對比與驗證、人臉檢索身份證光學字符識別(OCR)、名片 OCR 識別等領域。

自然語言處理：由于理解自然語言，需要關于外在世界的廣泛知識以及運用操作這些知識的能力，自然語言認知，同時也被視為一個人工智能完備(AI-complete)的問題。自然語言處理(NLP)是人工智能中最為困難的問題之一。

用戶畫像：用戶畫像是根據用戶社會屬性、生活習慣和消費行為等信息/數據而抽象出的一個標簽化的用戶模型。這也是內容、大數據的結晶。

AI 引擎為人工智能產品提供核心運算技術，是不可或缺的“一元”。在“AI 導覽機”的智能對話中就運用到語音識別和自然語言處理： 

語音識別技術已經趨于成熟，多個第三方平臺均有提供 SDK，而自然語言理解是人工智能的 AI-Hard 問題[5]，也是目前智能對話交互的核心難題。機器要理解自然語言，主要面臨如下的 5 個挑戰。

• 語言的多樣性
• 語言的多義性
• 語言的表達錯誤
• 語言的知識依賴
• 語言的上下文

得益于深度學習算法，以上各個問題領域的技術都得到飛速的發展，相信在認知計算(交流、決策、發現)得到更大的突破之后，AI 引擎會從更多領域幫助人類。

3. 智能 App

智能 APP 代表著人機界面，人是交互的最終感知者，因此通過什么樣的介質讓用戶獲得智能體驗和服務在交互中舉足輕重。傳統的 APP 界面局限在移動設備屏幕中，新興的智能音箱直接去掉圖形交互界面，兩者都有局限性。

“AI 導覽機”在落地過程中，為了讓用戶體會到絲綢之路的特色，在導覽機中置入多個應用服務(智能 APP)，讓用戶可以從視、聽、觸上感受到峰會的魅力。 

[[412349]]

智能時代的 APP，一定是能多維度的數據輸入，如識別語音、識別手勢、識別圖像、感知物理環境等等，也一定會是多維的信息展示，聽覺、視覺、觸覺，全息影像等等，讓交互形式更具感性的色彩，“像人一樣”。

未來，人工智能一定會為人機交互帶來突破，傳統的人機交互技術(鼠標鍵盤、觸屏等)難以使人與計算機實現如同人與人之間那樣高效自然的交互。伴隨著原生硬件能力的提升和語音識別、圖像分析、手勢識別、語義理解、大數據分析等人工智能技術的發展，人工智能產品將更好地感知人類意圖，驅動人機交互的發展。人工智能三元「原生硬件」，「AI 引擎」和「智能 App」三者的結合運用也會在未來人工智能產品交互的發展中將具有一定指導意義。 

也許在未來有這樣的場景：

• 圣誕節的晚上，你開車回家。到了地下室，車載設備問你：天氣有點冷，到家后，要不要喝杯咖啡? 你告訴它想要的口味，然后停車上樓。開門進屋后，智能音箱自動播放《Jingle Bells》，并告知咖啡還有 2 分鐘煮好。

參考文獻

[1] 知乎神經科學和腦科學話題的優秀回答者關于《耳朵和眼睛哪個接收信息的速度更快?》的回答

[2] 來自《人工智能的未來》一書

[3] Glonek G, Pietruszka M. Natural user interfaces (NUI): review. J Appl Comput Sci, 2012, 20: 27–45

[4] 國務院關于印發新一代人工智能發展規劃的通知 http://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm

[5] https://en.wikipedia.org/wiki/Natural_language_understanding

[6] 百度人工智能交互設計院 http://aiid.baidu.com/