翻譯是很重要的一件事情，中國有13億人，是最大的漢語群體。我們非常有意愿和英語世界以及其他的語言做更多的交流。

5月19日，在2018全球人工智能技術大會上，搜狗首席執行官、清華大學天工智能計算研究院聯席院長王小川發表了題為“搜狗的AI之路與挑戰”的演講。

下為王小川在本次大會中的演講實錄，經整理后發布。

王小川：剛才朱老師說接地氣，我覺得在這個會議上我們就沒地氣。為了這個地氣是有損失的，所以大家在99年、2000年開始進入到互聯網，當時有機會可以繼續在清華大學讀博士，現在有機會來彌補這樣的不足。

今天的報告給大家介紹的是“搜狗的AI之路與挑戰”。和今天的主題非常貼切，不僅是人工智能，核心是圍繞我們的語言展開。

提到搜狗公司，大家更多知道的是搜狗輸入法。

從用戶規模來看，我們在中國互聯網排在第四位，僅次于騰訊、百度和阿里巴巴。我們的搜索引擎在中國也是第二位，有超過18%的市場份額，而且每一年還會增加2%-3%。在全球應該是第三大，除了Google、百度，我們的用戶規模和搜索量是第三。更自豪的是搜狗輸入法是當之無愧的第一名。

這兩個產品都有一個特點，輸入法是幫助你表達信息，把你的想法變成文字。而搜索引擎是幫你獲得信息，把你的文字變成更多你需要的知識。這兩個產品的核心點是在語言上，我們不排斥有語音或者其他的因素，但最終的核心是在語言。因此圍繞語言我們會展開很多的工作，包括語音識別、語音合成、聲紋識別、個性化語音合成等等。也有視覺方面的工作，包括OCR，包括我們跟清華合作的手寫體合成功能，自己寫幾個字，試圖把你寫的字變成機器模仿的體系，有識圖功能，尤其在狗臉識別做的特別好，拍一張狗就可以告訴你是什么樣的品種。搜狗嘛，在技術里面可以玩出花來。甚至是唇語識別，不用語音，只看你的嘴唇運動就可以知道你在說什么。這是在語音和圖像上和語言相關的工作。另外更多的是在做對話、翻譯、問答。

也許這些加起來還不能構成一個完整的交互，但我們覺得這個方向我們展開了大量的研究，更多的是這個研究工作和我們的產品有高度的結合。

今天更多的想放在語言、翻譯、對話和問答上，簡單講一下在語音圖像方面干的有意思的活，唇語識別，我們有大量的主持人或者其他數據訓練，現在在通用語義里，能到60%的唇語識別準確度。在專業領域里，比如說讀唐詩或者安防、電梯工作間，識別率可以超過90%。

把聲音過濾掉，核心就是用嘴唇的圖像的視覺能力來做。我們知道和語音識別有類似的基礎，一個是波形，一個是圖像，本身而言是相通的，只是看一下我們在能力上的思考。

今天的主題定位在語言處理，認知領域里自然語言處理的工作。

翻譯是很重要的一件事情，中國有13億人，是最大的漢語群體。我們非常有意愿和英語世界以及其他的語言做更多的交流，尤其剛才提到，我們是幫助大家表達和獲取信息。以前表達和獲取信息是和中文表達，未來是和世界做整個的連接。

我們在前面發布了我們同聲傳譯的系統，第一次發布是在烏鎮世界互聯網大會上。去年時我們做了升級，不僅用文字展示，開始把語音合成做了展示，去年用我個人的語音做了合成，我們甚至想嘗試是否能做情感的遷移。也就是說我今天在這里演講時，我有抑揚頓挫、重音、發怒、調侃的語氣，不是簡單的變成文字翻譯成英文，而是能夠把語音、語調、重音、熱情一塊兒翻譯過去，這個領域就可以超越人。工作進展到目前還有一些挑戰和困難，所以理想是希望做出一些工作，不止在文字里面。

這一塊我們在行業里相對是成熟的，很自豪來講，在現在能夠使用的翻譯和同聲傳譯系統，不管是從技術指標還是工程方面，我們走在世界最前面，甚至可以說是在第一名的位置。

同聲傳譯這個系統只能在大會里用，如果有翻譯人員，機器和翻譯人員還是有距離。我們內部研發人員認為，在2020年時，可以在一些指標上和真人做平，一些地方更好，一些地方還有不足，有兩年的目標。現在看起來還是很有挑戰的事情，尤其是在延遲方面。目前大會是搜狗提供的同聲傳譯系統，通常是中文已經一整句話識別清楚之后再翻譯英文，而翻譯人員有更多的經驗，能夠很快的做翻譯。但他們有時候會丟句子，比如說翻譯不了就丟掉，我們以前覺得那是一個錯誤。但我們和同聲傳譯的專業老師溝通之后知道那是他們的技巧。所以機器和人的處理還是有很大的差別。

我們今年連續發布了兩款和翻譯相關的產品，一款是搜狗的旅行翻譯寶，3月份上市的，售價在1498。第二款是五天前發布的第二款產品搜狗錄音翻譯筆，售價398塊。這兩個產品上市當天直接賣斷貨，有我們產能跟不上的問題，也可以看到大家的熱情。產品區別是，翻譯寶不需要聯網，把整個深度學習的模型，不管是語音還是圖像、翻譯，都集成在這個設備中，你出國的時候沒有網絡，不用交費也可以工作。

錄音翻譯筆是手機的配件，更多的是有很強的收音能力，比如說你在教室里，老師在前面講課，你坐在教室最后一排，中間可能相隔三四米，沒有問題，可以把聲音錄下來，這是可以取代今天的錄音筆。我內心當中，這是錄音筆的顛覆。錄音筆錄的音，大家馬上想到需要做內容的簡寫、存儲的管理和檢索，但傳統錄音筆是不智能的，我們做了很多這樣的功能。上市之后，老師 自媒體 學生很多人開始關注這樣的產品。

我們在硬件中希望通過這樣的做法，更快的把一些技術落地使用。

輸入法之間結合翻譯的能力，你用語音說時，說中文，可能上屏就是英文。也可以敲一段中文，點兩個鍵就翻譯成英文發出去。輸入法不僅是變成中文溝通的方式，利用它可以很方便的和英文、日文、韓文等溝通。

搜狗的搜索也支持翻譯的功能。現在可以實現用中文輸入檢索全球的英文信息，最后再讓你用中文閱讀。尤其在醫療、娛樂方面獲得一個世界上最前沿的信息，已經可以做到。搜狗的使命是表達和獲取，通過這樣的方式連接到整個世界，我們對翻譯這個系統非常認真。

當然有獨立的APP，有文本對話翻譯，尤其我們開始做拍照翻譯。實景你拍一張菜單，自己可以變成中文的菜單。中文變英文也可以。我們在努力開發離線計算能力，使得你AR翻譯，當你掃描到一個路牌時，實時變成中文，怎么樣降低延遲和準確性。Google之前發布了一個翻譯系統，速度很快，但準確率很低，我們在這方面也做了很多的投入。

所以，我們翻譯的挑戰：

第一，語音方面怎么做的更好，完成情感遷移。

第二，在搜索里有一個現象，把中文翻成英文檢索完了之后再翻譯成中文有可能出現翻譯成中文的詞和原始的詞對不上，這就是穩定性的問題，也是搜索里獨有需要解決的事情。

另外我們還會做問答的系統，我自己有一個斷言：搜索的未來是問答。因為語音只是讓你表達更多的方便，但中間一定要有一種知識推理或者對知識檢索的能力，不是給你一個網頁，而是給你提供一個答案。

給大家看一個視頻，去年一個問答機器人汪仔參加了《一戰到底》的比賽。

我們這個系統能夠把整個互聯網當作它的數據庫，IBM的系統是一個本地的數據，它可以解決的是一些垂直領域、封閉領域的問題，你要告訴它這個問題是明星，這個問題問的是運動員。而搜狗的系統是純開放的，你可以問任何的問題，只要是跟事實類相關的就可以做回答。但節目里的水平是不斷的提高，確實看到最后已經超越了頂尖的人類選手。《一站到底》中間也是選拔最優秀的問答選手參加比賽，到最后比賽我們已經做到了一開始讓人三分開始啟動。做這個系統的時候，不懂技術的會覺得很簡單，只是一個數據庫檢索。即便懂得也會擔心后面是不是有作弊？你和這樣的節目串通在一塊兒。

在今年年初國內出現了一種很火熱的互相答題模式《直播答題》，一個網站拍100萬人民幣，12道題，如果你都答對了，一個人答對了100萬都給你，有100萬個人答對了就給你1塊錢，在今年年初成為一個現象級的活動。在這個活動當中，搜狗做了一個答題助手，從對方服務器直接把視頻流引到我們的服務器，在視頻流當中檢索主持人的問題，然后去找到答案，并且把答案推送給我們自己的應用。所以如果用戶拿兩個手機，一個手機參加直播答題，一個手機打開搜狗的答題助手，它可以在出題后2-3秒的時間里把答案提供給用戶。這個產品非常成功，答題水平比大多數人好很多，大概有90%的準確性。使得每天有100萬人使用答題助手，甚至和一些網站產生了對抗，這個網站努力把題出的語句更加復雜，想讓你的機器聽不懂，我們的工程師更努力解碼你的題目，最后反映到這個題目長到用戶已經看不懂機器還可以讀。我們公司有同學跟我說，這個事情是否足夠正義？我覺得這本來就是一個游戲的活動，又不是高考。兩三個人坐一塊兒答題也可以，為什么不可以機器幫助？只可以人嗎？我們要適應，未來凡是機器擅長的事情讓機器做，這是今年答題助手更嚴肅論證了我們在問答領域里技術的領先性和可用性。

學術界做了非常多的關于答題研究，通常原來的測試題是默認你問的問題就是問題，而且你問題就是有答案，并且這個答案在之前給到你的數據集里面。對于做搜索的公司做這件事情的時候，不僅僅是做閱讀理解，因為里面有很多的問題是不確認的，所以我們的問答是搜索加上閱讀理解的技術。

這個上線之后會使得原來的準確度巨大下降，原來做到80%多，甚至90%。但如果對于開放性的搜索引擎，會瞬間掉到10%-20%。20多到頭了，有更大的努力空間

事實類的問題只占3%，還有口語化、相關化的問題。并且問的問題很難判斷，比如說“蒼天饒過誰”，這聽起來是一個問題，但對不起，其實它是一個電視劇。所以如果你沒有做好知識的準備就會判斷錯誤。“皮膚暗黃調理”，用戶問的是皮膚暗黃怎么調理？問題的判斷變得很困難，包括答案的判斷和相關Passage的檢索計算。可以看到各種各樣的問題，這個問題和我們的測試題不一樣，是用戶真實問的問題，而且大家給的答案好像問不對題，但其實有我想要的。比如說“王者榮耀排位上分最好的時間段在哪？”最佳的答案完全不是考慮時間的問題，它說你一定要組團，有實力相當的隊友。網絡上的數據和我們理想當中的答案是兩回事，怎么理解這樣的問題？這是搜索當中的問答和我們閱讀理解不一樣的地方，和網上數據有很大的差異化。

我們之前做了搜狗問答比賽，我們和學術界之外也有合作，做了最真實的中文問答的數據庫。如果你用這個數據庫，可能就能夠真實搜索里的問答環境。這是我們現在在搞的活動，現在和行業也做了更多的數據庫，之前和清華合作發布的搜狗數據，現在這個也可以公開，希望可以幫助到研究界解決問題，幫助到研究界，研究界也幫到我們。

之后談一下關于“對話”。

前兩周Google的I/O大會剛剛發布了一個讓大家非常震撼的語音幫助你訂餐的系統，這種對話系統有各種門類，有任務型的對話（如蘋果的SIRI）；也有聊天機器人的對話（如微軟的小冰）。Google發布的理念和搜狗非常一致，我們稱之為輔助人，幫人做這樣的對話。事實上這個系統之前已經有很多的概念設計，并且已經上線，給大家放一個小視頻。

這里面提到了一個大的概念，輸入法演化方向，大家會認為輸入是靠語音，靠說，這是一個方向，幫你更省力。另外我們提到的核心邏輯是輔助輸入，從填空題變成選擇題。機器幫你做選擇、侯選，然后你再點選。

這個和我們今天講到的無人駕駛概念更加接近，無人駕駛是機器取代人，幫你開車、說話。但其實在很長時間里需要一個輔助駕駛的階段，需要人機結合在一塊兒，所以我們強調的是機器和人一塊兒提升你的工作效率。尤其是人完全被機器取代幫你說話是一件非常可怕的事情。

我們做了很多年的工作，我們在三四年前啟動了輔助對話的研究項目。

輔助對話和聊天機器人有什么樣的區別？

聊天機器人不管是任務型還是純聊天的，其實是一個機器和一個人做溝通。而輔助對話是人加上一個機器跟人做溝通，你也可以說是機器幫助到人了，幫我做的更好，是人的輔助。但換一種視角，也是人在幫助機器，機器給了幾個答案，不確認哪個更好，人在點選的時候，也是輔助機器做這樣一個對話，這樣會非常美妙。

從用戶價值上來講，之前的純聊天機器人的目標不清楚，怎么叫做更好？而我們輔助對話很確認，是提升用戶的效率，不是取代人，是在幫助你改進你的效率。

評價方法上，傳統的聊天機器人基本上靠人工評測，沒有特別好的自動評價好不好的方法。微軟的小冰有一個方法，聊天聊的時間越長越好，對話的回合數更多。它的理論是別把天給聊死了，這個作為它的考評指標，我覺得也挺無聊的。而輔助對話的評價指標靠最后的覆蓋度點擊率，我提供了這個侯選之后，人是否點了，點了第一個還是第二個？或者一個也沒有點開始他自己的輸入？這個事情有明確的對它好不好的評價，能幫它做數據的積累和迭代。在數據積累和迭代中，傳統的方法比較困難。用輔助對話是在用戶的主動輸入、主動點擊行為都可以構成到我們這樣的數據庫。

2014年10月份，我們在短信上推出我們自己的APP，集成了我們的聊天工具。2016年兩年后做到了日活800萬+，月活2000萬+的水平。這個功能核心是防止電話騷擾等。收集到了大量的數據，最終做到了展現率，對方說話之后，展現率超過54.02%，點擊率是8.59%，不算特別高，但是這個值已經接近聯想的值。我認為還沒有展示出機器魅力。

后來從手機短信轉向了聊天軟件，核心是QQ。我們做數據分析對比這兩類大家的話題很不一樣。手機新還是以效率優先，是一些簡單的事務，主要的聊天和事相關。到了聊天軟件之后，本身很發散，從句子的長度都非常發散，從原有的套過來，覆蓋率瞬間從50%降低到10%。用原來的不夠了，用戶更加追求趣味多樣化的表達。所以我們開始做一些復雜的模型，有檢索的模型、深度學習的模型等等開始做，用各種混合的方式來解決這個問題。

現在這個聊天軟件用了搜狗覆蓋的3%的QQ用戶用這個功能，只開3%做嘗試。每天的數據集是4300萬，每個月會收集3億的對話數據，這個數據中既有人在里面怎么聊，也有機器聊的好不好和點擊率、展現率的反饋。現在回到好的效果，展現率52%，點擊率8%。我們希望這個值還能有5倍的提升。這是輔助聊天軟件做的嘗試。

除此之外，我們會把這個系統用到以后的垂直領域，比如客服領域。今天大家說是機器取代人去客服，我們的理念是機器和人是協作的，可能一開始坐席用的是搜狗定制版的輸入法，它幫你做客服，以后慢慢工位上開始使用機器，不要脫離環境，總是保持一部分的工位上是人機結合，一部分是自動的。這是我們做的一個技術，今年年底前會看到很有意思的效果。

之前是上下文做的訓練，往下的幾個要點要考慮：

第一，知識放上去。這個系統有一個問題，機場安檢的充電寶最大容量是多少？在你以前的聊天環境中沒有這個數據，是否把問答的引擎接進去？或者晚上在哪里吃飯？再把你個性化地址接進去。最愛習慣的餐廳。過敏性鼻炎犯了怎么辦？商業化能力怎么介入 推薦電影去哪里看？把超越用戶自己的知識放進去，甚至用戶自己都想不到的答案，提供一個更好的答案，這是我們努力的方向。

第二，挑戰。包括用戶個性化風格的問題。之前我們給的通用系統問問題了之后有四個答案，不認識、不認得、認不得、我不認識啊。你給了這四個答案，怎么說也沒錯，但其實對用戶來說是一個很大的騷擾或者他覺得你很笨，怎么學會用戶自己的口頭表達方式？這是中間的一個挑戰。

另外是用戶的自己，比如用戶問我你在哪？第一次回復是否記住了？第二次被人問到你在哪的時候，就知道給你生成侯選答案。可以把我的習慣和行為作為一個學習。去年10月份搜狗IPO的時候，上市之后特別多的祝福短信 微信 過來到我的手機上，我有強迫癥，我覺得人家既然問候了你上市成功這件事情我就應該有一個回復，我每天要處理2000-3000條的回復，處理了之后就睡覺，第二天爬起來手機就爆掉了。我就說手機能不能幫我回復？老師來了怎么回復，同學來了怎么回復同事來了怎么回復。

然后是能否在客戶端上訓練數據，一個是上下文里有多個上下文，也就是長文章里訓練。現在有時候在群里或者用戶聊天中，聊的可能是多線程的。兩個人聊好幾個事，對方問的話，你回答的是前面一個問題，這種情況下怎么樣做數據的訓練和抽取。

最后是策略問題，今天做的工作核心還是放在服務器上，這樣更好的迭代。但是這件事情對性能、隱私都有更大的挑戰，怎么樣把模型壓縮小了放在設備里去，這是我們考慮的一個問題。

這是講到我們在對話里的努力方向是輔助對話，有別于大多數公司在做的任務。

這個任務首先和搜狗的特長結合的特別好。

第二，理念里面幫助到人，讓人 更強。和Google最近發布的這件事情是非常一致的。

最后提到我們的模式，搜狗內部有兩個做研究的機構：

一、搜狗輸入法。自然交互。

二、搜狗搜索。知識計算。

第一，自然交互和人更好的溝通，搜狗每天有超過3億次的語音識別請求，這是我們在招股書里承諾的，不能含有水分，這個是全中國排名第一的，以前不敢說，百度最近財報里提到了，說的是語音請求數是2億次，搜狗每次做的在線識別量是全中國最大的。

自然交互用新的智能硬件做承載，包括像ECHO小音箱，一年內我們還會有三款智能硬件的發布，一款比一款更加驚艷。超出大家想象。

第二，知識計算不僅來自于互聯網，在醫學知識、法律知識來自于知識圖譜和線下的特別文獻，可以在里面做更多精準的推理分析。從輸入和搜索兩個頭，一頭離用戶更近，一頭是更深的知識。

合在一塊兒，最后打造的還是虛擬的個人助理，一年之內我們會不斷的發新的智能硬件產品，會在各種領域做垂直的個人助理，幫助你表達、更好獲取信息的一個新的產品平臺。這是搜狗基于現在的能力做的幾件事情。

今天給大家的報告到這里，謝謝！