Alexa 副總裁談語音助理的誕生

Lex 從電影《她》的人機之戀發問，Rohit 主張與其硬套「像人」，不如承認 Alexa 本來就是超人類的存在——能同時在多處陪伴使用者、記憶趨近無限。

Alexa Prize 找大學團隊打造能連續對話 20 分鐘的 social bot，目前進入第三屆；他估計離真正撐滿 20 分鐘還有 5 到 10 年。

bot 開始懂得抓時機講笑話、在不熟的話題上巧妙轉開，Rohit 認為幽默本身就是高門檻的智慧表現。

業界把 AI 人才與算力都吸走，Alexa Prize 是讓大學能用真實使用者數據做研究，是他在 Amazon 最喜歡的專案之一；因為裝置是全家共用的，團隊建了敏感詞與情境過濾，也限制某些話題。

多數 bot 還停留在辨識主題、抓相關事實回應，Rohit 認為真正該做的是理解對話脈絡，而不是丟一個沾邊的冷知識。

使用者說「Alexa, let's chat」進入 social bot，結束後被問 1 到 5 分會不會想再聊；這套評分機制取代了學界慣用的標註語料庫，改成直接用真實回饋訓練。

Rohit 澄清這句常被斷章取義的話，重點不是少量資料，而是像人一樣靠多種感官、高效率地學習，未來研究要往少標註、弱監督的方向走。

Alexa 已經進到各種裝置與家電裡，Rohit 認為它本質上是超人類的虛擬助理，不必執著於單一實體形象；聲音才是關鍵的識別元素。

不同國家的 Alexa 語氣不一樣，Rohit 說光靠音色不夠，用詞、語速、抑揚頓挫都是人格的一部分。Lex 擔心個人化愈多愈難測試；Rohit 的回答是分寸看使用者，把控制權交給他們，例如 remember this 功能、用聲紋辨認家人。

Lex 問 Alexa 有沒有生日、有沒有自己的故事，Rohit 說這部分還早，公司還沒定案要給它多完整的背景設定。Lex 認為最深的關係都有摩擦與張力；Rohit 說更根本的是信任，而 AI 要贏得信任的門檻比人還高。

Alexa 用指示燈提示錄音狀態、有實體靜音鍵、可以刪除任何一句錄音，也能選擇不讓人工審閱；Lex 舉「聊到貓毛衣就看到廣告」的傳聞，Rohit 認為多半只是季節到了、那樣商品正熱門，不是被聽到。

兩個把主動權交給使用者的功能：說完一次指令後麥克風保持開啟，方便接著加購物清單；出門時可以請 Alexa 留意煙霧警報器或玻璃破碎聲。

Amazon 用逆向工作法（先寫新聞稿再往回推）起頭，最初的靈感是《星艦迷航記》裡的電腦；第一個要解決的技術問題是遠場語音辨識。

Alexa 這個詞的發音跟一些常見詞很像，要在嘈雜的家庭環境裡準確抓到「真的在叫它」而不是誤觸發；目標是做出遠場條件下最好的喚醒詞偵測器。抓到注意力之後，還要在幾公尺外、背景吵雜的情況下把完整句子辨識準確。

Rohit 2013 年 4 月加入，當時神經網路在語音辨識上剛開始展現潛力；團隊很早就押注深度學習，做了分散式 GPU 訓練，讓訓練時間跟資料量呈線性關係，是最早這樣做的研究之一。

他加入時語音辨識團隊只有六人，第一次開會十個人裡九個覺得這件事做不出來、想改做電話客服語音；唯一相信的就是他，另一人半信半疑。最早讓人覺得神奇的用途是音樂，他的科學家也開始學著「先寫論文再做研究」。

當時完全沒有遠場語音的訓練資料、也沒有使用者基礎，團隊自己蒐集資料，靠深度學習把錯誤率在六個月內砍到五分之一，這個成果讓 Rohit 確信這件事可行。

早期語意理解多半靠人工撰寫的文法規則，Alexa 團隊選擇壓寶統計式的實體辨識與意圖分類，再用確定性規則補統計模型的漏洞；2014 年上線時涵蓋 13 大類技能，現在已經超過 9 萬個。

Rohit 說接下來要更「對話式」：那年 re:MARS 大會發布的 Alexa Conversations，讓開發者只要給幾個互動範例，系統就用遞迴神經網路自動生成多輪對話流程，不用再手刻每一種「使用者這樣說就那樣回」的邏輯。

Rohit 舉例：查電影場次可能是想買票，也可能只是好奇電影還在不在上映；買完票之後，真正的目標也許是整晚的行程。Alexa 要學會推測這個更上層的目標，並主動接上下一步（訂票後問要不要叫車、訂餐廳）。

如果 Alexa 放錯歌、使用者重講一次或喊停，這個訊號會被用來自動修正、不需要人工審核；Rohit 舉電台名稱 NPR 為例，開頭的 N 常被聽成 M（他自己的口音尤其明顯），是很常見的混淆模式。

第三個方向是「更自然」：文字轉語音要聽起來更像人、不必記住技能名稱就能被找到、可以一次講完「加牛奶、加蛋、加餅乾」；目標是不管行程是用口頭記下還是在行事曆建的，問一句就答得出來。

基本功（單次指令一定要準）還是第一優先；再上一層是推理使用者真正的目標，跟自駕車同樣是推理與決策的問題，雖然目標比較有限、犯錯的代價沒那麼大，但每一刻要評估的可能性一樣非常多。少樣本、遷移學習都只是拼圖的一部分，要做到真正的推理，得有新的方法。

Rohit 說推理是最難的一塊，因為可能性的空間太大。Lex 認為多數需求集中在少數幾類；Rohit 同意頭部是這樣，但長尾又長又雜，連查衝浪浪況都有人做成技能，9 萬個技能光是兩兩組合就是天文數字。

連買相機、問週末天氣背後都是多步驟的目標，五年內他希望任務型與閒聊的界線消失；但連五年的目標他也只說「希望」做得到，整個問題他不認為四十年內解得完。

Rohit 說能站在這個位置很幸運，五年前他還想過要不要離開這個領域，因為找不到殺手級應用，現在影響數百萬、數十億人；他覺得研究題目只會愈來愈難、也愈值得做。