【人物專訪】讓機器自己學習語音的實踐者——專訪李宏毅
●12/16「AI 嘉年華」點此報名！
採訪、撰文｜魏妤亘
因著科幻電影，人類不乏想像與機器人對話的場景。但機器人真的能夠聽懂人類說話嗎？對話的基礎在乎「語音」，讓我們透過與AI語音專家－台大電機系李宏毅教授的訪談，開啟人工智慧語音領域的大門。
●偶然接觸卻成了專業
李宏毅教授的大學時期，雖然人工智慧已發展，但語音並非時下熱門的研究主題，學生時期的他也從沒想過自己未來會一腳踏進這領域。當時，系上有一位相當厲害的老師－李琳山教授，規定欲修習他專題的學生必須兩人一組。原先是李宏毅教授的同學想要修課所以找他一起，他沒多想便答應了，殊不知就此開啟對人工智慧語音的接觸與喜愛。後來，研究所也繼續進入李琳山老師的實驗室學習，研究AI語音技術至今。
●語音的現實與夢想藍圖
現今大家所說的「人工智慧」通常指的就是深度學習技術，這個技術也被稱為「類神經網路」。類神經網路顧名思義與人腦類似，發展上從起初僅能建構單層，至今建構出更為複雜的多層類神經網路，但這過程並非一帆風順。事實上，1980年代就已發展出類神經網路技術，然而，人們花費心力卻一直無法成功訓練多層的類神經網路。
這個困境一直到受限玻爾茲曼機（restricted Boltzmann machine，RBM）的出現，才看見一線曙光。2012年，台大的語音處理實驗室因著引入此技術，加上能力出眾的學弟葉青峰努力，共同將機器深度學習語音的基本技術架構完成。而後發現，即使不使用RBM的技術，也能夠疊深類神經網路。對此，李宏毅教授認為，真正突破機器深度學習發展的是GPU的進步與人們確信可以達成的「信仰之力」[1]，前者縮短了運算所需之時間，後者讓人們耐下性子等待。
現今的語音辨識系統，仍需給予機器大量的「有標註資料」。須由人類首先對聲音資料進行標註，機器才能夠對這段聲音進行學習。相較之下，人類幼兒學習語音時，更多時候是藉由聆聽環境中的語言聲音來學習一個新的語言，鮮少需要大人一個辭彙一個辭彙的教導。
為此，李宏毅教授思考著，機器是否可以在被給予不具標註的聲音訊號後，即知道每一段聲音訊號所對應的詞彙，甚至更進一步瞭解聲音訊號代表的意思？為著這樣的目標他努力著。目前，語音辨識系統在沒有人教導，單純給予聲音訊號的狀況下，自己做到了36%的音標辨識正確率，已遠比隨機還要好。
●機器有可能跟人進行對話嗎？
現今，大家或許對於Siri、Alexa等相當熟悉，也會疑問機器是否真的已發展到能和人類進行對話的程度？針對這個問題，李宏毅教授認真向我們說明，目前市面上常見的語音對話機器，並非機器本身真的瞭解妳所提出的問題，而是透過人類事先輸入的規則，機器會回覆特定的答案。的確，機器已具有能夠自己產生正確句子的能力，但是要「深入理解」並且「產生合宜的答案」還相當困難。讓機器跟人對話確實是個人類的願景，但要達到這件事情還有很長一段路要走。
●聽不懂不是你的錯，從學生的角度思考
當聊到「AI界最強youtuber」的封號，李宏毅教授娓娓道來當初在課程中加入有趣元素的初衷。他在當學生的時候，每當看不懂教科書或是聽不懂上課內容，第一反應就是認為自己太笨；當上老師後，卻發現比起學生笨，更可能是老師沒有解釋清楚來讓學生理解。
2016年秋季所錄的機器學習課程，而後在網路上爆紅。這是他始料未及的事情，當時的他只單純希望，比起傳統教科書上的例子，更期盼以靠近生活的例子來讓學生們知道機器學習究竟多麼有趣。因著這樣的想法，花了無數時間與腦力，他將時下最流行的寶可夢手游帶進課程。爆紅之後，甚至有外國人以Facebook向他詢問這些例子來自哪一本教科書。當李宏毅教授回覆這並不來自哪一本教科書，而是自己絞盡腦汁的成果時，對方真的相當驚訝。在教導學生上，他站在學生的角度思考，讓課程再次活了過來。
此外，對於未來期盼投入AI領域的本科系學生，李宏毅教授認為，寫程式與數學背景是必備的。你必須有能力寫出程式讓機器具備學習能力，過程中也需要數學背景來糾錯。然而，最核心的能力仍是保持「不斷學習」的態度，當前AI領域發展的速度一日千里，只有持續學習才能夠跟上。
●從不同的位置瞭解AI
「AI目前還有很多事情無法做到，短期間內也不會取代所有工作，只會取代部分人們不想要且非常例行性的工作。」面對普遍大眾可能發生的恐慌，李宏毅教授如此說道。儘管時下許多公司看好人工智慧而想要投入，教授認為，具決定權的高階主管們首先該做的事是瞭解AI目前發展的階段以及開發所需要投入的資源。機器學習在實際訓練時經常發生預料之外的事，產品的開發週期也難以準確預期。而對於正在學校學習的學生，若希望能夠瞭解機器學習或深度學習，現在大學皆具備豐富資源。除了在學校修習相關的入門課，網路上也有很多線上課程資源。在不同的位置上，只要真心想要瞭解，這個時代不怕沒有資源。
未來，人工智慧的確還有很長一段路要走，但在語音方面，我們相信李宏毅教授持續會是參與者。
--
[1] 過去有很多任務研究人員並不認為深度學習有足夠的能力解決這些問題，所以一直不敢嘗試，或是只進行初步的嘗試就輕易放棄，但今日相關領域的學者對深度學習的信心大增，更願意嘗試過去沒用深度學習解過的問題，也更願意在初步嘗試沒有結果時繼續進行深入研究。
●12/16「AI 嘉年華」點此報名！