圍繞鋼鐵俠，有個有意思的現象值得我們開開腦洞：應該每個人都想要戰甲裏搭載的AI程序“賈維斯”，但所有人都在擔心會不會有一天出現想要毀滅世界的AI機器人，奧創。

很多大人物，比如說霍金，都在提醒我們要警惕AI的潛在威脅。但仔細想想，賈維斯和奧創到底有什麽區別呢？只是單純的善惡之分？可善惡又由誰來分辨？

機器應該用智能服務人類，但不能有“過分的智能”，堪稱AI領域的“先有雞還是先有蛋”問題。

或許可以切換到另一種思路去思考這件事：賈維斯之所以讓人喜歡，是因為他能讀懂和理解鋼鐵俠的各種需求，令主動提供服務。也許我們在心底期待的，只是機器可以與人進行無成本的溝通與理解，而不是要擁有獨立的人格與智慧。

這樣的邏輯下，AI服務於人類的基本價值就落到了那個既復雜又簡單的名詞上：人機交互。

今天我們來探討這個問題，是因為剛剛清華大學與阿裏巴巴宣布達成戰略合作，共同成立清華大學- 阿裏巴巴自然交互體驗聯合實驗室。這個實驗室的目的在於探索“下一代人機交互”的未來。

據悉，雙方將以“人”為中心，探索“人-機器-環境”之間的關系，讓機器以更自然的方式與人類互動、服務人類。

跟眾多企業與大學聯合設立的實驗室相比，清華大學- 阿裏巴巴自然交互體驗聯合實驗室的獨特之處在於，它專註於解決一個十分急迫的問題。這個問題涉及廣闊的產業與市場可能，甚至關乎於馬雲所說要讓“機器更像機器，人更像人”的AI價值觀。

讓我們先從自然交互今天面臨的一些問題說起。

“五感”合一：人機交互的拐角在何處？

在智能音箱“狂轟濫炸”過之後，或許很多人認為，今天的AI帶來的自然交互能力已經相當成熟。但事實上，大夥可能還是有點樂觀了。

當然，AI帶來的語音識別、語義理解、NLP解決方案，以及花樣繁多的傳感與機器視覺技術，正在打開人機交互的新腦洞：過去只能通過鍵盤、鼠標、觸屏進行命令輸入的機器，正在開始以自然方式與人溝通。

比如我們已經可以語音控制音箱、電視和家居，人臉識別裝置也開始普及到生活當中。

但這還遠遠不夠。回想一下，為什麽我們有時候打字說不明白的事，就想要電話溝通？有時候電話溝通也不行，必須當面談談才可以？

這是因為，人與人之間的交互是相當復雜的。不僅僅是語言在起作用，音色音調、表情、肢體動作，甚至一個人隱含的情緒、氣勢，都是人們之間進行自然交互的一部分。

但很顯然，今天的AI還做不到這點。

舉個例子，今天搭載語音交互的空調開始成為新時尚。用語音操縱空調當然相比遙控器方便了很多，但也無非就是換了一種遙控方式而已。消費者獲得的實質價值並沒有提升。但如果空調不僅能聽懂你，還可以看到全家人的位置、穿了多少衣服，還可以感知到屋子裏的溫度、濕度，甚至每一個用戶的體表溫度。那麽空調就可以自主分析制冷模式，給每個人提供最適合的降溫方案。畢竟空調病或者冷氣吹太多導致的感冒，發生幾率將大大降低。

這就是給機器加上“五感”，進行多模態綜合感知的魅力——機器不僅是接受遙控的一方，它可以主動理解人類，通過智能運算得出更好的主動服務方案。

此外，目前AI在處理自然交互的時候，完全依托於計算機科學的知識系統。這就導致其會忽視人類在情緒、心理甚至隱喻層面的表達需求——聽起來好像有點太難為人家機器了，但是沒辦法，精益求精嘛……

再舉個例子，人的語言中是帶著各種情緒的。雖然說一樣的話，但附帶的情感可能完全不同。我們回家讓音箱放一首歌，可能是因為我們非常開心想要來點助興的音樂，也可能是有事不順心，想要安慰一下自己。

假如機器可以聽出來人類語言中附帶的情緒，可以觀察到用戶是低沈還是興奮。那麽給出的服務將完全不同，一句來自機器的問候下，可能很多讓人不開心的事都煙消雲散了。

模態綜合與心理解讀，就像這兩座大山一樣橫亙在AI自然交互的家門口，他們是問題，同時也是拐點和機會。而此次阿裏與清華的合作，核心訴求正是要搬走這兩尊山神。

在探索“下一代人機交互”的路上，清華與阿裏巴巴將在情感認知計算、實體交互、多通道感知等領域開展研究，不但要讓讓機器具備聽覺、視覺、觸覺等綜合性的“五感”，還要加強其識別理解人類情感的能力。

假如能通識五感，理解情緒的自然交互方式出現，機器智能將開啟的，絕不僅僅是一扇大門。

被忽略的商業價值：“五新”增長元點藏於萬物智能

去年年底的時候，我們報道過阿裏巴巴十二位科學家對今年科技走勢的預測。其中科學家們有一點共識非常值得註意：語音、視覺、傳感連接為一體的多模態機器交互技術，將在今年催生萬物智能的爆發。

幾天之前，阿裏在深圳雲棲大會上宣布，IoT將成為繼電商、金融、物流、雲計算之後的第五條主賽道。顯然從產業層面印證了科學家們對今年的判斷。

這或許說明了，新一代的人機交互並不只是停留在實驗室裏。而是正在以高調姿態走入產業世界，甚至成為“五新”戰略的重要支點。

舉個簡單的例子，我們就能看到多模態的自然交互在實際生活中多麽重要。阿裏有一個在地鐵站進行語音識別購票的案例。其要解決的核心問題是地鐵站中環境嘈雜，要準確識別到購票者語音很不容易。這就要求機器除了進行語音交互，擁有優質的聲紋識別、降噪算法之外，還需要進一步確認買票人。阿裏的解決方案是在售票機前加入人臉識別裝置，通過人臉和唇形識別來判斷究竟是誰在買票。

顯然，結合了語音交互和機器視覺、人臉識別的機器智能，很簡單就解決了一個生活中極重要的問題，而這個問題似乎又無法用其他方式來解決。事實上，新零售、新制造、新金融的世界中，近乎有無數場景等待著多模態交互的機器智能去攻破。

因為結合了語音、視覺、傳感，甚至機器嗅覺和機器觸覺的IoT設備，可以無限接近真人來為用戶提供服務。在零售和金融服務中，高效的多模態交互結合綜合計算、智能推薦技術，可以極大提高服務效率與商業精準度。

而制造業中讓機器與人類多模態交互，達到機器像人體一樣聽話，那麽工業效率的提升近乎是難以估計的。家庭、駕駛、城市服務等場景中，如是案例更是不勝枚舉。

“五新”想要由舊變新，那麽萬物智能似乎是不可替代的支撐點。在阿裏選擇與清華共同研發下一代人機交互的時候，一盤新的商業增長棋局似乎也被阿裏帶到了我們面前。

機器的因果：我們到底需要AI做什麽？

更進一步說，自然交互的價值也不僅僅在於商業世界。就像文章開頭中描述的那樣，人類最初對AI的恐懼與擔憂，是縈繞在AI發展過程中永恒的達摩克利斯之劍。

到底如何達成消解恐懼與技術突破的雙贏呢？從率先開展的自然交互進擊中，我們似乎能讀到一絲阿裏的技術觀：以人為本，馴服技術，讓機器始終是機器。

或許我們經常會聯想到AI的失控，是因為很多研究都是以技術為中心。那麽隨著技術的一點點拓展，很多問題也隨之而來：機器道德、黑箱難題、數據災難，等等。而假如我們以“人到底需要AI和機器來做什麽”為出發點，或許就會發現整個技術邏輯在變得不同。

馬雲說“過去三十年我們讓人像機器，接下來三十年我們讓機器像人。但歸根結底要讓人更像人，機器更像機器”，其中隱藏的就是阿裏技術邏輯的出發點和歸途。

交互升級，是人類與機器相處的本源命題，從杠桿、軸承、開關，到鍵盤、鼠標、觸屏，交互在一步步向人類舒服的姿勢靠攏。而接下來，語言、手勢甚至表情，當然是我們控制機器的更合理方式。

這條路上我們最終得到的，是能更好服務人類的機器，而不是人類無法理解的機器。這是一種我們很少去思考的AI觀：但假如我們認真思考一下到底發展AI、探索AI是為了什麽，或許答案其實很簡單：為了讓人類過的更好。

只要永遠以人為本，機器的因果問題也就迎刃而解。或許這種技術信仰會讓少部分科幻和陰謀論愛好者失望，但對於絕大多數人類來說，這是不需要選擇的選擇——機器會理解我們，並且我們不需要擔心ta。

解開“機器的因果”：人機自然交互為何成為阿裏AI觀的起點