语音识别领域的最新进展目前是什么样的水准？

我记得有一次讲座中，黄学东博士回顾了语音识别领域的发展历程，并分享了微软在这一领域取得的一些最新突破。先看看今年《经济学人杂志》的封面故事——我们终于可以和机器讲话了。里面有一个很有名的图表总结了整个领域从1954年IBM科学家第一次进行机器翻译的探索，到2016年微软第一次在会话语音识别上达到人类水平的历史性突破。在几十年的历程中，有非常多优秀的公司在语音和语言领域进行了不懈地探索，终于在今天，达到了和人一样精准的语音识别，这是非常了不起的历史性突破。1982年我在清华做硕士论文时，做的就是语音识别。硕士毕业读博士时，我在计算机系方棣棠先生的带领下，继续做这方面的研究。很难想象在我的有生之年，我们能让计算机语音识别可以达到如此精准的水平。所以想跟大家分享一下，我们是怎样追求这个梦想，持之以恒，通过不懈的努力达到历史性突破的。再来人工智能包括感知和认知这两大块。可以毫无疑问地说，在感知这个领域，人工智能已经几乎达到人类同样的水平，但这当然是在特定任务的情况下。在认知领域，包括自然语音理解、推理、知识学习等，我觉得还差的很远。所以大家在说人工智能达到了前所未有的高度时，一定要搞清楚，说的是在认知领域还是在感知领域。

2015年，微软亚洲研究院率先在计算机视觉领域有了很大的突破。研究员们在当年的ImageNet图像识别挑战赛中使用了神经网络有152层的深度学习，这是非常了不起的突破。而去年微软在语音识别的Switchboard上再次取得重大突破，使得计算机的语音识别能力超过世界上绝大多数人，与人类专业高手持平。语言是人类特有的交流工具。今天，计算机可以在假定有足够计算资源的情况下，非常准确地识别你和我讲的每一个字，这是一个非常大的历史性突破，也是人工智能在感知上的一个重大里程碑。所以，我想简单回顾一下语音识别的发展历程。几年前我和JamesBaker，RajReddy合写了一篇文章。RajReddy是图灵奖得主，JamesBaker是第一个用马尔可夫模型做语音识别的人，当年创建了Dragon公司并一直担任CEO，我最年轻。所以文章可以说表达了我们三代人在语音领域过去40年里的一些追求。虽然文章发表在两年前，但现在看里面讲的很多东西已经过时了，因此可以看出这个领域的进展有多么神速。