有了AI點餐機 你可能再也不會去撩別的小哥哥了

想像這樣一個場景：

在遙遠陌生的城市裡，眼裡全是陌生的面孔，耳邊充斥著聽不懂的語言。但是，當你走進一間街邊的咖啡店……

推開門，就聽見一個溫暖的聲音說：「您好女士，歡迎光臨，請到這邊點餐。」你順著聲音走過去，屏幕上早已為你準備好中文菜單，在你猶豫是沿襲老樣子還是嘗試特色產品時，它早一步知道了你的心意：「還是要半塘的大杯熱焦糖瑪奇朵，或者，您可以試試這裡的手沖咖啡。」

與此同時，屏幕上的這兩個選項排在最上面，旁邊還有你常點的冰美式（少冰）、摩卡（不要奶油）幾個選項，接下來才是店裡的常規菜單，都標註了當地價格和即時匯率換算成的人民幣。

「我還是要一杯手沖吧！」你說著，點餐機的屏幕上可供選擇的幾種豆子為你標註了苦味和酸度的等級，「嗯~~~我想~~~」選擇恐懼症的時刻也不再尷尬，「要不試試曼特寧？」它對你說，屏幕上還顯示出你曾經在淘寶上買過曼特定掛耳咖啡包的記錄。

「好！就它了！」你選擇了下單，手機支付，直到屏幕上出現二維碼。

這一切熟悉又陌生。

「這個場景很可能在不久的將來實現。」

因為現在，阿里的人工智慧點餐機已經 PK 掉了專業的咖啡師。5 月 23 日武漢雲棲大會上，阿里達摩研究院科學家鄢志傑在現場用堪比華少的語速狂點了 30 多杯咖啡。「五個巧克力、兩個香草拿鐵，巧克力加奶油。」」算了巧克力不要了。」 「再加一個大的冷的拿鐵，去冰半糖加脫脂奶，打包。」

現場的人類咖啡師在聽了鄢志傑第二次複述後完成了訂單，用時 2 分 37 秒，而機器只用了 49 秒。

「今天我們將機器對人類口語的理解能力帶到了新的高度」，鄢志傑說，這種交互方式完全打破了」語音喚醒+語音指令」傳統命令式交互方式。傳統的語音交互需要喚醒再去輸入，我們稱之為上一代的人機交互。「現在我們想做一個人機交流的方式，你走過去，就知道你來了，於是你可以直接開始說。」阿里智能語音產品經理張敏儀告訴 PingWest 品玩(微信號：wepingwet）。

咖啡店是一個很普遍的場景，在點單過程中，你要補充、修改，或者沒說完，你完全可以接著說，它都可以識別出來。這就是人類最真實交流的場景。你可以說「我要一杯美式，我要帶走。」這是一種流式的語言情況，一句話分兩句話來說。第二種情況是，我要一杯美式和一杯拿鐵，兩句話當一句話說。沒有明顯的句子邊界，這為現階段的聲音識別技術帶來了很大的挑戰。

除此之外，挑戰還在於，相對於書面語來說，口語點餐中的句子沒有開始沒有結束，你會持續不停的說。難免會有猶豫和停頓、重複、修正，尤其是選擇恐懼症犯了。這就觸發了多倫多意圖的語義結構，為了完成一個特定的任務有多個操作，有多個意圖組合起來，比如，你會先有一個購買的需求：我要一杯美式；修改的需求：美式再加兩杯；刪除的需求：美式不要了。

另外，機器還要結合上下文去理解你的意圖，比如美式加糖這個需求，你可以說，我要一杯加糖的美式，也有可能之前點過美式之後，再追加一個屬性加糖。因此，之前說了什麼，怎麼去表達之前說的狀態，成為了另一大挑戰。

「今天我們將機器對人類口語的理解能力帶到了新的高度」，鄢志傑說，這種交互方式完全打破了」語音喚醒+語音指令」傳統命令式交互方式，我們首創的流式多意圖口語理解引擎，極大地提升了對人類隨意、自然的口語表達的理解力，能夠做到免喚醒的自然的人機交流式的語音交互。

上述點單環節包含了修改、刪除、加單等多輪對話，在整個交流過程中，顧客不需要說」Hi，點單機「之類呆板的喚醒詞，可直接下單，更符合人與人的自然對話。

據鄢志傑介紹，這些模塊並非簡單級聯，而是深度融合而形成了多模態語音交互方案，包括是公共場所強雜訊環境下的信號處理和語音識別、視頻識別與面部識別、場景感知等多模態融合的感知智能，同時更融合了流式對話、多輪多意圖口語理解、業務知識圖譜自適應等認知智能。

據了解，阿里雲這項解決方案除了可以做收銀員之外，還能在地鐵賣票。目前，上海地鐵已經部署了這一技術。乘客直接說出目的地，售票機便可選擇合適的站點和路線。這對於初到上海的乘客尤其幫助巨大，面對十幾條線路三百多個站點誰都會懵。測試數據顯示，普通買票耗時往往超過 30 秒，而語音購票全程只需要 10 秒左右。

無論是咖啡點餐還是地鐵售票，我們都是讓 AI 在真實的產業場景下發揮價值。這比那些在實驗室里炫技的 AI 更有意義，更具生命力。

現階段，他們人工智慧點單機已經與某咖啡品牌達成合作，很快就要落地了。並且，他們正在做平台化的輸出，從咖啡店擴展到快餐店，多樣知識的結構數據，將演算法和業務耦合，只需要讓機器學習業務知識，這個過程將會很快。

很可能，未來，當你走進一間咖啡店，你的專屬 AI 小哥哥早已記住了你的所有喜好，正等著為你「親手」端上一杯咖啡。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！