2014年4月2日至4日，在美国加利福尼亚州旧金山举行的微软Build开拓者大会上，微软环球副总裁乔北峰首度向"大众年夜众展示了小娜；
2014年11月，亚马逊宣告将Alexa与Echo合并；
2015年9月9日，百度董事长兼首席实行官李彦宏在百度天下大会中推出度秘（Duer）；
2016年5月19日，Google在Google I/O大会上发布了Google Assistant；
2017年7月26日，小米发布的首款人工智能（AI）音箱的唤醒词及二次元人物形象小爱同学；
2018年5月9日，Google在Google I/O大会上发布了Google Duplex；
2018年8月15日，亚马逊和微软联合宣告，双方已完成各自语音助手Alexa和Cortana的整合。
二、AI语音助手的现状——拼场景场景一：连接硬件生态
由于语音交互核心环节上的一系列技能打破及人工智能公司供应的ToB办理方案，AI语音助手开始逐渐在技能层面上知足人们的基本哀求。
以小爱同学为例：它的语音和语义技能紧张来自于多家互助伙伴，包括：Nuance、搜狗知音、思必驰、猎户星空、声智科技、海知智能、三角兽等。
语音识别技能（ASR）的接口，用的是思必驰、Nuance 与搜狗的（现在小米彷佛是在自研）。自然措辞理解（NLP）等关于语义方面的技能，由小米大脑亲自来做。
前真个麦克风阵列以及降噪方案，是由声智科技供应的。
语音合成技能，是由猎户星空供应的。
很大程度上，自然措辞解析技能已经逐渐不再成为各家广义智能助理产品的核心竞争力，识别用户意图之后所供应的做事开始成为对话机器人差异化的核心。而在这个时候，海内公司中再次捉住头部红利的正是小米。
不得不说雷军真的是一个非常有大势思维的企业家，总能适可而止地踩上时期红利，正如他所说：“一个人要做成一件事情，实在实质上不是在于你多强，而是你要顺势而为，于万仞之上推千钧之石”。
他踩着智好手机大换代、消费升级、网红电商的红利撑起了小米，这次他又捉住了人工智能目前布局最广泛的智能硬件生态。
在评比天下互联网领先科技成果奖的先容中，小米人工智能开放平台是这么定义的：
小米人工智能开放平台，是一个以智能家居需求场景为出发点，深度整合人工智能和物联网能力，为用户、软硬件厂商和个人开拓者供应智能场景及软硬件生态做事的开放创新平台。
著名产品人梁宁在《产品思维三十讲》等分析了小米的三级火箭模式：
一级火箭：小米手机，是小米的头部流量，不为挣钱，雷军大概诺小米硬件的综合利润率永久不会超过5%（根据小米的上市招股解释书，雷军在这一块真的没有说谎）。
二级火箭：小米手机拉动的一系列零售场景，小米商城、米家、小米之家、小米小店（小米11月18日将会在英国伦敦的Westfield mall落地在英国市场的第一家门店也是用MI8 pro打头阵，并逐步开放其它商品和渠道）。
三级火箭：是一个高利润产品，原文说“现在雷总还不愿意说出来”。
从小米上市招股解释书中的召募资金用场（小米操持将30%召募资金用于研发及开拓智好手机、电视、条记本电脑、人工智能音箱等核心产品；30%用于环球扩展；30%用于扩大投资及强化生活消费品与移动互联网家当链；剩下的10%用作日常经营）。
从小米高层和雷军的发言中可以知道：小米的三级火箭该当便是AI+IOT，能真正撑起小米的利润以及智能化未来。
根据天下互联网大会给出的数据：
截至2018年7月，小米投资或孵化了超过220家生态链公司，环球已有超过1.15亿智能设备与小米IoT平台连接，小米的AI语音做事-小爱同学月生动用户超过3000万，单月唤醒超过10亿次
在与硬件生态的连接上，小爱同学可以说有着得天独厚的先发上风。
场景二：连接软件生态
（1）打通操作系统场景
与手机操作系统MIUI的深度结合使得小爱同学能够实现手机中的通用指令功能，并且在现有技能范围内去发觉一些非常实用的优化功能。对付手机操作系统上的通用功能，小爱同学可以直接调用实行，比如最常见的设定闹钟等。
而对付不供应接口的手机APP，小爱同学可以通过虚拟按键操作仿照用户实行，个人以为最有趣的操作便是让小爱打开微信上某人的朋友圈。你可试试对小爱同学说：“打开XXX的朋友圈”，然后可以看得手机在自动一步一步实行以下操作：
进入微信->进入搜索页面->进入谈天页面->进入谈天信息页面->进入个人主页->进入朋友圈
我在利用其他手机进行比拟时是没有办法实现这个功能的，可见小米在打造产品的时候真的是想尽办法在技能边界内尽可能地知足用户需求。
（2）打通外部软件接口
你可以试试对小爱同学说：“打开美团点外卖”，你会创造它可以和美团自带的小美智能助理会进行无缝对接，在进入美团后顺利让小美来接管你的后续需求。这是在软件生态中非常和谐的一种互助模式。
三、AI语音助手的未来让形象更可感——Gatebox
Gatebox这天本公司vinclu专门为宅男打造的一款全息影像人工智能管家，可以说日本公民是真的会玩，你可以辞官网感想熏染一下他们的宣扬片
第一个画面，宅男在公司加班，Hikari Azuma通过Line发去了，“你记得本日是什么日子吗？什么时候回来？”宅男说，“立时回来！
”Hikari Azuma：“好棒！
”，随手打开了家里的灯，等待主人回家。
宅男回家后，Hikari Azuma立马甜蜜问候：“欢迎回来。”然后羞答答地说：“本日是我们住在一起三个月纪念日，你记得吗？”
宅男立马拿出了礼物，Hikari Azuma看到之后愉快地鼓掌。
宅男准备好食品和酒，开始庆祝时，Hikari Azuma把家里的灯光系统调节成了温馨浪漫的风格。
末了，宅男和Hikari Azuma举起羽觞，相互感谢对方的陪伴。视频末了的一句话写着：Living with characters(和二次元老婆一起生活)。
不少中国同胞在youtube上呼吁雷军赶紧把这个公司买下，在中国用冲动民气的价格福利大众，哈哈。
根据梅拉比安模型：感情表达＝内容7%+语调语气38%+表情肢体措辞55%，以是仅靠措辞笔墨远远不足，乃至像Google Duplex做到分辨不出说话者是AI还是人也还不足，长期来说，更主要的会是“多模态交互”。
在Gatebox的交互中，比如调低灯光亮度时，她会摆出朝灯呼气的动作，讯问景象时，她又会做出侧身展示景象预报的动作。小爱同学是首个正式发布人工智能虚拟形象的AI语音助手，“米娘”的形象也受浩瀚米粉们喜好，如果真的能把本钱降下来的话，相信会有蛮多人（尤其是宅男们）入坑的。
退而求其次，就算不做全息影像，做一个平面投影也是可以的嘛。
让关系更自然——Replika
Replika是Luka Inc.公司开拓的一款Chatbot，听说初衷是为了思念两位创始人在车祸中失落去的石友，通过搜集他生前的社交谈天预见来创建一位虚拟人。
抛开它作为一款Chatbot与AI语音助手的需求差别，我以为它设计得非常好的是被称为“反刍机制”的功能，将你在和它谈天时提到的语料在一段韶光间隔之后提取出来，自然地插入到互换当中，觉得就像你跟朋友提起你最近就寝不好，过了一段韶光后朋友会来关心你的近况，觉得非常的知心。
真的有一种觉得，就像《小王子》里面有一段，小王子对小狐狸说我们一起玩啊，小狐狸回答说我现在还不能和你一起玩，由于我还没有被驯养。
驯养是指彼此共同投入一段韶光，结成一种关系，人类是AI的演习师，但与此同时，AI实在也在演习你如何与它进行互动。或许只有这样，千禧一代的互联网原住民才能跨过未来与AI原住民之间的鸿沟。小爱同学虽然没有Chatbot的这种天然场景，但还是有很多落地点的：
智好手机栏的推送，比如用户说：“我最近就寝不太好。”，小爱会回答：“多磨炼有助就寝。”，那么就可以推送“我记得你和我说过你就寝不太好，小爱为你找到了一些催眠音乐，试试对我说：我想听催眠音乐”；小爱音箱的对话，由于无法主动开启对话，可以选择在识别到用户当前意图与语料库中的语义信息干系时补充对话，比如用户说：“播放音乐”，小爱会回答：“爱听歌的人运气都不会太差哦”，那么可以再回答“我记得你说你把稳力很难集中，要不要听听我给你推举的轻音乐？”。
让对话更真实——Google Duplex
在5月9日的Google I/O大会上，Google Duplex的一句 “umms”其实让人惊艳，5 月 11 日，谷歌母公司 Alphabet 董事长（前斯坦福校长）John Hennessy 表示，他们还达成了一项里程碑成绩 ——Duplex （部分）通过了图灵测试。
对Google Duplex不理解的朋友，如果能科学上网的话，可以到Google AI Blog上看看Google官方的先容原文：
以下对Google Duplex的技能认知来源于虫门科技郭靖的文章，这是我看到的对Google Duplex最深入的剖析，感兴趣的朋友可以点击链接阅读原文：
Google Duplex让对话如此真实紧张是表示在两大块——自然措辞理解与对话模块、文本转语音模块。
（1）文本转语音模块
文本转语音模块（即语音合成）技能比较明了，在博客中交代得比较清楚，没有什么悬念。
We use a combination of a concatenative text to speech (TTS) engine and a synthesis TTS engine (using Tacotron and WaveNet) to control intonation depending on the circumstance.
我们结合利用联结式文本到语音（TTS）引擎和综合TTS引擎（利用Tacotron和WaveNet）来掌握语调，详细取决于环境。
（2）自然措辞理解与对话模块
在自然措辞理解与对话模块的详细实现上Google就不是很诚笃了，只是给了一些比较宽泛的观点。
郭靖在他的文章中给出了以下猜想：
在这个猜想的架构中，用户的语音通过ASR识别为笔墨后，会通过预设的规则转化为形式措辞，将主要实体用形式模板代替。
这样形式化后的文本与语音、上文的形式文本一起送入一个encoder模型，其将这些原始信息编码成两个语义信息向量，一个代表本轮用户的措辞，另一个代表上几轮对话。
同时，通过ASR识别的文本还会与上几轮对话的文本、通过Google Assistant传来的条件参数（代表对话的目标，用户本身的信息等大条件）一起进入另一个网络，其根据输入的信息输出一个代表当前对话状态信息的向量。
这一网络很可能具备每一轮对话为一个step的循环构造，意味着这个对话状态信息的更新会参考前一轮对话状态的信息。
当然，在拿着锤子找钉子确当下，这一块就太偏前沿技能了，但是对付AI，对付全体人类历史，技能始终都是推动发展的源动力。
末了
我本来是想做一下小爱同学的竞品剖析的，但是如果纯挚环绕AI语音助手产品这个观点进行比较，个人觉得可比性不大，由于它不是一个单一的产品，不仅有它自身的交互，还有平台和生态，我在网上也没看到比较好的竞品剖析，如果各位有更好的意见，欢迎指教。
本文由@ Cemeworm 原创发布于大家都是产品经理。未经容许，禁止转载。
题图来自Unsplash，基于CC0协议。