這個夏天，智能音箱火了。一方面是巨頭摩拳擦掌，國外有亞馬遜、谷歌、蘋果、微軟，國內(nèi)有京東、阿里巴巴、搜狗、喜馬拉雅、科大訊飛等等，另一方面是中小企業(yè)期盼能分到一杯羹，深圳南山區(qū)的創(chuàng)業(yè)者星羅棋布。

這是個能讓豬飛起來的風(fēng)口，還是偽繁華的泡沫，抑或一次行業(yè)整體的升級換代？

小編接觸到的專家、從業(yè)者傳遞了這樣的信息：作為一種產(chǎn)品形態(tài)，智能音箱不排除有曇花一現(xiàn)或者改弦更張的可能性，但這背后代表著真實而日益逼近的交互方式的變革，迎合了人類的對于簡單、便捷的本性追求。

同時，語音又是連接物聯(lián)網(wǎng)的橋梁，家庭場景的價值將被更深挖掘，家居產(chǎn)品的制造、銷售環(huán)節(jié)唄打散、重構(gòu)，帶來全新的品牌機(jī)會。

因此，智能音箱是一個不得不關(guān)注的高地。小編梳理了關(guān)于該產(chǎn)品的十個關(guān)鍵問題，特別適合初入門者服用。

1. 看起來是音箱，實際是語音交互

在Sugr創(chuàng)始人兼CEO 宋少鵬看來，智能音箱代表了人機(jī)交互的最先進(jìn)成果——語音交互，這一方式符合人類對降低與物理世界交流所需成本的歷史趨勢。

人機(jī)交互演進(jìn)的方向很簡單：使得交互成本的降低，即人完成交互所需要消耗的能量，或者說人完成交互所需要付出的成本。

如果大家沿著歷史的規(guī)律，鍵盤——鼠標(biāo)——觸屏——語音，如果你想算2的10次方減1，在這四種交互環(huán)境下，大家可以算一算完成這個交互需要多少時間，答案是顯然的。

人類解決聲音產(chǎn)品的歷史迭代，經(jīng)歷了一個怎樣的過程？

如果我們把時間撥回到兩百年以前，可以想象一下，熱愛音樂的人去欣賞音樂，需要駕著馬車，到音樂廳或者歌劇院，才能欣賞音樂。

留聲機(jī)的發(fā)明，使得音樂第一次進(jìn)入了家庭，我可以躺在家里面去欣賞音樂，是不是我付出的能量減少了？

沿著這個思路一路迭代，到了iPod，我可以把1000首歌裝在我的口袋，手指一滑，就可以欣賞我喜歡的音樂。能量的消耗就更少了。

2014年，亞馬遜Echo發(fā)布了智能音箱，動動嘴皮子就可以獲得你想要的音樂，能量的消耗進(jìn)一步減少了。

因此，從音樂產(chǎn)品的迭代，恰恰印證了以上的規(guī)律——降低了人跟物理世界交互所需的能耗。（Sugr創(chuàng)始人兼CEO 宋少鵬）

2. 還有人工智能

出門問問CEO李志飛認(rèn)為，智能音箱是虛擬個人助理的一種存在形式，而后者則是人工智能技術(shù)在消費領(lǐng)域的應(yīng)用。

最近人工智能特別火，大家可能每天都會看到各種各樣人工智能的報道，比如說無人駕駛，智慧醫(yī)療、智慧城市，這其實很多都是一些2B的應(yīng)用，而在2C領(lǐng)域有一個大家經(jīng)常聽到的類別，那就是虛擬的個人助理。

1956年，人工智能概念提出，過去這幾十年，人類尤其是計算機(jī)的科學(xué)家，一直都在想象我們是不是能夠創(chuàng)造一個機(jī)器，能夠像人一樣，跟人進(jìn)行自然的對話，然后幫助你處理很多事情。

這是歷史發(fā)展過程中一些簡單的產(chǎn)品，當(dāng)然還有很多別的產(chǎn)品或技術(shù)，但這可能是大眾關(guān)注比較多的。

在1956-2011年，即在Siri出現(xiàn)之前，可能更多是算法，主要是政府或者學(xué)術(shù)界在研究算法，把自然語言處理、計算機(jī)視覺、圖像識別，各種各樣算法的框架搭起來。

在2011年的時候，Apple發(fā)布了Siri，這可能一下子激發(fā)了大家對語音助手的討論或者期待。我相信，當(dāng)時所有人買了一個iPhone拿回家，第一件事情可能就是調(diào)戲一下Siri，顯示一下自己的智商比Siri要高，然后就再也不用了。確實，在過去很多時候都是這么一個場景。

但是，不管怎么樣，大家確實看到了大眾對于這種虛擬語音助手的熱情。所以，后來無論是Google還是微軟，還是Amazon，他們都發(fā)布了自己的虛擬助理，或者語音助手這樣一個產(chǎn)品。

其實在Siri之前，無論是IBM還是微軟，還是Google，他們在語音交互的技術(shù)上做了很多很多嘗試，也做了很多產(chǎn)品的嘗試，只不過從來沒有像Apple一樣把Siri包裝成一個類似于人的助理，然后引起大量的討論。

但是，確實Apple的用戶教育能力是非常強(qiáng)的，所以在這之后基本上引起了整個虛擬個人助理的熱潮。

另外一個時間點我覺得比較關(guān)鍵，2014年Amazon發(fā)布智能音箱Echo。

早期虛擬個人助理都是在手機(jī)上的體現(xiàn)，但是其實很多人只是調(diào)戲一下，顯得自己的智商比機(jī)器還高，很放心，基本上就不再用了。

而現(xiàn)在可以看得到，智能音箱可能是繼智能手機(jī)之后一個唯一超過一千萬量的產(chǎn)品，有比較高頻的人機(jī)交互產(chǎn)品。。

在那之后，大家其實就看到了，Google也發(fā)布了音箱，中國已經(jīng)，或者說正在進(jìn)入“百箱大戰(zhàn)”，最后誰能勝出？誰也不知道。

我認(rèn)為單一的一個設(shè)備是很難承載所有的交互的，未來無論是交互的方式還是交互的設(shè)備，都會是多元化的。交互的方式除了語音、手勢、圖像、視覺、表情各種各樣的方式可能都會是綜合性的。語音可能比今天變得更重要一點，但是它絕對不會成為80%都靠語音交互方式。

設(shè)備無論是耳塞也好，還是車載的設(shè)備也好，還是未來的AR、VR的設(shè)備也好，可能都會是虛擬個人助理硬件的載體。

3. 為什么音箱最先引爆熱點？

宋少鵬指出，智能音箱這樣的產(chǎn)品形態(tài)最早在美國出現(xiàn)，這與當(dāng)?shù)氐囊魳废M習(xí)慣密切相關(guān)，極高的用戶粘性使人工智能技術(shù)不用多完善就得以商用。

美國的第一批廣大流行音樂消費者是成長于汽車上的黃金一代，汽車上都配備收音機(jī)。

在北美，大家習(xí)慣了背景式的、實時存在式的播放，在任何一個生活場景里面都會有音樂的存在。落實到家庭場景里面，音箱幾乎就是剛需。

有了這樣的剛性需求，有了流媒體這樣的播放習(xí)慣，換句話說，就是在智能音箱為大家提供語音交互的時候，其實用戶對于語義理解的要求沒有那么高。

音箱本來就是被動播放音樂的產(chǎn)品，人工智能和語音助手的植入使它成為一個主動獲取信息、獲取音樂，成為一個流量的入口。

慢慢地，技術(shù)的迭代使得它開始加入了家居其他產(chǎn)品的控制功能，逐步成長為家居的中控，這樣就有了無比巨大的想象空間，這也就解釋了為什么幾乎所有的互聯(lián)網(wǎng)巨頭，包括Google、亞馬遜、微軟、蘋果都進(jìn)入了這樣一個產(chǎn)品競爭的賽道。

巨頭的進(jìn)入使得產(chǎn)業(yè)的升級就會加快，服務(wù)的完善就會加快。所以，智能音箱在今年夏天成為了一個現(xiàn)象級的產(chǎn)品。

4. 為什么玩家都要來搶占智能音箱的高地？

有種傳聞，在深圳市南山區(qū)方圓一公里的范圍內(nèi)，就有超過100家智能音箱制造商。為什么大家一股腦都擠進(jìn)來了呢？李志飛從技術(shù)和商業(yè)的角度闡述了其中的門道。

從技術(shù)角度說，智能音箱是一個語音交互特別有意思的產(chǎn)品。

我們在語音交互以及在語音交互硬件商落地做了很多嘗試,包括手機(jī)、Googleglass、智能手表、車載、音箱、耳塞，我們發(fā)現(xiàn)，如果你要使語音交互有用，要具備幾個條件：

條件一：硬件的載體本身有一定的用戶需求。因為Googleglass當(dāng)時很大的問題，很快沒人用了。

條件二：使用的場景是比較私密的。智能手機(jī)現(xiàn)在在公共場合很難用語音交互的，但家里是一個比較私密的場景，自然用戶可能愿意用語音進(jìn)行交互。

條件三：語音交互可能是你最好比較方便的形式，可能沒有更好的方式，比如Googleglass就很難用別的方式。

我們當(dāng)時看DAU（日活躍用戶數(shù)量），比如手機(jī)語音交互的DAU小于1%；手表小于10%；車載大于60%，也就是100個用戶有60個用戶會用語音進(jìn)行交互；Googleglass是80%，因為它沒有別的交互方式。

總結(jié)起來，我覺得這三點是語音交互能不能得到應(yīng)用一個基本的判斷：

1. 硬件本身要有黏性。

2：使用空間比較私密。

3：語音交互可能是唯一的或者少有的一個好的交互方式。

這三個條件都很重要，Googleglass單獨看DAU很高80%，但是這個硬件本身沒有剛需，使得它的語音交互作為上面的一個軟件也沒有用。

為什么家居這么重要？我認(rèn)為家居第一是私密的，第二我認(rèn)為它有一定的使用場景。

在技術(shù)層面，它代表不同的維度。舉個例子，我們講語音識別的遠(yuǎn)場近場，可能手機(jī)和手表，可能大于30厘米的距離，實際上一般你的后視鏡也好，你的距離可能都在這里，所以這個基本上也是1米的距離。但是，音箱現(xiàn)在大家宣稱最大是5米。這確實技術(shù)上是一個很有意思的場景，以前所有的語音識別收集數(shù)據(jù)都是離麥克風(fēng)這么近或者更近，可能很少有人那么遠(yuǎn)的，而且需要遠(yuǎn)場喚醒，因為你不能手去弄它。

而且在家里有多輪對話，家里小孩可能喜歡對話，而且你們沒有屏幕，可能沒有別的方式。

所以，在技術(shù)上，它是語音交互獨一無二、非常重要的練兵場。

從商業(yè)角度來說，大家生活空間不就家里、車?yán)铩⒙飞?、辦公室，這基本上覆蓋了每天的空間。

所以，家里肯定是一個非常重要的空間。

未來搜索，我們首先用PC、鍵盤到手機(jī)上，已經(jīng)很多開始用語音，未來家里可能直接用對話進(jìn)行搜索，所以肯定是入口的一個東西。

包括內(nèi)容消費，比如現(xiàn)在很多音樂、音頻，這種內(nèi)容可能未來都收費，這個是智能音箱可能是很重要的消費場景，所以也是一個內(nèi)容的入口。

還有就是智能家居控制的入口，因為你很難想象，每個空調(diào)本身自己放遠(yuǎn)場識別的語音識別系統(tǒng)跟它交互，或者每一個電視、音箱，每一個電飯煲、掃地機(jī)器人都配備遠(yuǎn)場的語音交互非常智能的服務(wù)。我覺得智能音箱可能是從一個中心，它背后去控制各種設(shè)備。

5. 百箱大戰(zhàn)競爭點在哪里？

（李志飛）有的人拼性價比，硬件供應(yīng)鏈能力比較強(qiáng)，打低價，把市場搞的很亂，或者說別人都沒路可以走；

有的拼智能，語音交互做的不錯，全部都是自己的系統(tǒng)，可以更快、更準(zhǔn)、對話更深，這個可能是我們比較重要的一個點；

有的人是說，有內(nèi)容生態(tài)，有音樂、FM、相聲各種東西，這個打內(nèi)容；

有的可能是打渠道。

所以現(xiàn)在確實沒有一個選手全都具備了，當(dāng)然市場上確實可能有那么3-4家，每一個都有自己稍微比較強(qiáng)一點的地方，可能拿著這個點不停地打。

6. 有了語音，我們還需要屏幕嗎？

目前市場上主流的智能音箱不帶有屏幕，依靠語音交互，據(jù)外媒報道，F(xiàn)acebook正在研發(fā)一款更加注重視覺畫面交互的音箱，配置一塊15英寸的觸摸屏幕。

（李志飛）從產(chǎn)品的角度，我一直覺得智能音箱這種100%靠語音交互的產(chǎn)品是很難做好的，一定得有一個屏幕的出現(xiàn)。

但是屏幕是跟電視綁定，還是自帶，或者必要的時候把手機(jī)打開，這其實是一個可以值得探討的問題。

我反而相信，智能音箱可以上智能手機(jī)的屏幕，在有必要的時候，還是打開手機(jī)做一些操作，這可能是比較漸進(jìn)式、現(xiàn)實的解決方案。

智能電視作為智能音箱的屏幕，我覺得是不太靠譜的。電視是一個很重的設(shè)備，我打開它會覺得，把這么大的一個屏幕一打開，就是為了控制一個空調(diào)或者怎么樣，我覺得這個事情完全不make sense（沒有意義），這是非常重要的一種交互方式，所以我不認(rèn)為它會成為最主要的音箱屏幕的輔助形式。

當(dāng)然，音箱可以跟智能電視交互沒什么問題，但是更多是以使用電視場景的時候，我通過音箱控制。而不是說我為了控制空調(diào)，我跟智能音箱說了一句話，智能音箱把電視打開，電視顯示出一個什么樣的結(jié)果，最后我看到什么東西，這個是不太現(xiàn)實的。

7. 入口是唯一的嗎？

很流行的設(shè)想是，智能音箱將控制整個家，難道真的只有這一個入口嗎？

（李志飛）從軟件的角度來說，我認(rèn)為入口是統(tǒng)一的。

只不過硬件的載體是什么？是單一的音箱還是兩三個音箱，或者在各處有不同的設(shè)備？

首先，我認(rèn)為，不會是唯一的設(shè)備，但我也不同意每一個設(shè)備都會有自己遠(yuǎn)場語音交互的能力。因為成本方面不合理，比如加50元或者100元給空調(diào)做遠(yuǎn)場語音交互，就為了控制開關(guān)溫度，我覺得這是非常沒有道理的事情。

這是現(xiàn)在亞馬遜、Google都在思考的問題?？梢跃瓦x小設(shè)備，在花盆里，無處不在，有很多的模組。

然而，是一個新的設(shè)備形態(tài)，可能就貼在面板上，放在花盆里、臥室的墻上，這種有一個特色，其實我們今天定義的屋里（遠(yuǎn)場語音交互）是不是有必要？因為可能房間有8個設(shè)備，我走到哪都有。

8. 國內(nèi)智能音箱的需求量大嗎？

（李志飛）首先，短時間內(nèi)達(dá)到什么千萬級別的量，很難。今年整個市場差不多能達(dá)到100萬的出貨量。

我覺得智能音箱這種形式要分軟件和硬件兩個層面來看。

第一，從軟件的角度來說，無論智能電視還是路由器、空調(diào)或者墻上的一個鐘，成為一個入口設(shè)備，我覺得都比較類似。

每個房間可能形式都會不一樣，在廁所有可能現(xiàn)在像梳妝鏡一樣的魔鏡成為最主要的載體，在客廳是音箱，在臥室可能是鐘或者是掛燈有關(guān)的這種，所以這種是有可能會變化的。

但是不管怎么樣，尤其對我們這樣的公司來說，我們還是把這個軟件、交互AI作為最核心的東西。所以，市場硬件更多是我們的一個載體，我們找到一個大家能夠接受的一種形式。

9. 智能音箱能在國內(nèi)普及嗎？

宋少鵬認(rèn)為，中美音樂欣賞以及家庭環(huán)境的差異，導(dǎo)致智能音箱在國內(nèi)的發(fā)展路徑不可能照搬美國的。

我們身邊的消費者需要一個什么樣的智能音箱？

中美消費者對于音樂消費的DNA是不同的。美國音樂消費從聽收音機(jī)開始的。收音機(jī)是什么呢？收音機(jī)是電臺、radio，一個一個電臺播放的是按照曲風(fēng)、曲目、歌單所排列的音樂，所以我們認(rèn)為北美的音樂消費DNA是源于流媒體。

中國的音樂消費者最初接觸音樂源于80年代初期的改革開放，港臺的音樂以盒帶、卡帶的形式大量流入內(nèi)地。大家首次接觸音樂是精美的盒帶、完美的印刷，包括封面、歌詞，打開之后、欣賞完這些內(nèi)容，才去把它放到收錄機(jī)里面聽音樂。聽的內(nèi)容是一般是一個歌手的完整專輯，里面可能有各種各樣的曲風(fēng)，還很少有合集和混編，記憶深刻的是某一個歌手或者某一首歌。所以，我們認(rèn)為中國音樂消費者的DNA是源于那個時候的盒帶式的播放，是一種點播式的。

我們認(rèn)為這就是兩地音樂消費的DNA根源上的不同。

這樣的不同在我們兩地的音樂APP上就有了體現(xiàn)，我們以Spotify為例子，還有QQ音樂（用戶量最大的中文音樂播放器），很大的不同：

1、搜索在QQ音樂始終是一級菜單，在最顯眼的地方，最方便用戶搜索。為什么？因為用戶要點播。在Spotify上你要到二級菜單才能完成搜索的功能。

2、封面、歌詞我們都在非常顯著的位置，非常多的視覺信息，而在Spotify這邊沒有。

總的倆說，北美的音樂消費是流媒體式的，他們的生活中的場景處處都有音樂，音樂就在那里放著，并不需要太多地去改變它、更換它。而我們的音樂消費DNA是點播式的，需要實時確定我要聽這個、我要聽那個。由此導(dǎo)致兩地的消費者對于音樂播放硬件的要求是不同的。

我們認(rèn)為在中國點播會是一個非常強(qiáng)的需求，將會是一個常態(tài)，點播會帶來技術(shù)上的需求，它包括更強(qiáng)大的語義理解能力，更豐富、更深入的音樂知識圖譜，以及更完善的音樂版權(quán)和曲庫。

同時，中美兩地的消費者消費的場景也有很大的不同，挑兩個例子來跟大家分享。

1、在美國，用戶使用的空調(diào)通常都是中央空調(diào)，通過每個房間的溫控來控制空調(diào)的溫度。

而在我們家里，通常都是壁掛式或者是落地式的空調(diào)，每一個空調(diào)都有單獨的搖控器，這就決定了如果音箱作為一個智能家居的中控，它對于空調(diào)的接口、控制場景和體驗是不同的。

2、在北美消費者的廚房是開放式的，跟客廳融入一體的廚房，這也是亞馬遜Echo最最常用的一個使用場景。而在我們身邊，大家都知道，廚房為你完成的是煎、炒、烹、炸，這個場景是完全不一樣的。

由此還可以推出很多不一樣的場景，大家可以去思考，這些場景所帶來的用戶需求一定是不同的。

所以我們認(rèn)為，在中國做智能音箱，一定不能復(fù)制亞馬遜Echo的路徑，而是要找到我們真正消費者的需求，落實消費者的場景，來解決我們自己的問題。

10. 距離一款電影Her那樣的產(chǎn)品有多遠(yuǎn)？

科幻片電影《她》（Her）其中的“女主角”——一款虛擬個人助理產(chǎn)品，給大家?guī)砹藷o盡的想象空間，但是李志飛強(qiáng)調(diào)，從技術(shù)實現(xiàn)的難度上看，它真的還只是科幻片。

1、技術(shù)。

從技術(shù)的角度，如果說我們?nèi)タ凑麄€技術(shù)的發(fā)展，在四年前，語音識別本身就是整個瓶頸，如果語音識別都不準(zhǔn)，后面的理解、內(nèi)容都沒有有什么用？

但是到今天，語音識別的技術(shù)本身已經(jīng)發(fā)展到一定程度，不會成為這個虛擬個人助理是不是能夠被使用起來的瓶頸。

而今天最大的瓶頸就是自然語言的理解。我相信大家都有一個經(jīng)驗，當(dāng)你去調(diào)戲SIRI或者是調(diào)戲各種音箱的時候，第一輪沒什么問題，當(dāng)你跟它進(jìn)行一個對話，你把句式換一換，或者說你再特意調(diào)戲一下它，基本上兩、三輪就把它問死了，它是答非所問，或者純粹就是“呵呵”的那種。

所以這個確實是自然語言理解以及對話是我們未來兩、三年遇到的特別大的瓶頸。在那之后，可能才是推薦、推理、背后的思考、理解和自己能夠創(chuàng)造一些新的東西出來，這是再之后的。

一個特別有意思的悖論，一方面計算機(jī)可以創(chuàng)造一個程序，可以打敗世界上最牛的下棋的，無論是圍棋還是象棋的棋手，表現(xiàn)計算機(jī)非常聰明。但是另外一方面，計算機(jī)都不能像一個5歲的小孩一樣跟你進(jìn)行一個正常的對話。

我認(rèn)為最核心的是我們今天計算機(jī)沒有對物理世界和常識有建模、理解。

2、用戶場景角度。

因為虛擬個人助理或者是語音交互要得到使用，其實就是看你有什么樣的場景，用戶是調(diào)戲一下就走，還是說真正有活躍度。

當(dāng)用戶打開這個機(jī)器，每天有多少比例會用語音交互，也就是說語音交互的DAU。智能車載可能是我們未來看到最先普及的語音交互的，其次還是無線耳塞或者是智能家居，最后才是手機(jī)。