今天的文章是純乾貨分享，主講人是谷歌總部 Making & Science 設計負責人姜公略。
公略畢業於哈佛大學，曾主持設計Google廣告部門第一款應用Material Design的app。
作為業界頂尖設計師，公略曾被Engadget, Mashable，TheVerge, FastCompany等頂級媒體報道。他曾獲德國iF概念設計獎，華爾街日報亞洲創新獎，真格紅杉基金創業大賽金獎，GoogleGDN創新鉑金獎等。
文章閱讀時間：約6分鐘
人機語音交互（VUI）其實已經發展了很多年，直到近幾年語音語義識別技術（NLP）和人工智能（AI）迅猛發展以後，才得以在應用層面上開發出很多想象空間。
記得我小時候在Windows 95的時候就用了一款IBM的系統語音控制系統，當時覺得酷爆了。可以直接用語音調出菜單，執行程序。But，記得大概玩了不到半小時吧，就沒有然後了。過了20年，第二次接觸語音交互是在iPhone上用Siri。這回它可以用自然語言對話，而不再是簡單的命令，可以問很多好玩的問題。But，至今累計使用時間應該也不會超過半小時。
去年，第三次接觸VUI，是和Google Home。
不同於以往的兩次經歷，至今我還在頻繁使用它。但使用的場景基本都是聽音樂，很少用它來獲取信息。現在Amazon Echo出貨量已達千萬級別，有上萬個“技能”（等同於小程序，能夠通過語音控制完成一個task）。現在很多人都在討論家庭智能音箱未來能否成為下一代平臺級產品。我個人覺得是可以的，但中間要過很多坎，肯定不會是現在這樣簡單的形式就能夠坐等成為平臺級產品。
為什麼語音產品可以成為平臺級？
從交互模式上來說，新興的語音交互（VUI）和現在的主導圖形界面（GUI），不會是一個取代關係，而是共生關係。 就像人類與大自然的交互，是要基於視覺，聽覺，味覺，嗅覺，觸覺全部五種感知，體驗才夠完整。
人與電腦之間，用於獲取深度信息的主要集中在視覺，聽覺和觸覺。目前人機的交互模式，基本基於這三種感知（看圖片，聽音樂，打文字）。在某些方面這三者存在可替代關係（比如可以看書，也可以聽書）。但大多數情景下，只有一種交互模式最高效（比如獲取圖片信息只能看，獲取音樂信息只能聽）。同時，也沒有一種交互模式能夠適用日常的全部場景。
所以VUI會有它獨具的應用場景，是GUI無法替代的。但不可否認的是，GUI具有更強大的信息承載能力。這中間插個題外話，去年有一部電影我非常喜歡，叫做Arrival，細節就不多說了，很推薦去看看，改編自一部著名科幻小說The Story of Your Life。裡面講到外星人看世界的方式和我們是不一樣的，時間對於我們來說是線性的，而對於他們來說是展開的。即她們能夠看到未來和過去，所以她們在時間信息的獲取上遠比我們強大。
這讓我聯想到VUI和GUI的對比，聲音永遠都是線性的，而視覺可以在一瞬間獲取大量信息再進行定點檢索。這就造成了聲音信息的低效。讀書快的人應該都知道，速讀的一個要點就是不要在心中默唸，會降低速度。所以VUI從根本上來講，速度的極限已經擺在那了。GUI卻可以不斷的優化，把視覺信息檢索做得越來越高效。
轉回正題，人機交互分為人的輸入（input）和機器的輸出（output），前面提到VUI的信息是一維輸出，GUI是二維輸出，二者存在維度上的差別。而在信息輸入上，大致分為contextual input和selectional input。在contextual input方面，VUI會更有優勢。比如GUI基本靠鍵盤，打字的速度是信息輸入的瓶頸。同時有些人不會或不習慣打字，比如老人，小孩，這時候語音輸入就更高效，甚至成為唯一途徑。但在選擇操作（selectional input）上，GUI無論是鼠標還是touch screen又相對語音具有絕對優勢。現在流行的人機界面主要都由selectional input構成，因為它極為高效（一通點點點）。
看似GUI快要完勝VUI，但有一種常見場景不要忘了，在GUI的感官（視線）或輸入（手）受限制的場景下，VUI也會取代GUI成為主要的交互界面。比如做菜，開車，搬東西時，雙手就無法騰出來去做GUI的input，這些場景裡VUI就成了最佳選擇。所以GUI和VUI會是一種以GUI為主導的共生關係，而VUI發展的步伐，現在來看相對滯後（第三個section會講為什麼），所以存在大量的發展機會。
語音產品為什麼還沒什麼人用？
iPhone即使曾經大力主推過Siri，Echo即使具備上萬個技能，真實場景中語音的強交互還是少之又少。歸根結底，不是語音這種交互方式不行，而是背後所能提供的功能太弱了。
試想，如果我們能夠擁有一個像電影《Her》裡面那樣真假難辨的虛擬助手，你會拒絕嗎？她可以幫你安排日程，幫你買一些生活必須品，幫你查資料，幫你點個可口的午餐，甚至可以和你聊感情。。等等。用上一段時間，你可能真的離不開她。但讓現在的智能家庭機器人幹這些事，是很難放心的。比如點個外賣，我說我想吃拉麵，機器人先搜索附近的拉麵館，逐個念出來，然後問你選哪家？我聽到個熟悉的名字，說就那個吧，然後問我點什麼面？於是把店裡的菜單再念一遍。。好了好了，我不如上網自己點好了。我不用這個語音點菜功能，不是因為這是個偽需求，而是功能還做的不夠好，至少沒有好過GUI。
所以，在VUI和GUI可以互相替代的應用場景下，VUI可以把GUI作為一個benchmark，如果能夠把體驗，效率，做得超過GUI，那麼這個場景下的語音強交互就不遠了。現在VUI的強交互基本都存在於VUI不可替代的場景下（比如車載語音導航，兒童玩具機器人）。我期待不久的將來能夠有VUI體驗做到極致，benchmark能夠超過，從而替代GUI的場景出現。
VUI必須要強大的AI
上面提到過，VUI的硬傷是信息線性化，做選擇操作非常低效，而選擇操作又是人機交互最高效的input之一。所以VUI想要強大起來，必須減少選擇的操作，而直接為用戶做出選擇，這就需要強大的AI來支撐。比如回到點拉麵的例子，我說我中午想吃拉麵，來個最好拉麵館的經典款，不要太辣的，1點前要能送到的。
如果後端強大的AI能夠fullfill這樣的request，那麼GUI在這種場景下還有什麼優勢呢？（GUI場景：拿出手機，打開送餐app，先搜索拉麵，再刷星級排序，然後再找menu。。）就算是GUI也具備了AI，依然還是說這段話要比輸入文字簡單和自然的多。
所以AI對於GUI來說是booster，而對於VUI來說是catalyst，在同等情況下AI會讓VUI的潛在優勢巨量的釋放出來。反過來看，VUI也會成就AI，作為連接生活中的普適場景的媒介。
交互的終極形式
人機交互方式，從最早的打孔器，到鍵盤，鼠標，到如今的touch screen，不斷的演化。新的交互方式也依然在層出不窮，偏主流的有語音交互，手勢交互（以Leap Motion為代表），眼動，腦電，等等。這裡面需要去偽存真，哪些才是可以真正取代以往的交互方式，或者是以獨立的強交互方式存在呢？這裡談一個我一直以來信奉的觀念，
就是用戶體驗的基礎準則，基本奠定於5000年前。
用戶體驗好，無非就是滿足人們的感官，而人與外界溝通的方式是幾千年演化而來的。用眼去看，用耳去聽，用鼻去嗅，用嘴去嘗，用手腳去操作。如果讓人們去改變最基本的交互方式，是極其困難的。所以這裡排除兩個偽交互方式，眼動和腦電。
人類的眼睛是為觀察世界進化而來的，從沒有掌控和操作的能力，如果把眼動作為一種input，人肯定會不適應。 腦電也是如此，很多人會覺得交互的終極是直接用意念去控制。但人類沒有這方面進化的經驗（除了三體人），可能意念本身就是不準確的，所以就算腦電技術做到極致，最終的result的準確性也無法令人滿意。當然不排除眼動和腦電用於專業領域，或者作為輔助交互出現。但作為未來的主流交互方式，可能不具備這個資格。
同理，語音交互的重要性就不言自喻了，動物都用吼來通信，放在人身上是再自然不過了 。從這個觀點看，手勢交互處在兩者之間。手的操作對於人來說幾乎是最重要的交互方式。從鍵盤到鼠標，從鼠標到touch screen，都是在把手和機器的交互變得更接近自然世界。在自然世界裡，人們就是通過觸摸去感知這個世界。但手勢就比較tricky，它沒有觸覺反饋，會讓人覺得很不自然。只有特定條件下，比如聾啞人，交警，在其他信息交流受阻的情況下才不得不開發出這樣的技能，而且具有有很長的learning curve。
所以我認為手勢交互也只能作為很簡單的輔助操作出現，比如開始，關閉，暫停，不超過3個的簡單命令。更多的精細化操作用手勢去完成就有悖於人的體驗。So, 交互的終極形式是存在的，而不是能夠一直不斷翻新進化的（這個過程可能需要依賴人的生物進化），自然語音＋touch screen，that's it。我們現在已知的交互方式已經非常接近終極了。
這裡插一個題外話，技術發展的瓶頸最終往往來自於人本身。互聯網人口紅利消失了，是人類每天可支配的時間有個極限值。人的繁衍和生長速度也有極限值，沒法快速的提供新的人口紅利。人機交互方式也受限於人類的生物感官，存在一個極限。不過目前VUI的完成度照這個極限還很遠，還有很多好玩有意義的事情可以做。
在AI的引擎推動下，GUI就像是汽車，VUI就像是飛機。後者的出現，到發展，只是為了填補前者做的不夠好的領域，直到二者達到一個均衡的平衡點。在這個過程中人的生活會變的愈加便利。就像是飛機的發展，隨著穩定性越來越高，VUI也會逐漸成熟和普及。
如果時間回到100多年前，人們會認為那個帶著個螺旋槳隨時會掉下來把人摔死的“風箏”成為下一代平臺級的出行工具嗎？
所以讓我們放眼10年以後，nothing is impossible。
閱讀更多 Rokid 的文章
