今天的文章是纯干货分享，主讲人是谷歌总部 Making & Science 设计负责人姜公略。
公略毕业于哈佛大学，曾主持设计Google广告部门第一款应用Material Design的app。
作为业界顶尖设计师，公略曾被Engadget, Mashable，TheVerge, FastCompany等顶级媒体报道。他曾获德国iF概念设计奖，华尔街日报亚洲创新奖，真格红杉基金创业大赛金奖，GoogleGDN创新铂金奖等。
文章阅读时间：约6分钟
人机语音交互（VUI）其实已经发展了很多年，直到近几年语音语义识别技术（NLP）和人工智能（AI）迅猛发展以后，才得以在应用层面上开发出很多想象空间。
记得我小时候在Windows 95的时候就用了一款IBM的系统语音控制系统，当时觉得酷爆了。可以直接用语音调出菜单，执行程序。But，记得大概玩了不到半小时吧，就没有然后了。过了20年，第二次接触语音交互是在iPhone上用Siri。这回它可以用自然语言对话，而不再是简单的命令，可以问很多好玩的问题。But，至今累计使用时间应该也不会超过半小时。
去年，第三次接触VUI，是和Google Home。
不同于以往的两次经历，至今我还在频繁使用它。但使用的场景基本都是听音乐，很少用它来获取信息。现在Amazon Echo出货量已达千万级别，有上万个“技能”（等同于小程序，能够通过语音控制完成一个task）。现在很多人都在讨论家庭智能音箱未来能否成为下一代平台级产品。我个人觉得是可以的，但中间要过很多坎，肯定不会是现在这样简单的形式就能够坐等成为平台级产品。
为什么语音产品可以成为平台级？
从交互模式上来说，新兴的语音交互（VUI）和现在的主导图形界面（GUI），不会是一个取代关系，而是共生关系。 就像人类与大自然的交互，是要基于视觉，听觉，味觉，嗅觉，触觉全部五种感知，体验才够完整。
人与电脑之间，用于获取深度信息的主要集中在视觉，听觉和触觉。目前人机的交互模式，基本基于这三种感知（看图片，听音乐，打文字）。在某些方面这三者存在可替代关系（比如可以看书，也可以听书）。但大多数情景下，只有一种交互模式最高效（比如获取图片信息只能看，获取音乐信息只能听）。同时，也没有一种交互模式能够适用日常的全部场景。
所以VUI会有它独具的应用场景，是GUI无法替代的。但不可否认的是，GUI具有更强大的信息承载能力。这中间插个题外话，去年有一部电影我非常喜欢，叫做Arrival，细节就不多说了，很推荐去看看，改编自一部著名科幻小说The Story of Your Life。里面讲到外星人看世界的方式和我们是不一样的，时间对于我们来说是线性的，而对于他们来说是展开的。即她们能够看到未来和过去，所以她们在时间信息的获取上远比我们强大。
这让我联想到VUI和GUI的对比，声音永远都是线性的，而视觉可以在一瞬间获取大量信息再进行定点检索。这就造成了声音信息的低效。读书快的人应该都知道，速读的一个要点就是不要在心中默念，会降低速度。所以VUI从根本上来讲，速度的极限已经摆在那了。GUI却可以不断的优化，把视觉信息检索做得越来越高效。
转回正题，人机交互分为人的输入（input）和机器的输出（output），前面提到VUI的信息是一维输出，GUI是二维输出，二者存在维度上的差别。而在信息输入上，大致分为contextual input和selectional input。在contextual input方面，VUI会更有优势。比如GUI基本靠键盘，打字的速度是信息输入的瓶颈。同时有些人不会或不习惯打字，比如老人，小孩，这时候语音输入就更高效，甚至成为唯一途径。但在选择操作（selectional input）上，GUI无论是鼠标还是touch screen又相对语音具有绝对优势。现在流行的人机界面主要都由selectional input构成，因为它极为高效（一通点点点）。
看似GUI快要完胜VUI，但有一种常见场景不要忘了，在GUI的感官（视线）或输入（手）受限制的场景下，VUI也会取代GUI成为主要的交互界面。比如做菜，开车，搬东西时，双手就无法腾出来去做GUI的input，这些场景里VUI就成了最佳选择。所以GUI和VUI会是一种以GUI为主导的共生关系，而VUI发展的步伐，现在来看相对滞后（第三个section会讲为什么），所以存在大量的发展机会。
语音产品为什么还没什么人用？
iPhone即使曾经大力主推过Siri，Echo即使具备上万个技能，真实场景中语音的强交互还是少之又少。归根结底，不是语音这种交互方式不行，而是背后所能提供的功能太弱了。
试想，如果我们能够拥有一个像电影《Her》里面那样真假难辨的虚拟助手，你会拒绝吗？她可以帮你安排日程，帮你买一些生活必须品，帮你查资料，帮你点个可口的午餐，甚至可以和你聊感情。。等等。用上一段时间，你可能真的离不开她。但让现在的智能家庭机器人干这些事，是很难放心的。比如点个外卖，我说我想吃拉面，机器人先搜索附近的拉面馆，逐个念出来，然后问你选哪家？我听到个熟悉的名字，说就那个吧，然后问我点什么面？于是把店里的菜单再念一遍。。好了好了，我不如上网自己点好了。我不用这个语音点菜功能，不是因为这是个伪需求，而是功能还做的不够好，至少没有好过GUI。
所以，在VUI和GUI可以互相替代的应用场景下，VUI可以把GUI作为一个benchmark，如果能够把体验，效率，做得超过GUI，那么这个场景下的语音强交互就不远了。现在VUI的强交互基本都存在于VUI不可替代的场景下（比如车载语音导航，儿童玩具机器人）。我期待不久的将来能够有VUI体验做到极致，benchmark能够超过，从而替代GUI的场景出现。
VUI必须要强大的AI
上面提到过，VUI的硬伤是信息线性化，做选择操作非常低效，而选择操作又是人机交互最高效的input之一。所以VUI想要强大起来，必须减少选择的操作，而直接为用户做出选择，这就需要强大的AI来支撑。比如回到点拉面的例子，我说我中午想吃拉面，来个最好拉面馆的经典款，不要太辣的，1点前要能送到的。
如果后端强大的AI能够fullfill这样的request，那么GUI在这种场景下还有什么优势呢？（GUI场景：拿出手机，打开送餐app，先搜索拉面，再刷星级排序，然后再找menu。。）就算是GUI也具备了AI，依然还是说这段话要比输入文字简单和自然的多。
所以AI对于GUI来说是booster，而对于VUI来说是catalyst，在同等情况下AI会让VUI的潜在优势巨量的释放出来。反过来看，VUI也会成就AI，作为连接生活中的普适场景的媒介。
交互的终极形式
人机交互方式，从最早的打孔器，到键盘，鼠标，到如今的touch screen，不断的演化。新的交互方式也依然在层出不穷，偏主流的有语音交互，手势交互（以Leap Motion为代表），眼动，脑电，等等。这里面需要去伪存真，哪些才是可以真正取代以往的交互方式，或者是以独立的强交互方式存在呢？这里谈一个我一直以来信奉的观念，
就是用户体验的基础准则，基本奠定于5000年前。
用户体验好，无非就是满足人们的感官，而人与外界沟通的方式是几千年演化而来的。用眼去看，用耳去听，用鼻去嗅，用嘴去尝，用手脚去操作。如果让人们去改变最基本的交互方式，是极其困难的。所以这里排除两个伪交互方式，眼动和脑电。
人类的眼睛是为观察世界进化而来的，从没有掌控和操作的能力，如果把眼动作为一种input，人肯定会不适应。 脑电也是如此，很多人会觉得交互的终极是直接用意念去控制。但人类没有这方面进化的经验（除了三体人），可能意念本身就是不准确的，所以就算脑电技术做到极致，最终的result的准确性也无法令人满意。当然不排除眼动和脑电用于专业领域，或者作为辅助交互出现。但作为未来的主流交互方式，可能不具备这个资格。
同理，语音交互的重要性就不言自喻了，动物都用吼来通信，放在人身上是再自然不过了 。从这个观点看，手势交互处在两者之间。手的操作对于人来说几乎是最重要的交互方式。从键盘到鼠标，从鼠标到touch screen，都是在把手和机器的交互变得更接近自然世界。在自然世界里，人们就是通过触摸去感知这个世界。但手势就比较tricky，它没有触觉反馈，会让人觉得很不自然。只有特定条件下，比如聋哑人，交警，在其他信息交流受阻的情况下才不得不开发出这样的技能，而且具有有很长的learning curve。
所以我认为手势交互也只能作为很简单的辅助操作出现，比如开始，关闭，暂停，不超过3个的简单命令。更多的精细化操作用手势去完成就有悖于人的体验。So, 交互的终极形式是存在的，而不是能够一直不断翻新进化的（这个过程可能需要依赖人的生物进化），自然语音＋touch screen，that's it。我们现在已知的交互方式已经非常接近终极了。
这里插一个题外话，技术发展的瓶颈最终往往来自于人本身。互联网人口红利消失了，是人类每天可支配的时间有个极限值。人的繁衍和生长速度也有极限值，没法快速的提供新的人口红利。人机交互方式也受限于人类的生物感官，存在一个极限。不过目前VUI的完成度照这个极限还很远，还有很多好玩有意义的事情可以做。
在AI的引擎推动下，GUI就像是汽车，VUI就像是飞机。后者的出现，到发展，只是为了填补前者做的不够好的领域，直到二者达到一个均衡的平衡点。在这个过程中人的生活会变的愈加便利。就像是飞机的发展，随着稳定性越来越高，VUI也会逐渐成熟和普及。
如果时间回到100多年前，人们会认为那个带着个螺旋桨随时会掉下来把人摔死的“风筝”成为下一代平台级的出行工具吗？
所以让我们放眼10年以后，nothing is impossible。
閱讀更多 Rokid 的文章
