“AI”向你发起了视频通话，接还是不接？

在一年一度的超级碗决赛之前，亚马逊发布了“Alexa新形态”的重磅广告。广告中，一位女演员将对迈克尔乔丹的倾慕倾注在阿列克谢的语音助手身上，这彻底激怒了她的丈夫。毫无疑问，大多数观众不会把亚马逊设计的这个新广告看得太重；但事实上，能像人一样与我们顺畅交流的AI，也并没有那么遥远。

如今的AI头像——，即使是数字人物和/或人脸渲染的AI图像——，也远没有乔丹那样的人格魅力，甚至看起来还有点吓人。研究表明，人类确实喜欢开发这种具有类人功能的机器人，但一旦机器的类人性质超过一定阈值，就会让人感到可怕。这就是著名的“鬼斧神工谷”理论。创造这个词的机器人专家森昌弘预言，有一天会有机器人能够伪造真实的东西，我们将完全失去辨别能力。至少在对话层面，这样的AI有望实现，彻底打破旧图灵测试的桎梏。

最近，在一段与传奇营销天才盖伊川崎的远程视频中，我大胆预测，在未来两年内，盖伊将无法从我们创建的对话式AI方案Kuki中脱颖而出。盖伊显然不同意，但我没有动摇，我计划一步一步地示范。

结合这次对话，我打算公开向大家汇报一下为什么我对这个预测有信心。本质上，为了实现在视频通话中相信人类的表现，AI必须获得五项关键的实时技术：

人形化身

类似人类的语言

类人情感

人形行为

类人对话

随着运动捕捉技术(MoCap)和生成对抗神经网络(GAN，也是Deep Fake所依赖的底层机器学习技术)的广泛普及和成本降低，近年来头像方案取得了长足的进步。早期的动作捕捉需要演员穿特别的戏服，但整个拍摄和调整过程都很昂贵，只有《阿凡达》才买得起。但现在，光是iPhone X和免费的游戏引擎软件，就足以让动作捕捉“走进普通人的家”。许多在线Web服务使得创建低分辨率Deep Fake图像和视频变得容易，这迅速促进了这项技术的普及。然而，如果不加以限制，这项技术也可能对人类社会产生巨大的影响。事实上，这种进步也催生了新的产业。很多主播开始把自己的脸和表情实时变成动物形象，甚至出现了“Lil'Miquela”等AI意见领袖。就在上周，Epic Games(堡垒之夜和虚幻引擎的开发者)发布了MetaHuman Creator，很快每个人都可以免费创建无限接近真人的“假脸”。

生成类人语音的技术也在快速发展。亚马逊、微软、谷歌都提供云文本到语音(TTS)API的灵活消费，可以基于神经网络生成越来越逼真的语音效果。此外，我们可以轻松获得各种定制的语音风格工具，这些工具由人类演员根据一定数量的样本句子进行建模。与目前的高精度语音识别类似，语音合成也会随着计算能力和训练数据的增强而不断完善。

光有令人信服的AI语音和人脸还不足以产生价值——，还必须搭配生动的表情。事实证明，计算机视觉技术仅用前置摄像头就足以分析生成丰富的面部表情。目前有很多API供你分析文本内容，了解相应的情绪。NTDATA等实验室甚至展示了可以实时模仿人类手势和表情的方案；Magic Leap的MICA可以提供令人印象深刻的非语言化身表情。当然，现有的AI要找出真正独立的精神和情感状态还是比较困难的，在这方面还有很长的路要走。

为了避免“鬼斧神工谷”问题，AI必须能够表现出与面部甚至身体动作一致的“姿态”，并根据对话过程动态触发。南加州大学ICT实验室的Shaprio项目和许多语音和图像初创公司的探索，在为游戏角色提供同步的口型和面部表情方面取得了开创性的成果。这类系统可以转换文本表达，通过头像分析情绪，通过既定规则调用库中合适的动画，同时结合真实人类活动的视频继续机器学习训练。随着研发的发展；d和机器学习，这类程序动画有望在两年内完全实现无缝运行。

人与人对话中最尴尬和困难的部分是，大多数聊天机器人仍在努力通过基本对话。到目前为止，与语音合成、计算机视觉等高度成功的领域相比，深度学习更多数据、更强计算能力的模式在自然语言理解方面还没有取得有意义的突破。

类人AI的想法很有吸引力，目前已经吸引了3.2亿风险投资；但至少在未来几年，除非核心要素得到“解决”，否则一切恐怕仍将只是假象。随着头像技术的真正进步，人们的期待会越来越高。当虚拟助手的模拟脸无法匹配大脑和情商的灵活表达时，失望感会与日俱增。因此，现在预测聊天机器人何时能达到真人水平还为时过早。先说挫折：如今的机器智能连基于纯文本的图灵测试都过不了。

也许更重要的问题应该是：我们有必要创造这种人形的AI吗？这样的成就在媒体互动角色、AI医疗助手、培训甚至教育等领域带来的收益真的大于潜在风险吗？类人AI必然会无限接近人，还是应该像很多业内人士所想的那样，尽量避开这个类人坑来消除“鬼斧神工谷”效应？