炬芯科技推多模態(tài)智能交互芯片平臺開啟新的交互方式

從電腦還是離不開物理按鍵鍵盤開始，到手機、車載顯示器，點觸即可，再到后來，一種新的交互方式隨著智能音箱的普及刷新了我們的生活，它就是智能語音交互。連屏幕都不用看了，想聽啥歌張嘴就行，真正解放雙手。很多人也許會新鮮的覺得，這種交互方式會是未來的趨勢，其實并不是，未來最好的交互方式會是什么呢?毋庸置疑它肯定比智能語音更高級，它就是多模態(tài)交互技術。

大部分聽到多模態(tài)的時候，也許會有點蒙圈，因為這個詞確實沒有智能語音那么好理解。這個創(chuàng)新概念是在 2015 年 12 月，圖靈機器人團隊推出 Turing OS 機器人操作系統(tǒng)時提出的。手機有操作系統(tǒng)，機器人也要有操作系統(tǒng)。Turing OS 機器人和人之間的交互方式，就叫做“多模態(tài)交互”。模態(tài)也就是英文里的“modality”，翻譯過來就是感官。而多模態(tài)就是把“文字、語音、視覺、動作、環(huán)境”等多種方式融合在一起。說白了，這個交互的本質就是“讓機器也有感情”。

接下來，讓我們通過上面的一張圖片了解多模態(tài)交互技術賦予機器的深度學習能力到底有多強。如果我們用深度學習來看上圖，會生成這么一句話：一個棒球運動員在扔一個球。為什么會生成這么一句話?比如，我們發(fā)現(xiàn)模型“看”成這個圖片的時候，它實際上先是注意力集中在棒球手套這個地方，這是一個特征表明這是一個棒球運動。隨后當計算機注意到跟廣的區(qū)域的時候，它會提出這是個運動員。再往下，當AI模型注意到一個大腿扭曲的姿態(tài)的時候，它會認為這是一個人的動作，憑這些，計算機會認為這是一個人扔球的動作，雖然這個球的占的整面積非常小，但是因為語言模型在語義上的驅動，使得這個球也能夠被識別出來，最后形成一句完整的有意義的話。這就是跨越視覺和語言兩個模態(tài)，從圖片到文本描述生成的過程。

想要讓機器擁有如此強大的深度學習能力，讓它聽明白和看明白人類的動作和需求，離不開機器需要一顆強大的硬件芯片。強人工智能主要是指能夠學習知識、思考問題和解決問題的的通用智能，機器具有多通道的知覺并且具有意識，在各方面都能和人類比肩。人工智能如果需要在生活中有更好的體驗，我們希望它能像人體一樣，能耳目鼻口協(xié)同工作，主動提供服務。

經過半個世紀的發(fā)展，在近十年，人工智能技術步入了發(fā)展的快車道，高性能的計算芯片甚至 AI 芯片、海量的數(shù)據(jù)積累和優(yōu)秀的軟件算法都在推動人工智能向更深處不斷發(fā)展。炬芯科技在單模態(tài)交互芯片設計上擁有多年的經驗積累，相關產品廣受市場認可。面對人工智能的時代躍遷，炬芯正向著更進一步的技術延伸發(fā)展。國產芯片核心玩家，聲音前處理專家炬芯科技搶先推出旗下首顆多模態(tài)交互芯片：炬芯ATS3609D，是擁有多麥智能語音、輕智能圖像、手指點讀雙模態(tài)識別輸入解決方案。炬芯ATS3609D 將語音交互、機器視覺和傳感器三個模態(tài)綜合起來，為強人工智能下的多模態(tài)交互提供可行的解決方案。充足的算力，超低的功耗、強大的可擴展性，將賦予智能機器更多的可能性。

隨著AI技術的發(fā)展，特別是人機對話、文本生成、情感智能技術的提升，我們開始逐漸進入到人機融合、多模態(tài)智能交互的產業(yè)時代，通過大規(guī)模多模態(tài)交互與對話技術，我們能夠對數(shù)字世界，比如銀行帳號、各種各樣的數(shù)字資產進行管理，甚至還能通過AI更好的在情感世界和物理世界進行溝通，希望隨著人工智能尤其是NLP和其他多模態(tài)智能的發(fā)展，我們可以做到真正的人機融合。

生成海報

免責聲明：本網(wǎng)站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。