1991年，微軟創辦人比爾．蓋茲（Bill Gates）成立微軟研究院的初衷，就是希望電腦有一天能會看、會講話。
不過隨著人工智慧（AI）發展至今，有「感知」能力的電腦已經不稀奇，讓電腦學會「認知」才是科學家現在努力的目標。而要讓電腦從感知走到認知，微軟首席語音科學家黃學東認為，最關鍵的一項指標就是是否能理解語言。
AI感知大躍進，視覺、語音、文本理解能力超越人類
近年，微軟研發的AI技術，在語音轉文字、圖像辨識、中英翻譯、文本理解等四大領域，皆超越人類平均水準。而其中，有三項都出自黃學東所帶領的語音及語言團隊。
該團隊讓黃學東滿是驕傲的最新一項技術突破，即是「AI語音合成」，透過深度神經網路語音合成技術，讓電腦能模仿人類說話的語調、韻律和發音，取代以往硬梆梆的機械音；根據微軟現場展示，讓人類和電腦隨機輪流說一段句子，一般人根本難以辨識出差異，實際測試，五題中僅答對兩題，顯示電腦語音合成的擬真度相當高。
「1982年我在清華做研究生的時候，很難想像計算機能聽懂人的話、和人的水平一樣，」黃學東說，「從1982年到2017年，這願望已經實現了。」
黃學東觀察，深度學習讓電腦的感知能力大幅進步，像是語音處理、圖像識別、機器翻譯等，近幾年錯誤率皆大幅降低，但他認為，距離可以舉一反三、有「認知」能力的AI，仍有不小距離。
AI從感知到認知，能否理解語言是關鍵
「語音和語言是人工智能進化的標桿，」黃學東指出，經過幾萬年演進，讓人類不同於其他動物的關鍵，就是語言。
他舉例，比感知，動物比人類還優異，像是狗的嗅覺、貓的視覺、獵豹的移動速度，都優於人類，但在語言部分，人類最突出。
「在人類進化中，語言起了最決定性的作用，」黃學東說，也因此他認為，「人工智能不解決語言問題，基本上是瞎忽悠。」
不過，讓電腦能「理解內容」，得先讓電腦學會推理關係、邏輯關係和知識獲取等能力。「這都是我們的障礙，才剛剛起步，」他說，「這就是為什麼我做了三十年還沒解決的問題，還在做。」他的最終目標，是希望解決語言障礙，讓電腦能理解人的語言，進而掌握、傳承知識。
只不過到了那天，可以24小時吸收知識的電腦，是否都比人類聰明了？「那肯定是的。」黃學東毫不遲疑地說。不過他也樂觀相信，人類的創造性最終能找到與機器共存的方法。
