當我們對著手機或智慧音箱說「Hi Siri」、「Alexa」、「OK Google」時竟然會有回應。應該有人每天都會問今天天氣如何吧？讓我們來了解一下，這些裝置是如何「理解」我們的語言？

和智慧型助理打招呼有意義嗎？

這些都稱作「喚醒詞」（Wake-Word），是能夠啟動系統的用詞，當系統偵測到喚醒詞就會開始作動。由於系統也必須先辨識哪些才是人類語言，所以還要搭載語音辨識功能，先將人的對話切換成語音訊號。

切換成語音訊號後，還要轉換成電腦可以辨識的（數位化）資料，並將裡頭「有意含的語詞」辨識為「有相關性的語詞」。

（延伸閱讀：19 世紀的醫院宛如大型的細菌溫床！直到這位醫生出現才改變了整個世界（上））

深度學習會運用在語音辨識及自然語言處理

語音辨識時，深度學習（Deep learning）就相當重要。先來說明一下什麼是深度學習。深度學習其實就是以數字在電腦裡重現人腦架構。這裡說的人腦架構指的是神經元（Neuron，構成腦的神經細胞）跟突觸（Synapse，與其他神經元的連結處）。

神經元要靠突觸互相連接，進一步去記憶或判斷。深度學習能夠魔法神經元和突觸的架構，形成層狀的人工神經網路（仿造人腦），並且不斷累加算出每個事物的相關信及重要信，幫助系統做判斷。

舉個例子，如果我說「ㄍㄠ ㄍㄨㄟˋ」。

人工智慧系統接收到「ㄍㄠ ㄍㄨㄟˋ」的發音後，會從幾個發音相近，容易混淆的項目中，挑選出我說的發音。

這時候還要運用深度學習。系統過去也曾聽過「ㄍㄠ ㄍㄨㄟˋ」，所以會挑選使用使用率較高的語詞。不過，「ㄍㄠˇ ㄍㄨㄟˇ」，所以會列入第二候選語詞。系統就是利用曾經出過的聲音，來逐一列出可能的選項。

接著，語音辨識系統會透過得到的資訊，進一步地分析人所使用的語詞或文章的含意，這就是自然語言處理（Natural Language Processing）。我說完「ㄍㄠ ㄍㄨㄟˋ」接著又說「ㄒㄧㄤ ㄑ一ˋ」，人工智慧系統以語音辨識出「ㄍㄠ ㄍㄨㄟˋ」後，也成功辨識出「ㄒㄧㄤ ㄑ一ˋ，同時意識到我在說的是「ㄍㄠ ㄍㄨㄟˋ ㄒㄧㄤ ㄑ一ˋ」，進一步從發音中擷取有意義的詞句王貞。

從「ㄍㄠ ㄍㄨㄟˋ」的發音，列出「高貴」、「搞鬼」、「搞怪」幾個有可能的語詞，接著再把「ㄒㄧㄤ ㄑ一ˋ」的可能語詞列出，並從中找出語詞本身有意義，過去曾使用過的用詞或短句。結果就會是「高貴香氣」。

（延伸閱讀：太空人的屍體在外太空會發生什麼狀況？讓美國殯葬業者告訴你）

累積越多「對話」經驗，系統會變得愈聰明

深度學習會把過去聽過的發音、語詞及文章去作累加整合，並參考我們常使用的語詞或發音，挑選用詞或理解文章，所以使用者過去跟人工智慧的對話內容就很重要。系統會透過不斷學習，逐漸理解人們所說的內容。

*本文摘自《生活科學大哉問》，楓葉社出版。

【作者簡介】

左卷健男

1949年出生於栃木縣，千葉大學教育學士、東京學藝大學研究所碩士（研究領域為物理化學、科學教育）。在國中與高中任教26年後，於京都工藝纖維大學入學中心擔任教授，2004年起轉任同志社女子大學教授，自2008年起任職法政大學教授，同時身兼國、高中理科教科書編輯委員。著有《趣味物理研究所》（楓葉社）、《有趣到睡不著的化學》、《有趣到睡不著的自然科學》（快樂文化）、《圖解看不見的鄰居，微生物》（十力文化）等多本編著書籍。