雷鋒網消息， 8月28日， 智慧語音交互技術公司思必馳宣佈， 阿裡iDST總監初敏博士加入思必馳， 擔任思必馳VP、思必馳北京研發院院長， 拓展語音技術在物聯網外的新業務、新場景的落地。
初敏原來的團隊交給了阿裡 iDST 語音組總監鄢志傑管理， “他很能幹的”。
在接受雷鋒網專訪時， 初敏表示自己選擇加入思必馳的原因主要是， “對人工智慧特別是語音交互的未來的觀點”和後者很一致， 而且創業公司可以做到十分專注。
加入思必馳後， 初敏將領導建立思必馳北京研發院， 初期目標是在一年左右建立50人的團隊，
關於初敏博士初敏是中科院聲學所博士， 主要研究方向覆蓋語音辨識與合成、自然語言處理、機器學習和資料採擷、大資料處理和計算等， 在相關領域發表了近百篇學術論文並取得20多項國內外專利。
2000年， 初敏博士加入微軟， 在微軟亞洲研究院從事科學研究近10年， 創建並領導語音合成研究小組， 研製出了第一個中英文雙語語音合成系統“木蘭”；
2009年入職阿裡巴巴， 擔任阿裡iDST智慧語音交互方向負責人， 使Yun OS、支付寶、手機淘寶、釘釘等產品具備語音交互能力；
2017年加入思必馳， 擔任思必馳VP、思必馳北京研發院院長， 拓展語音技術在物聯網外的新業務、新場景的落地。
以下為採訪實錄， 雷鋒網作了不改變原意的刪減。
雷鋒網：為什麼離開阿裡加入思必馳？初敏：其實我跟老高（高始興）和俞凱很早以前就認識了， 但是沒有聊這方面的事。 在阿裡八年， 感覺也是時候迎接一些新的變化和挑戰，
未來的3到5年是一個AI技術實用化成型的過程， 是我們的一個共識。 跟俞凱也談了很多技術， 包括深度學習怎麼在自然語言中去更好的應用， 怎麼能讓機器更快地從人這裡學習。 我覺得蠻談得來的， 有很多共識做事會很方便， 這是一個很重要的原因。
阿裡的團隊是我建起來的， 團隊來說我們是一個相當好的團隊。 公司大有大量的好處， 比如資金更充足資源更豐富一些， 資料、計算能力這種技術環境會更好， 但是思必馳專注只做一件事情的公司， 這對我來講是有吸引力的。
其實也跟朋友聊是不是要創業，
但是加入一個思必馳這樣在創業過程的公司， 對我來說逃避了最開頭的那一段， 希望通過我的加入能幫助這家公司更快地成長。
雷鋒網：加入思必馳後， 對於將來的工作有什麼樣的規劃？初敏：因為其實就是這兩天的事情。 我們希望做的事情是， 原來思必馳基本上的團隊是在蘇州， 至少技術團隊是， 北京這邊幾乎沒有技術人員， 但是其實北京是人才最豐富的地方， 所以我會在北京建立一個北京的研發院。
這個研發院會做一些核心技術的研發， 也會做一些工程上的， 包括真正在應用場景中的一些落地。 不只是把原來的東西做得更精細，
我們這些做技術出身的人， 就是希望自己做的技術真的被很多人用， 這是最大的成功。 掙多少錢是附帶的， 因為這個過程中不掙錢的話做不到那一步， 只要能做到那步一定能掙到錢。 但是最大的是自我的成就感， 一定是來自於很多人用而且感覺很好。
雷鋒網：關於北京團隊的規劃您現在有比較詳細的一些想法嗎？初敏：在規劃之中， 主要思路是主要以研發人員為主， 核心技術以及工程落地的， 以後可能會有一些業務落地的。
希望在一年左右能招到50人左右， 兩年左右可能是一百人的規模。
細的東西還要更細緻地做工作以後才能把詳細計畫落實， 但是現在開始我們也開始在招聘，包括北京新的HR開始要招募了。因為原來都是蘇州整個管掉，現在也會在這配套。
雷鋒網：語音辨識公司現在是不是到了拼市場份額，合作案例經驗積累的時候了，研究上的進步只是錦上添花，不起決定作用？初敏：我們建立的團隊不是一個純研究的團隊。今天我覺得中國所有的團隊都不是一個像以前在微軟MSRA一樣的研究團隊，包括iDST也不是。
北京的團隊我稱之為研發，有研究的成員，但最終一定是開發成一個完整的東西，然後這個東西是可以用的。
你剛才說的這個，我有非常多的實踐經驗，特別是在過去這幾年碰到了很多用戶的實際問題，的確是這樣子的。但是也不能說技術就是錦上添花，而是說這兩個腿都不能短。一個是核心技術的研發，一個是所謂的工程導向或者是產品導向。總而言之，要把產品使用者體驗做到完備兩個都必須有。
我們在兩塊都會做，思必馳不是定位在產業鏈條的某一個環節，而是希望至少把語音交互這個完整場景做出來，包含了鏈條中的每個環節。
因為這個過程是相輔相成的，過程有好多環節，這些環節是個鏈條，只要有一個鏈條出問題，最後的用戶體驗就會很差。所以要把整個鏈條閉合，從核心技術到平臺到產品一直到使用者體驗。
鏈條上的基礎建設，好多都是核心技術，比如語音辨識本身深度學習的建模技術可以做到更好。
但是下一個問題是如果資料是在A場景採集的，拿到B場景不好了，模型換成B場景可能不太好了，那麼要多快，用什麼樣的資料規模，多長時間把它帶過去，這時候會有一個困難的轉移過程。可以從頭到尾訓，也可以做Transfer Learning，這個就是比核心技術了。
但是話又說回來，最終還是需要一個鏈條。最後希望達到的是，客戶給我上傳，比如說多少多少小時的一個標準資料，我很快就得到一個模型，那在他這個地方就好了。所以實際上是場景的適應能力，解決一些這樣的問題，最終才能大規模的把這個技術鋪開。
我在這邊也會去搭建這種基礎設施，核心實力我認為就是快。對於核心實力我一直認為，特別是在今天這種所謂的大資料時代，資料很多（理論上很多，但實際上分散在不同領域）。要把資料管理好，把不同場景的資料更好地用起來，包括在一個新的場景中用起來。這裡就有核心演算法的的提升空間了，也有很多工程上要把這件事情做順暢的方面。
還是剛才說的，這兩個腿都做起來，反覆運算效率快，那你將來去實施就很快，才真正具備商業化的能力，要不然都是A項目B項目C項目，做一個項目花的成本差不多，那就很辛苦。
我們要做到的是，做第一個項目，比如花費是1，第二個項目花費可能是0.5，第三個項目花費就是0.3了，以後可能每一個項目生成就是花個0.1、0.15的代價，甚至做到更低，這時候才能從一個到一百個或者到幾百個。
磨就是這個過程。每複製一次，成本都下降，實現規模化，最終產生經濟效益。
雷鋒網：對於場景落地這塊您有什麼規劃嗎？初敏：思必馳在一些現有的地方還是蠻強的，比如在汽車，特別是後裝，還有智慧家居包括音箱，其實好多家用的都是我們的解決方案。
我希望我進來不是在這些地方添點磚加點瓦，而是會試圖去探索一些新場景，現在有很多可能性，是什麼今天還沒有完全弄清楚。所以會從招聘開始，和底層一些技術建設，場景還是要慢慢看的，沒有那麼快，但是一定會去探索更多的，我相信是很多的。
雷鋒網：有沒有想法做一個消費品牌？初敏：目前還沒有，原因也比較清晰，就是實際上這個鏈條很長，如果我們什麼都做了，很有可能做不好。而且做了這個端實際上和別的端是競爭的關係，所以今天我覺得可能不會往實際產品做，但是也不排除自己去做一兩個demo，更好地展示技術。
雷鋒網：您怎麼看現在火爆的智慧音箱？初敏：我覺得蠻有爭議的，不是特別看好。首先，我覺得Echo是不是真的叫成功，就是看你怎麼定義成功，如果從品牌、影響的角度來看，是挺成功的，因為它利用了這整個潮流，出了影響，一堆人跟著做。
但是我也跟有些人聊過，實際上它的粘性並不見得好，大家因好玩新鮮，所以買了一個回家，但是有多少人在買回家三個月後還在天天用，很少。換句話說這個音箱是不是真的解決了問題，變成一個必需品，這個問題沒有看到。
美國市場和中國市場也不太一樣，美國市場大概只聽到這兩個（Echo和Google Home）。中國沒有這樣的領導產品，一堆公司在做。中國今天最大的問題還是沒解決核心問題，很多人只是買它來玩一下，知道它能幹啥，之後可能就沒興趣了，真的有什麼事總找音箱做的很少。
有幾個原因，一是他上頭能幹的事情真的太少了，一個東西必須讓我覺得能信賴他，至少一類事情我持續找它，它都能做，對這我才會養成習慣。所以我覺得這不光是語音技術的問題了，是背後他到底能幹什麼事。今天還大家還稱之為音箱，那就是聽音樂，那顯然這樣子的音箱聽音樂都不是最好的選擇，就是大幾百塊錢的音箱，也不是好到哪裡的。
Echo稍微好一點，接入了很多控制功能，美國人房子大，在樓上關下樓下的燈什麼的，這種需求可能還稍微強一點，在中國沒有這麼強，當然從某種角度講還是存在的。
所以我覺得最後的爭論不是技術問題，不是說語音辨識准不准（當然它也有問題），是說它能聽懂的話，我想幹的事情裡他能做多少，這是我覺得最關鍵的。
雷鋒網：這幾年智慧語音交互借著新的AI技術實現了快速的發展，不過前段時間也看到一些觀點，說深度學習正遇到瓶頸。所以想問，您認為語音辨識、NLP這塊，在接下來幾年技術上會有怎樣的發展，是否會遇到瓶頸？初敏：深度學習到今天雖然已經很火了，好像已經到處都是了，一般相關的學術會議可能至少一半或者更高的論文都和它相關。但是我今天的觀點是還沒有到飽和期，技術的替代是一個過程。就像語音辨識從深度學習獲得的第一步成功，是在原有的HMM框架後加了一塊，把原來的模型提升了。
所以這個（技術替代）過程中還是有很多嘗試可以做的。語音現在的這套統計的深度學習框架，不是一個完全的理論推導的技術，是有個基本的理論框架，最後它是否work，是靠實驗來做的。
包括它們的拓撲結構，建模單元的大小，因為起步都是依賴原來那套體系，所以後續能做的事情還有很多，比如變一變建模單元。會慢慢的把原來的那些東西換掉，然後去嘗試新的東西，像現在很多新的模型其實就是在改變單元，因為單元一大解碼速度就快很多。
另外一方面是場景適應，傳統我們叫它adaptation，或者你也可以叫它Transfer Learning，這塊也可以嘗試不同的方法。
還有，語音裡頭現在更多是聲學模型上用了深度學習，語言模型上有嘗試，但沒有特別的成功，因為語言模型計算複雜度高。但是今天雞肋並不證明這個方法不對，而是還沒有做出最好的方法，這一部分也有很多人在嘗試。所以我覺得至少還有個五年、十年的空間它才會飽和。
但是，也不排除在這個過程中會長出新的分支，比這個看起來還更優秀，那也是有可能的，特別是在自然語言上，我覺得空間更大。
我覺得自然語言處理還處於非常早期的階段。語音的識別很難，但是他是一個定義非常清晰的問題，進去這段錄音出來就是這個字，沒有二義性，所以是最適合學習。自然語言是問題沒定義清楚，你可以這樣定義問題，把它定一個分類問題，也可以把它變成一個序列轉換問題，而且一個任務是由好多小問題組成，還是作為一個整體。所以在自然語言裡還需要想怎麼更好地使用深度學習，包括可能需要引入強化學習的概念，那麼要怎麼引入？
比如強化學習裡一直擔心什麼是reward，怎麼定義成功失敗，有很多這些問題。這塊明顯的還能走更長，包括問題怎麼定義法，以前分的小問題是不是可以用一個問題就能解等，這些地方我覺得有很多可嘗試的空間。
但是現在開始我們也開始在招聘，包括北京新的HR開始要招募了。因為原來都是蘇州整個管掉，現在也會在這配套。雷鋒網：語音辨識公司現在是不是到了拼市場份額，合作案例經驗積累的時候了，研究上的進步只是錦上添花，不起決定作用？初敏：我們建立的團隊不是一個純研究的團隊。今天我覺得中國所有的團隊都不是一個像以前在微軟MSRA一樣的研究團隊，包括iDST也不是。
北京的團隊我稱之為研發，有研究的成員，但最終一定是開發成一個完整的東西，然後這個東西是可以用的。
你剛才說的這個，我有非常多的實踐經驗，特別是在過去這幾年碰到了很多用戶的實際問題，的確是這樣子的。但是也不能說技術就是錦上添花，而是說這兩個腿都不能短。一個是核心技術的研發，一個是所謂的工程導向或者是產品導向。總而言之，要把產品使用者體驗做到完備兩個都必須有。
我們在兩塊都會做，思必馳不是定位在產業鏈條的某一個環節，而是希望至少把語音交互這個完整場景做出來，包含了鏈條中的每個環節。
因為這個過程是相輔相成的，過程有好多環節，這些環節是個鏈條，只要有一個鏈條出問題，最後的用戶體驗就會很差。所以要把整個鏈條閉合，從核心技術到平臺到產品一直到使用者體驗。
鏈條上的基礎建設，好多都是核心技術，比如語音辨識本身深度學習的建模技術可以做到更好。
但是下一個問題是如果資料是在A場景採集的，拿到B場景不好了，模型換成B場景可能不太好了，那麼要多快，用什麼樣的資料規模，多長時間把它帶過去，這時候會有一個困難的轉移過程。可以從頭到尾訓，也可以做Transfer Learning，這個就是比核心技術了。
但是話又說回來，最終還是需要一個鏈條。最後希望達到的是，客戶給我上傳，比如說多少多少小時的一個標準資料，我很快就得到一個模型，那在他這個地方就好了。所以實際上是場景的適應能力，解決一些這樣的問題，最終才能大規模的把這個技術鋪開。
我在這邊也會去搭建這種基礎設施，核心實力我認為就是快。對於核心實力我一直認為，特別是在今天這種所謂的大資料時代，資料很多（理論上很多，但實際上分散在不同領域）。要把資料管理好，把不同場景的資料更好地用起來，包括在一個新的場景中用起來。這裡就有核心演算法的的提升空間了，也有很多工程上要把這件事情做順暢的方面。
還是剛才說的，這兩個腿都做起來，反覆運算效率快，那你將來去實施就很快，才真正具備商業化的能力，要不然都是A項目B項目C項目，做一個項目花的成本差不多，那就很辛苦。
我們要做到的是，做第一個項目，比如花費是1，第二個項目花費可能是0.5，第三個項目花費就是0.3了，以後可能每一個項目生成就是花個0.1、0.15的代價，甚至做到更低，這時候才能從一個到一百個或者到幾百個。
磨就是這個過程。每複製一次，成本都下降，實現規模化，最終產生經濟效益。
雷鋒網：對於場景落地這塊您有什麼規劃嗎？初敏：思必馳在一些現有的地方還是蠻強的，比如在汽車，特別是後裝，還有智慧家居包括音箱，其實好多家用的都是我們的解決方案。
我希望我進來不是在這些地方添點磚加點瓦，而是會試圖去探索一些新場景，現在有很多可能性，是什麼今天還沒有完全弄清楚。所以會從招聘開始，和底層一些技術建設，場景還是要慢慢看的，沒有那麼快，但是一定會去探索更多的，我相信是很多的。
雷鋒網：有沒有想法做一個消費品牌？初敏：目前還沒有，原因也比較清晰，就是實際上這個鏈條很長，如果我們什麼都做了，很有可能做不好。而且做了這個端實際上和別的端是競爭的關係，所以今天我覺得可能不會往實際產品做，但是也不排除自己去做一兩個demo，更好地展示技術。
雷鋒網：您怎麼看現在火爆的智慧音箱？初敏：我覺得蠻有爭議的，不是特別看好。首先，我覺得Echo是不是真的叫成功，就是看你怎麼定義成功，如果從品牌、影響的角度來看，是挺成功的，因為它利用了這整個潮流，出了影響，一堆人跟著做。
但是我也跟有些人聊過，實際上它的粘性並不見得好，大家因好玩新鮮，所以買了一個回家，但是有多少人在買回家三個月後還在天天用，很少。換句話說這個音箱是不是真的解決了問題，變成一個必需品，這個問題沒有看到。
美國市場和中國市場也不太一樣，美國市場大概只聽到這兩個（Echo和Google Home）。中國沒有這樣的領導產品，一堆公司在做。中國今天最大的問題還是沒解決核心問題，很多人只是買它來玩一下，知道它能幹啥，之後可能就沒興趣了，真的有什麼事總找音箱做的很少。
有幾個原因，一是他上頭能幹的事情真的太少了，一個東西必須讓我覺得能信賴他，至少一類事情我持續找它，它都能做，對這我才會養成習慣。所以我覺得這不光是語音技術的問題了，是背後他到底能幹什麼事。今天還大家還稱之為音箱，那就是聽音樂，那顯然這樣子的音箱聽音樂都不是最好的選擇，就是大幾百塊錢的音箱，也不是好到哪裡的。
Echo稍微好一點，接入了很多控制功能，美國人房子大，在樓上關下樓下的燈什麼的，這種需求可能還稍微強一點，在中國沒有這麼強，當然從某種角度講還是存在的。
所以我覺得最後的爭論不是技術問題，不是說語音辨識准不准（當然它也有問題），是說它能聽懂的話，我想幹的事情裡他能做多少，這是我覺得最關鍵的。
雷鋒網：這幾年智慧語音交互借著新的AI技術實現了快速的發展，不過前段時間也看到一些觀點，說深度學習正遇到瓶頸。所以想問，您認為語音辨識、NLP這塊，在接下來幾年技術上會有怎樣的發展，是否會遇到瓶頸？初敏：深度學習到今天雖然已經很火了，好像已經到處都是了，一般相關的學術會議可能至少一半或者更高的論文都和它相關。但是我今天的觀點是還沒有到飽和期，技術的替代是一個過程。就像語音辨識從深度學習獲得的第一步成功，是在原有的HMM框架後加了一塊，把原來的模型提升了。
所以這個（技術替代）過程中還是有很多嘗試可以做的。語音現在的這套統計的深度學習框架，不是一個完全的理論推導的技術，是有個基本的理論框架，最後它是否work，是靠實驗來做的。
包括它們的拓撲結構，建模單元的大小，因為起步都是依賴原來那套體系，所以後續能做的事情還有很多，比如變一變建模單元。會慢慢的把原來的那些東西換掉，然後去嘗試新的東西，像現在很多新的模型其實就是在改變單元，因為單元一大解碼速度就快很多。
另外一方面是場景適應，傳統我們叫它adaptation，或者你也可以叫它Transfer Learning，這塊也可以嘗試不同的方法。
還有，語音裡頭現在更多是聲學模型上用了深度學習，語言模型上有嘗試，但沒有特別的成功，因為語言模型計算複雜度高。但是今天雞肋並不證明這個方法不對，而是還沒有做出最好的方法，這一部分也有很多人在嘗試。所以我覺得至少還有個五年、十年的空間它才會飽和。
但是，也不排除在這個過程中會長出新的分支，比這個看起來還更優秀，那也是有可能的，特別是在自然語言上，我覺得空間更大。
我覺得自然語言處理還處於非常早期的階段。語音的識別很難，但是他是一個定義非常清晰的問題，進去這段錄音出來就是這個字，沒有二義性，所以是最適合學習。自然語言是問題沒定義清楚，你可以這樣定義問題，把它定一個分類問題，也可以把它變成一個序列轉換問題，而且一個任務是由好多小問題組成，還是作為一個整體。所以在自然語言裡還需要想怎麼更好地使用深度學習，包括可能需要引入強化學習的概念，那麼要怎麼引入？
比如強化學習裡一直擔心什麼是reward，怎麼定義成功失敗，有很多這些問題。這塊明顯的還能走更長，包括問題怎麼定義法，以前分的小問題是不是可以用一個問題就能解等，這些地方我覺得有很多可嘗試的空間。