的伤痛经历上谈到。2016年，搜狗在「第三届乌镇互联网大会」上公布了行业第一个商用AI同传产品——搜狗同传1.0。这是搜狗同传的第一代产品，同时也是搜狗转入同传这一领域的第一次商业尝试。
“1.0阶段我们获取的是标准化的同传能力，在实际应用于过程中遇上的仅次于的问题是：每一位讲者在演讲时的背景信息和语义信息不一样，有可能今天我们必须反对医疗会议，明天必须反对航空会议，我们很难提供这类专业会议的‘语义词’。”回看最初的搜狗同传1.0时，搜狗AI交互技术部总经理陈伟指出当时实际应用于中遇上仅次于的问题是无法提供各专业领域的“语义词”，这也影响了最初这一产品的辨识及翻译成的准确度。
如何提供这些专业的“语义词”，以此来训练专用的模型，改良标准化的1.0版本？这是搜狗同传研发团队当时在展开版本递归时主要考虑到的问题，也是最后搜狗同传2.0企图去解决问题的问题。这也就有了2018年公布的搜狗同传2.0的几点最重要能力的升级：通过行业深度自定义和专属模型训练（例如事前上载演讲稿或得出重点词汇展开训练），输入行业方案。“在递归到2.0版本后，我们一般不会投很多人针对演讲者要谈的内容做到优化，但是我们往往很难获得演讲稿，所以不能在网上去找与这个人涉及的背景科学知识，以前谈过的内容，基于此做到模型优化。”尽管2.0版本考虑到了专业化内容的优化，但是在明确应用于过程中，由于无法会前提供实际演讲者的演说内容，未能用这些专业内容展开自定义模型优化。
只不过在这样的升级递归过程中，搜狗同传的标准化能力从2016年的搜狗同传1.0到2018年搜狗同传2.0早已有了显著的提高，“但是就标准化能力和个性化能力上，在嘉宾演说的PPT内容的辨识和翻译成效果仍有较小提高空间，这是一定不存在的。”也因此，搜狗仍在之后优化个性化能力，也就是搜狗同传的自定义化能力，“我们期望让机器自己自定义一个好的语境。”这样的能力最后在搜狗同传3.0上以求构建。搜狗同传3.0：引进视觉能力、科学知识图谱，建构语境引擎12月21日，基于语境引擎的搜狗同传3.0以多模态和自律自学为核心，重新加入视觉和思维能力，这是AI同传在重新加入诸如视觉AI、科学知识图谱等能力后的再次演化。
据陈伟讲解，搜狗同传3.0相对于上一代产品主要有三方面能力的提高：第一，从感官层面来看，提供的信息从此前单模态信息到现在，引进视觉能力，以求提供多模态信息；第二，从理解层面来看，通过OCR辨识或视觉能力提供演讲者PPT内容，在语境引擎的协助下，萃取出有这些专业知识的核心，通过科学知识图谱的方式，对内容展开更进一步拓展，构成整个演讲者涉及语境信息，并与演说内容展开关联；第三，我们获得个性化信息后，展开动态语音辨识、机器翻译，并分解个性化、动态自定义引擎。在整个搜狗同传3.0系统工作过程中，尤其重新加入视觉能力，并引进了语境引擎，这也沦为解决问题前文提及的专用性、个性化同传市场需求的关键。“语境引擎需要确实做对PPT内容的解读和推理小说，”陈伟解读搜狗同传3.0的核心能力所在。明确搜狗同传3.0技术框图如下图右图：从搜狗同传3.0技术框图中可以看见，语境引擎主要由「PPT文本解读」和「搜狗科学知识图谱」两部分构成。
语境引擎整个工作过程明确可以解读为：在会议现场，通过OCR（例如播出PPT的笔记本），将演说嘉宾PPT全部内容被转换成文字信息，并早已文字信息提取与作者领域涉及的个性化内容和科学知识；基于这些科学知识，融合搜狗此前基于搜狗百科建构的科学知识图谱再行扩展一些科学知识，汇同语音辨识的内容为语料训练模型，构成搜狗同传3.0的辨识翻译成模型。这其中，搜狗还在同传系统中重新加入了辨识翻译成协同模块，对翻译成模型的输出文本展开优化，这一模块的起到在两次递归中也从最初、最基本的标点断句，渐渐升级为享有标点断句、文本顺滑、语义单元三大能力。在这个过程中，搜狗的机器翻译模块也从1.0系统的RNN模型、2.0系统的Transformer模型，升级为3.0多模态翻译成系统，3.0系统是在Transformer模型基础上，将搜狗百科知识图谱和翻译成历史融合到翻译成系统中，并构建了流式解码。
据搜狗官方发布信息来看，通过建构语境引擎升级后的搜狗同传3.0系统的测算数据如下图右图：这样现场辨识PPT内容，融合搜狗百度百科知识图谱，建构语境引擎，否对算力和硬件有特殊要求呢？陈伟说明称之为，现场做到PPT内容辨识的时候可以必要通过截屏（本机播出PPT）或笔记本电脑上的摄像头来已完成，语音训练用英伟达常规的P40或V100展开训练，训练推理小说方面没额外减少开销。AI同传尚难代替人类同传，多模态成趋势引进视觉能力、重新加入科学知识图谱后的搜狗同传3.0，需要几乎代替人类同记吗？据搜狗官方在发布会上发布的信息表明：在实际项目管理中，搜狗同传3.0的评测得分成3.82分，人工同传的评测得分成4.08分。似乎，就目前而言，AI同传还无法几乎代替人类同传。早已，陈伟也认为，机器的感官能力更加强劲，因为机器在持续自学（每天在搜狗输入法上的语音辨识总次数在8亿次以上）。
但是机器与人类仅次于的差距在翻译成上。就翻译成的“信、约、雅”来看，机器差不多可以构建“信”，在部分场景需要构建“约”，但是人可以做“雅”。就翻译成而言，AI同传面对着译为的问题，例如，谈一个笑话，能无法get到讲者的意思并把它翻译成出来，谈到一个谚语否需要解读，人与机器仅次于的差距还是在语言理解能力上。
所以搜狗仍然在做到语言AI，要把我们的焦点重返到语言这件事儿本身上来。重返到语言本身时，各类传感器更加多，设备需要搜集到的数据及数据种类更加多，亦即更加多的多模态数据渐渐可以取得，当有了多模态数据后，涉及模型和算法也渐渐开始受到业界所注目。“但是大家一开始还是把多模态这件事想要得过于非常简单了，多模态的构建过程不是非常简单把模态融合在一起，从我们这些年在上面的理解来看，是一个酋简单的过程。
”当提及搜狗在多模态语音方面的技术发展，陈伟回应：“我们是第一个在技术上主张多模态的公司，此次搜狗同传3.0也就是指语音跨到了多模态，在这种多模态下将我们对于科学知识的解读、对语音的解读放进去，我们的同传就也开始不具备一定的理解能力。”“我们公司的终极目标是南北做到VPA，即一个软件形态的AI助理，有可能以硬件为载体，也有可能放到搜狗输入法、搜狗的搜索引擎上。搜狗VPA的形态，是一个任务导向，中间不会看见以对话居多的形象。
同传这个场景下，我指出搜狗同传就是一种形态的VPA，是不具备了同传能力的VPA，它可以与人做到同传交互。”原创文章，予以许可禁令刊登。下文闻刊登须知。
本文来源：天博官网平台-www.ekurort.com
