小米语音首席科学家Daniel Povey深度解析：语音识别领域卷完后，Transformer与TTS（文字转语音）技术引领的AI创新及多模态融合将带来哪些新机遇？| 智者访谈

深入探讨AI的未来与多模态融合
近年来，AI技术的快速发展正在改变各行各业。语音、视觉和自然语言处理等多模态能力的融合，正逐步模糊各领域的边界。以Transformer为代表的通用解决方案，正在重塑传统技术领域。在这一变革的关键时期，深耕细分领域的研究者们如何看待这种趋势？本期《智者访谈》邀请了著名开源语音识别项目Kaldi的创始人、小米集团语音首席科学家Daniel Povey博士，分享他对AI领域的深刻见解。

Kaldi之后的新探索
Povey博士指出，语音技术虽然取得了显著进展，但已进入一个相对低谷期。他目前更关注文字转语音（TTS）技术，尤其是如何在手机上快速运行并保持完美音质。他认为，TTS的发展潜力巨大，未来可能会给机器学习带来全新的启发。

多模态发展：Transformer大一统？
Povey博士对当前流行的Transformer模型持谨慎态度。他认为，如果所有人都使用同一种模型，会导致大量重复研究，阻碍创新。尽管Transformer效果好且效率高，但他强调不同任务应使用不同的模型，以促进工具和方法的多样化发展。

大模型与小模型的权衡
关于大模型和小模型的选择，Povey博士认为规模和效果之间确实有关联，但超大规模实验的成本过高，且难以复现。他提倡中等规模模型，既能看出其扩展性，又方便做实验。此外，他批评了一些研究人员通过大规模数据训练来展示性能优势的做法，认为这对领域进步贡献不大。

研究风格与学术界新趋势
Povey博士反对过度依赖数学证明的研究风格，认为真正的进步在于解决特定领域的问题。他还提到，现在学术界出现了一些新的宣传方式，如社交媒体推广，对此他持保留态度。他认为，互联网时代的论文传播模式应该更加开放和透明，比如ICLR的公开评审机制就是一个很好的尝试。

未来机遇与职业建议
对于未来AI领域的前景，Povey博士看好机器人技术和软件兼容性的改进。他认为，这些领域还有很多未被开发的潜力。对于年轻一代的研究者，他的建议是诚实面对自己真正想要的，不要仅仅为了名利而选择职业道路。学AI不再是轻松致富的捷径，只有真正有才华的人才能在这个领域取得突破。

深度思考与人生哲理
Povey博士还分享了他对AI不可解释性和人类创造力的看法。他认为，AI的不可解释性并不是问题的关键，因为人类大脑的工作原理同样难以解释。同时，他强调人类直觉在技术创新中的重要性，认为机器往往提出过于复杂的解决方案，需要人类简化和解释。

本文来源：