清境资讯网-清境最新热点新闻

除了在续航能力方面实现了续航更久、动力更强、充电更快的硬件之外，造车新势力们已经开始在科技方面的比拼。在日常的通勤过程中，在共享天伦之乐的过程中，几个小时的驾驶非常容易出现疲劳，NOMI的出现就是一个非常好的伙伴。

蔚来在Google 发布的机器学习开源框架TensorFlow的帮助下，开发出的NOMI这个小伙伴，它不是一个生冷的机器，而是有情绪、有生命的好伙伴。它“有礼貌、会倾听、会思考、知冷暖”，与您一路同行。

▲NOMI

在应用了基于 TensorFlow 构建的自然语言理解模型之后，NOMI 可以学习并理解用户发出的各种复杂指令：调节温度、开关车窗、导航定位、监控车况等。车主在驾驶过程中将无需自己动手，只需指挥 NOMI 便可帮助自己完成操作。

模糊语音精确识别

对于一些模糊的指令，NOMI可以智能分析识别用户的隐藏意图，当车主提出：“NOMI，阳光太刺眼了”，NOMI 便会自动打开遮阳帘，“NOMI，车快没电了”，NOMI 可以理解车主的充电需求，自动寻找周边的充电站。

▲NOMI

多任务则涉及到一句话中的一连串指令，比如“打开副驾驶座椅加热和按摩功能”。

▲NOMI

自主学习快速成长

NOMI就像是一个牙牙学语的孩子，需要人类对它进行教育。人类的语言非常复杂，即使是同一句话也可能会因为语境的不同而产生不同的意思，无法像计算机指令一样直接单一地表达需求。因此对于NOMI而言，“理解”的过程就需要把自然语言分解成各种小任务。比如“NOMI，把车窗打开”， NOMI 收到指令后便可自动判断并执行操作。

▲NOMI

多轮对话准确理解

多轮对话不仅涉及到多方面的知识抽取、推理和应用（如语言知识、情感信息、常识知识等），还涉及对包括自然语言理解在内的其他人工智能核心技术（如用户画像、对话管理等）的综合利用。

想要加入人类的聊天，NOMI首先需要理解的就是用户说了什么，怎么说的以及对话的逻辑流程。为了做到这一点，工程师需要对之前的多轮对话进行建模，把上文中有用的槽值继承下来，以便理解上下文意图。想做到这一点实在太不容易，目前较为成熟的商用语音助手都曾经在多轮对话上翻过车。

▲多轮对话

为了让NOMI“更聪明”，用更多的数据训练是一个提高预测性能的好方法。如果训练数据不足，会造成拟合不足；如果网络模型参数太少，只会得到低精度的模型……但更多的数据也意味着更沉重的计算负担，一次完整的训练动辄便会用去数天，甚至几周、几个月的时间。

因此，在过去很长一段时间里，智能语音助手都是少数几个大厂才做得起的“奢侈品”。然而 TensorFlow 的出现大大提高了语音助手的开发效率，让语音助手不再遥不可及。

站在“前辈们”的肩膀上

蔚来利用 TensorFlow 丰富的预训练模块开发 NOMI，其中包括而不限于双向循环神经网络（Bi-LSTM）、文本卷积特征（CNN）、注意力机制（Attention Mechanism）、自注意力机制（Self-Attention）、条件随机场（CRF）等。

同时，蔚来利用支持的多机多卡分布式训练的 TensorFlow 2.0 多机并行缩减训练时间，让 NOMI 站在“前辈们”的肩膀上，达到更高的表现水准。

▲NOMI的语义理解模型示意图

在 TensorFlow 的框架下，NOMI 的语义理解该系统对用户的指令（Query）进行建模，并能通过多层次的表示学习提取用户指令中隐藏的信息，其中包括域信息（Domain）、意图（Intent）、槽位（Slot）、句式信息（Ques_type）等抽象信息。除此之外，NOMI 还保留了上一轮对话的指令信息（Query），通过两轮更加丰富的信息输入，让 NOMI 具有了联系上下文的能力。

如今，NOMI 已经可以和车主进行非常复杂的多轮对话。以驾驶过程中的温度调节为例：

用户query：Hi Nomi，主驾温度调到20度

结果反馈：好的，主驾温度即将调到20度

用户query：再高点儿

结果反馈：好的，马上调整主驾到22度

用户query：还是关了吧

结果反馈：正在关闭前排空调

在这个例子中，NOMI 自动抽取了前一轮对话中的主语，即“主驾温度”，在车主追加“再高点儿”的指令时，自动理解到车主指的是上文中提到的主驾空调，从而自动进行调整。在第三轮任务中，NOMI 继续保留着从前两轮对话中继承到的主语，不需要用户多费口舌。

▲多轮对话

此外，NOMI 还有个性化的、基于知识图谱的智能问答功能。传统汽车附带的厚厚的一本用户手册，已经全部存在了 NOMI 的“大脑”里，随时可以通过语音调用 ，再也不需要费劲搜索。比如当用户提出：“Hi Nomi，教教我怎么充电”，NOMI 会自动反馈：“ES6有直流和交流两种充电插口：交流慢充口位于车辆主驾侧，直流快充口位于车辆副驾侧”。

NOMI是怎样被放进车里的？

善解人意的 NOMI 虽好，但距离实际应用还有最后一步：工程师需要把依赖强大算力的NOMI 塞进汽车里。然而车机端资源非常有限，无论是计算能力还是内存数量，都不能与 PC 相比，因此哪怕 NOMI 做得再好，也有可能出现“带不动”的情况。为了把大 NOMI 装进小汽车，必须要对模型进行结构裁剪、压缩和复杂的参数调节，这个工程的繁琐和复杂程度不亚于重新构建一个小的自然语言处理模型。好在 TensorFlow 早就为模型的部署留好了后路。

▲TensorFlow Lite

为了让 NOMI 在嵌入式环境运行，蔚来在训练阶段就使用了较低精度的 INT8 量化训练。训练后，可以方便地在TensorFlow平台上把模型转化为专为移动设备设计的轻量级的TersorFlow Lite，省去了冗杂的裁剪压缩过程。在实际运用过程中，NOMI 在云端和本地的两个大脑会并行进行计算。云端部署完整模型，计算能力较强，本地部署压缩模型，算力相对有限，在本地连接云端超时的情况下，计算会自动转入本地进行。在TensorFlow的帮助下，语音助手表现更智能、训练更高效、压缩更简单。未来当用户有需求时，可供选择的不再只是老熟人Alexa和Siri，更个性化、更专业的语音助手将会变得更多。

小结

蔚来NOMI不仅仅是物联网的结果，更是赋予科技生命的结果。NOMI像是一个好伙伴，让车主以及乘客在驾乘的过程中，更加的舒心、省心。NOMI这个好朋友，陪伴着车主，一路轻松随行。

图：官方、网络