【51CTO.com原創(chuàng)稿件】近幾年，人工智能領(lǐng)域顯得異常的活躍。除了傳統(tǒng)的機構(gòu)學術(shù)圈外，Google、Microsoft、Facebook、蘋果以及國內(nèi)的百度、阿里等等優(yōu)秀的互聯(lián)網(wǎng)企業(yè)也紛紛成立了相關(guān)的研究團隊，并取得了很多令人矚目的成果。

Google的AlphaGo向全世界展示了強大的運算能力，Siri和Google Now中的語音識別能力，國內(nèi)百度的小度機器人在“***大腦”上展現(xiàn)的語音、圖像識別能力，這些優(yōu)秀的項目都極大的反應了人類在人工智能領(lǐng)域的飛速發(fā)展。但是，無論是語音還是圖像識別，很大程度上都依賴于云計算來滿足大量的運算和存儲，而移動、PC設(shè)備，都需要時時刻刻通過互聯(lián)網(wǎng)的連接，獲取計算資源來達到人工智能的目的。

不過近期，在Google發(fā)布的Android Wear 2.0中，除了允許手表脫離手機直接使用外，更加讓人震驚的是“智能回復”（Smart Reply）能力，官方技術(shù)團隊認為，這是基于離線AI實現(xiàn)的，無需接入網(wǎng)絡(luò)去尋求云計算幫助，就能夠?qū)崿F(xiàn)自我學習的目的。

[[183572]]

(圖片來自 engadget)

在此之前，包括作者在內(nèi)，都認為對于智能手表這樣的移動設(shè)備，在有限的計算能力和內(nèi)存容量上，如果不連接云端就能夠擁有自我學習，“智能回復”等能力，這幾乎是不可能的事情。直到Google的一支名為“Expander”的AI研發(fā)團隊做到了，并移植到Android Wear 2.0上且得到很好的效果！他們通過重新設(shè)計了一套更加輕量、全新的機器學習框架，不僅能驅(qū)動 Android Wear 2.0 上的 Smart Reply，還可以給更多其他離線移動應用帶來巨大的幫助。不過在此之前，他們也嘗試了很多比較流行的神經(jīng)網(wǎng)絡(luò)和圖形學習技術(shù)，但是建立的模型并不適合應用在移動平臺，限制回復的數(shù)量也打不到預期效果。通過這套輕量，簡單的系統(tǒng)，可以將預期回復相似的消息，比如“你最近好嗎？”“過得怎么樣？” 迅速歸類到一起，以此減輕Smart Reply給內(nèi)存帶來的壓力。

在此之間，作者聯(lián)系到了在Google 負責Android工作的梁宇凌老師，他介紹說，AI一般指的都是機器學習，主要分為訓練和預測兩個流程。訓練時需要海量數(shù)據(jù)和強大的計算能力，因此通常還是在云端進行訓練。訓練結(jié)束以后得到的模型，進行單次預測時不需要海量數(shù)據(jù)和計算能力，所謂的離線AI，往往是指把網(wǎng)上訓練好的模型存在移動設(shè)備上，進行預測。因此技術(shù)難點往往在于如何把模型的size縮小，以及減少預測時的計算量和加快預測速度。這方面有很多辦法，現(xiàn)在很熱的AI芯片加速就是其中一種辦法。

其實Android Wear 2.0的離線AI技術(shù)并沒有采用深度學習，而是通過一種叫semi-supervised graph learning（半監(jiān)督圖學習[1]）的技術(shù)，其中技術(shù)核心部分在于對設(shè)備上的信息內(nèi)容（例如聊天，短信等等）高效地映射到相應可能的自動回復。而在Smart Reply中采用了一套全新、且比較輕量化的機器學習架構(gòu)，他不僅僅能夠滿足智能回復功能，將來還會在很多離線的移動應用中帶來巨大的幫助。

接下來，作者整合了梁老師的建議以及Google官方技術(shù)團隊的博客，具體分析Android Wear 2.0離線AI技術(shù)的實踐思路。

Google wear 2.0 智能回復

學習與投射

建立輕量級會話模型的一個簡單的策略是，在設(shè)備上創(chuàng)建的內(nèi)容是常見的、且有規(guī)則的小字典（比如輸入→回復映射），并且在推理時使用一種較為樸素的查詢策略。這里牽涉到使用幾個特征的一小組類預測任務，（比如二元情感分類，“我愛這部電影”傳遞了一種積極的情感，而“演得很糟糕”這句話傳遞了消極的情感）。但是，它缺乏良好的擴展性，無法支持聊天消息中常見的豐富詞匯和眾多復雜的語言變化。另一方面，遞歸神經(jīng)網(wǎng)絡(luò)（比如LTSM）等機器學習模型是功能極其強大的工具，適用于自然語言理解任務中的復雜序列學習，包括“智能回復”。然而，壓縮這類豐富的模型用來適應很小的內(nèi)存設(shè)備，并通過降低計算成本獲得可靠的預測（迅速按照需要處理），那非常有挑戰(zhàn)性。Android Wear 2.0團隊早期嘗試通過限制模型、只預測一小批回復，或者使用量化（quantization）或字符級模型（character-level model）等技術(shù)，但是都未能獲得很好的結(jié)果。

***，通過為設(shè)備端機器學習系統(tǒng)構(gòu)建一套不同的解決方案。思路是，先使用一種快速、高效的機制，將相似的消息分成一組，并將它們投射到相似（“鄰近”）的位向量表示。雖然有幾個方法可以執(zhí)行這個投射步驟，比如使用單詞嵌入或者編碼器網(wǎng)絡(luò)，但***Android Wear 2.0采用了一種經(jīng)過改動的局部敏感哈希算法（LSH）， 將維度從數(shù)百萬個獨特的單詞簡化為短小的、固定長度的位序列。這樣能夠非常快地為消息即時計算投射，并且在設(shè)備上占用的內(nèi)存空間更小，因為不需要存儲消息、單詞嵌入或者甚至是用來訓練的整個模型。

投射步驟：相似的消息分到一組，被投射到鄰近向量。比如說，“hey, how's it going?”和“How's it going buddy?”這兩條信息有著相似的內(nèi)容，可能被投射到同一個11100011。另一個相關(guān)的信息“Howdy, everything going well?”被映射到只相差2位的鄰近向量11100110。

接下來，系統(tǒng)通過消息及其投射后，共同訓練成“消息投射模型”，該模型學會使用半監(jiān)督式圖形學習框架，預測可能合適的回復。圖形學習框架想要訓練成一個可靠的模型，其辦法是結(jié)合來自多個來源的語義關(guān)系（消息/回復交互、單詞/短語相似性、語義聚類信息），并且學習有用的投射操作，這些投射操作可以映射到出色的回復預測。

學習步驟：（上面）消息連同投射和相應回復一起用于機器學習框架，共同學習一個“消息投射模型”。（下面）消息投射模型學會將回復與相應的消息投射關(guān)聯(lián)起來。比如說，該模型將兩個不同的消息：“Howdy, everything going well?”和“How’s it going buddy?”（底部中間）投射到鄰近位向量，并學習將其映射到相關(guān)回復（底部右邊）。

上述值得一提的是，雖然可以使用復雜機器學習和云計算的能力，訓練消息投射模型，但是模型本身駐留在設(shè)備上，而且完全在設(shè)備上執(zhí)行并推理。設(shè)備上運行的應用程序可以傳遞用戶的消息，并從設(shè)備端模型接收回復預測，而數(shù)據(jù)不用離開設(shè)備。而且還可以改動該模型，以適應用戶的書寫風格和個人偏好，從而提升個性化的體驗。

推理步驟：該模型將學到的投射運用于消息（或消息序列），并建議相關(guān)的不同回復。推理工作在設(shè)備上執(zhí)行，讓模型得以適應用戶數(shù)據(jù)和個性化書寫風格。

為了讓設(shè)備端系統(tǒng)能夠開箱即用，Android Wear團隊也不得不進行幾個額外的改進，比如專門進行了優(yōu)化，以便加快設(shè)備端計算，以及從模型生成豐富多樣的回復。

離線AI從手表交流到應用

從一開始，Google Wear團隊開始踏上從零開始開發(fā)這項技術(shù)時，對于模型的預測是否有用和準確率其實心里沒底。但是完成整個項目后，他們驚奇的發(fā)現(xiàn)這項技術(shù)在即便在計算能力和存儲資源非常有限的Android可穿戴設(shè)備上效果能夠達到預期，這使得整個團隊都非常的興奮。接下來他們還會繼續(xù)改進模型，為用戶提供更出色的會話體驗，也會充分利用這個設(shè)備端機器學習平臺，帶來全新的應用，類似此前Google推出基于人工智能應用Allo 的APP，讓溝通更加簡單，工作效率更高。

因此，Android Wear團隊還提供了非常豐富的API接口，為第三方使用Wear的設(shè)備接入并使用Smart Reply能力，比如，如果想要對您的通知操作啟動Smart Reply，需要執(zhí)行以下操作：

• 使用NotificationCompat.MessagingStyle
• 對通知操作調(diào)用setAllowGeneratedReplies(true)
• 確保通知操作具有RemoteInput（相應駐留）

以下示例為如何使用智能回復響應創(chuàng)建MessagingStyle通知：

// Create an intent for the reply action 
Intent replyIntent = new Intent(this, ReplyActivity.class); 
PendingIntent replyPendingIntent = 
 PendingIntent.getActivity(this, 0, replyIntent, 
  PendingIntent.FLAG_UPDATE_CURRENT); 
 
// Create the reply action and add the remote input 
NotificationCompat.Action action = 
 new NotificationCompat.Action.Builder(R.drawable.ic_reply_icon, 
  getString(R.string.label), replyPendingIntent) 
 .addRemoteInput(remoteInput) 
 
// 1) allow generated replies 
.setAllowGeneratedReplies(true) 
 .build(); 
 
Notification noti = new NotificationCompat.Builder() 
 .setContentTitle(messages.length + " new messages with " + sender.toString()) 
 .setContentText(subject) 
 .setSmallIcon(R.drawable.new_message) 
 .setLargeIcon(aBitmap) 
 // 2) set the style to MessagingStyle 
 .setStyle(new NotificationCompat.MessagingStyle(resources.getString(R.string.reply_name)) 
 .addMessage(messages[0].getText(), messages[0].getTime(), messages[0].getSender()) 
 .addMessage(messages[1].getText(), messages[1].getTime(), messages[1].getSender())) 
 
 
// 3) add an action with RemoteInput 
.extend(new WearableExtender().addAction(action)).build(); 

如果想要接入更多的擴展能力，需要進入>>

***，梁老師還跟作者表示，Google現(xiàn)在有好幾個項目都有離線AI，例如Google翻譯。但針對不同應用場景，具體的實現(xiàn)技術(shù)有所不同，例如Google翻譯上的方法和Wear 2.0的Smart Reply用的就不是同一種技術(shù)。針對Smart Reply是否能夠開源的問題，梁老師沒有去評論，不過他建議大家可以關(guān)注一下剛剛發(fā)布的TensorFlow 1.0版本[2]，里面演示了在Android和ios上實現(xiàn)基于深度學習的圖像識別的能力，也有非常好的例子。

[1]:https://arxiv.org/pdf/1512.01752

[2]:https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/android

【51CTO原創(chuàng)稿件，合作站點轉(zhuǎn)載請注明原文作者和出處為51CTO.com】