在放弃造车后，AI无疑就成为了空间计算之外，苹果未来持续增长的另一个引擎。毫无意外的是，继Android阵营友商开始造势「AI手机」后，有传言称苹果即将在今年秋季登场的iPhone 16系列和iOS 18上，AI就会占据不小的比重。就在苹果方面3月22日刚刚发表的一篇论文中，就透露了他们的研究人员正在尝试利用人工智能消除智能语音助手Siri的唤醒词。
这篇出现在预印本网站Arxiv的论文中显示，苹果的研究人员使用捕获的语音以及来自背景噪音等总计超过129小时的声学数据，训练了一个大型语言模型，该模型部分基于OpenAI的GPT-2构建，因为它相对轻量级，可以在智能手机等设备上运行。并且相关研究人员声称，该模型能够比纯音频或纯文本模型做出更准确的预测，并且会随着模型规模的扩大而进一步改进。
借助AI让用户不需要使用特定的「Hey Siri」唤醒词，随时随地与Siri展开对话，尽管可能不如「AI手机」那样看似高大上，但也更符合苹果一贯审慎地在iPhone上增加新功能的策略。必须要承认的是，Siri等智能语音助理是手机完成AI化的最佳切入点，而AI手机的理想形态，当然是将AI技术与操作系统整合，将AI的能力播洒在手机系统的每一个角落，最终达到润物细无声的效果。
只可惜，目前的端侧大模型也仅仅只是做到了在手机上运行大模型而已，用AI赋能操作系统，并通过API来支撑不同场景、不同任务还是镜花水月。由于现阶段端侧大模型与用户下载大模型App获得的体验没有质的区别，这也是为什么现在有不少人认为「AI手机」是伪命题。所以借助智能语音助手将AI大模型的能力提供给用户，并成为AI触达用户的入口，也是当下许多手机厂商最简单、且有效的解决方案。
五六年前，手机圈曾有过一轮智能语音助手热潮，诸如小爱同学、Jovi、小布、小艺等，也都曾作为新品发布会上的主角。得益于此，用语音助手来实现AI的认知早已埋藏在消费者的脑海中，所以用户用语音来作为媒介与AI进行自然语言对话，或许就是最符合当下普通用户对于AI的想象。
那么问题就来了，苹果利用人工智能来消除Siri的唤醒词到底有什么意义呢？
为什么智能语音助手会过气，使用体验不佳无疑是核心。借助Siri等语音助手用声音来操控手机，其实是一件很有未来感的事情，此前各大厂商在发布会上展示的效果，就已经有了科幻片中展现的未来生活范式味道。可当大家实际使用的时候却发现，「Hey Siri，打开抖音」、「小爱同学，打电话给张三」等操作与人类之间的对话有着明显区别，甚至可以说唤醒词的存在将用户从科幻拉回了现实。
实际上，为什么语音助手一定需要一个唤醒词呢？从某种程度上来说，唤醒词也成为了各厂商的招牌，是品牌形象的一个组成部分，通过每次激活语音助手时所说出的唤醒词，用户关于品牌的记忆也会在这日复一日的重复中被强化。除此之外，让语音助手一直处于激活状态会增加手机的功耗，进而导致用户感知到续航下降。
为了节能，手机厂商想出了语音唤醒（keyword spotting），并通过低功耗协处理器来实时监听麦克风，一旦监听到类似「Hey Siri」、「小爱同学」等提前设置的唤醒词时，就会将语音助手从休眠状态激活到工作状态。就像人类用姓名来区分个体一样，「Hey Siri」、「小爱同学」其实就是语音助手的名字。
其实语音唤醒技术的原理并不复杂，即利用声纹识别技术实现定向人声分离，将人声从复杂的环境噪声中挑选出来，再搭配声纹识别编码器，来准确分辨用户提前录制好的唤醒词声纹特征。说出唤醒词，就和人类发起与他人谈话时会叫出名字是一回事，但是人类之间的对话属于「一次唤醒、多轮交互」，我们还可以用视线、手势等其他感官辅助，让他人知道有人在和我对话。
但一边思考一边说话，就会造成用户在使用语音助手时需要重复唤醒，而这就成为了语音助手的命门。但如果想要做到无感化，让用户无需说出「Hey Siri」这类唤醒词、而语音助手知道用户准备和自己对话，这背后的差别可就大了。就好比我们不用说出对方的名字、对方却知道我们要与TA说话，就需要在庞杂的对话中精准分析出哪句话是对TA说的。用成语来形容，就是苹果希望做到Siri与用户之间达到「心有灵犀」的状态。
让Siri能听懂用户说话时的语境，通过收集海量的用户语音信息，预训练出一个专精于「察言观色」的大模型，就是这次苹果研发人员的核心工作。经过海量语料训练出的多模态大模型具有共情能力、会「读空气」，这是经过了实践检验的。可是免唤醒词激活语音助手是有风险的，因为这就意味着iPhone会全天候保持录音状态，以响应用户的对话需要，这背后蕴含着巨大的隐私安全风险。
要知道，时刻保持录音状态就意味着iPhone变成了一个用户身边的监听设备，在经过了此前大批智能音箱未经用户允许主动监听的风波，苹果方面显然知晓其中的风险。Siri则是目前智能语音助手中可以不向厂商分享数据，甚至能够只在设备端运行，而其被许多用户吐槽「智障」的原因，就是因为它不能使用云端算力。
隐私无疑是苹果如今为旗下设备主动营造的一张王牌，所以不可能为了AI、而让用户有其主动监听自己的感受。这也是为什么苹果会选择GPT-2，而非Mate Llama 2、谷歌Gemimi，乃至自家MM1等参数更大大模型的原因。能够实现端侧部署的大模型，才是苹果做到免唤醒词激活Siri的前提条件。不过如今小尺寸模型真的能做到在复杂声学条件下，准确识别用户语境的能力吗？
