多模态能力的融合正在改写AI发展路径。语音、视觉与自然语言处理的边界日益模糊，以Transformer为代表的通用解决方案，正在重塑传统技术领域。

在这个技术范式转变的关键时期，那些长期深耕细分领域的研究者又在思考什么？他们如何看待这种技术融合的趋势？

本期《智者访谈》邀请到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。作为推动全球智能语音处理产业化的关键人物，他见证了语音识别技术从实验室走向大规模应用的全过程。十多年前，他在微软研究院的实习生，如今已成为Google Gemini等标志性项目的负责人。

当整个行业都在追逐大模型和通用方法时，Povey博士却选择专注于不那么热门，但更有潜力的方向。「有这么多聪明人都在试图改进AI，那些容易被发现的方法早就已经被人发现了。」

在他看来，技术进步不应被某一主流范式所限制，AI领域的进步往往源于解决特定领域的具体问题，每个领域都应该保持自己独特的视角和方法——也许语音领域的下一个解决方案，会给机器学习带来全新的启发。

Transformer确实好，也确实可能是未来发展的方向，但如果所有人都只基于现有模型做改进，可能阻碍整个领域的根本性创新。在访谈中，Povey博士还分享了技术创新的方向选择、规模与效率的权衡，以及如何在紧跟前沿的同时保持独立思考。

对于年轻一代的研究者，他的建议直白而务实：你必须诚实面对自己真正想要的。学AI就能年薪百万的时代已经过去了，现在进入AI领域很难做出突破，除非你真的才华横溢；很多时候，你职业生涯的最终目标，要么很难实现，要么实现了也没有想象中那么美好。

希望这番坦诚的对话，能为我们在AI发展的万千可能性中，找到属于自己的方向。

【时间线】

01:35  Kaldi 之后的新探索

02:51  语音成了神经网络的子领域

04:37  多模态：Transformer 大一统？

07:54  大模型 vs 小模型

11:13  会议不再是交流研究的最佳方式

14:01  如何判断真正的技术进步？

18:10  Scaling Law 与数据极限

21:18  未来机遇展望

23:52  别把生活卷丢了

【栏目简介】

这是国内人工智能垂直媒体机器之心旗下的「智者访谈」播客栏目。栏目聚焦于人工智能领域的顶尖专家和学者，旨在洞悉人工智能的核心技术与行业趋势，深化行业认知，激发创新思考。

【主播】

闻菲，机器之心合伙人总监

【嘉宾】

Daniel Povey

• Kaldi之父

• 小米集团首席语音科学家

• lEEE Fellow

• 清华大学杰出访问教授、武汉大学客座教授

• Daniel Povey 博士毕业于英国剑桥大学，先后就职于 IBM 和微软。2012年加入美国约翰霍普金斯大学，任语言和语音处理中心副教授。2019年10月加入小米，担任集团语音首席科学家。2022年12月，Daniel Povey 凭借在语音识别和声学建模方面的杰出贡献入选IEEE Fellow。

【联系方式】

公众号：机器之心

收听渠道：Apple Podcast | 小宇宙 | 喜马拉雅

其他平台：bilibili（机器之心官方） | 视频号（机器之心）| 小红书（机器之心）

联系我们：[email protected] | [email protected]