1991年，微软创办人比尔.盖茨（Bill Gates）成立微软研究院的初衷，就是希望计算机有一天能会看、会讲话。
不过随着人工智能（AI）发展至今，有“感知”能力的计算机已经不稀奇，让计算机学会“认知”才是科学家现在努力的目标。而要让计算机从感知走到认知，微软首席语音科学家黄学东认为，最关键的一项指标就是是否能理解语言。
AI感知大跃进，视觉、语音、文本理解能力超越人类
近年，微软研发的AI技术，在语音转文本、图像识别、中英翻译、文本理解等四大领域，皆超越人类平均水准。而其中，有三项都出自黄学东所带领的语音及语言团队。
该团队让黄学东满是骄傲的最新一项技术突破，即是“AI语音合成”，通过深度神经网络语音合成技术，让计算功能模仿人类说话的语调、韵律和发音，取代以往硬梆梆的机械音；根据微软现场展示，让人类和计算机随机轮流说一段句子，一般人根本难以识别出差异，实际测试，五题中仅答对两题，显示计算机语音合成的拟真度相当高。
“1982年我在清华做研究生的时候，很难想象计算功能听懂人的话、和人的水平一样，”黄学东说，“从1982年到2017年，这愿望已经实现了。”
黄学东观察，深度学习让计算机的感知能力大幅进步，像是语音处理、图像识别、机器翻译等，近几年错误率皆大幅降低，但他认为，距离可以举一反三、有“认知”能力的AI，仍有不小距离。
AI从感知到认知，能否理解语言是关键
“语音和语言是人工智能进化的标杆，”黄学东指出，经过几万年演进，让人类不同于其他动物的关键，就是语言。
他举例，比感知，动物比人类还优异，像是狗的嗅觉、猫的视觉、猎豹的移动速度，都优于人类，但在语言部分，人类最突出。
“在人类进化中，语言起了最决定性的作用，”黄学东说，也因此他认为，“人工智能不解决语言问题，基本上是瞎忽悠。”
不过，让计算功能“理解内容”，得先让计算机学会推理关系、逻辑关系和知识获取等能力。“这都是我们的障碍，才刚刚起步，”他说，“这就是为什么我做了三十年还没解决的问题，还在做。”他的最终目标，是希望解决语言障碍，让计算功能理解人的语言，进而掌握、传承知识。
只不过到了那天，可以24小时吸收知识的计算机，是否都比人类聪明了？“那肯定是的。”黄学东毫不迟疑地说。不过他也乐观相信，人类的创造性最终能找到与机器共存的方法。