语音识别领域的情况与图像分类接近， Hub5′00 Switchboard 数据集<sup>○一</sup>是一个以电话语音为素材的英文听写测试。2017 年，人工智能开始做到在该数据集上的听写错误率低于人类的平均水平，大约是 5.9%。2020 年以后，实验室中的语音识别技术纷纷落地，现代语音识别系统（如 Google Assistant、AmazonAlexa）在特定的环境和任务下表现得非常出色，识别精度在很多情况下超过了人类。譬如在噪声较小的环境中，这些系统能够以极高的准确率将语音转化为文本；又譬如在识别特定的声音事件（如枪声、玻璃破碎声）或特定的动物声音的任务中，机器可以比人类更快速且准确地检测和分类声音。不过，一旦涉及上下文的引申、隐喻、讽刺、情感、语气等高阶的复杂语言现象，机器的表现仍然不及人类。与图像分类识别类似，人类在对高层次的语言现象识别方面仍有较大优势。
可以说语音识别成为继图像分类之后，人工智能另一个在单项细分项目上超越人类的自然信息识别技能。无论是图像分类还是语音识别，笔者始终强调计算机对人类是“单个细分项目”上的超越，尽管计算机在这些细分项目上已经取得了很了不起的成就，但仍然只是认知自然界信息的一个小子集，即使计算机在这方面的某些单项分数上超过人类平均水平，要由此得出计算机在信息识别的精度上已经超过人类，仍有偷换概念的嫌疑。相较于人类，计算机最大的优势是“识别效率”与“进化时间”两方面。一方面，虽然机器还不能理解很多信息背后的深刻含义，但它能够在短时间内识别完人类个体穷其一生都看不完的图片、视频和书籍，这是人类无法比拟的效率优势。另一方面，人类是凭借着数以亿万年生物进化所积累的认知能力与机器比赛。从几十年、百年甚至千年的维度来看，可以认为人类群体的生物学平均智力水平是不会变化的，现代人类并不比万年前的尼安德特人更加聪明，但机器的能力却在以越来越快的速度向前飞奔，进化速度是机器独有的另一大优势，时间必然站在机器一边。
360
第四部分 人机共生
○一 https://paperswithcode.com/sota/speech-recognition-on-hub500-switchboard。