下一代语音界面：从亚马逊 Echo 看未来的人机交互
【新智元导读】作为Web 2.0概念的提出者之一，著名科技媒体O'Reilly出版社的 CEO Tim O'Reilly 在本文中谈了他对下一代用户界面的思考：亚马逊的Alexa证明，语音交互也能做得很好；但是，对话界面并不能解决所有的AI问题；未来人机交互将会是人与智能代理的交互，应用人性化的设计，将对话分解成更小的域，在这些域内，认真思考如何使用"fit and finish"原则 ，能够让界面直观、交互完整。
（文／Tim O'Reilly）每过一段时间就会出现一种产品，改变人们对用户界面可能性的期待。Mac、万维网和iPhone就是这样。Alexa属于改变游戏规则的精英。Siri尽管引起了新潮流，但是自己却没能克服困难。Google Now和Cortana也没能做到，尽管它们有许多令人惊奇的能力以及不错的使用率。（Mary Meeker报告说，现在移动端的谷歌搜索中有20％是通过语音完成的，而Google Now卡片是每一位安卓用户体验的重要组成部分。）但是，Alexa已经做到很多其他产品没能做到的事情，在我看来，它是对话时代的第一个成功的产品。
让我用与Alexa的一次对话向你解释我为什么会这么说。
我在厨房做饭，双手不得空。“Alexa，播放Hamilton。”“播放Hamilton的原版录音……”“Alexa，声音大一点。”“Alexa，定时播放30分钟”。[当Alexa在回复时，音乐音量减小，但仍听得见。]“定时播放30分钟。” [音量又增大了]......“Alexa，这是什么歌？” [在Alexa回复时音量再次减小，然后又恢复到先前的音量。]“Guns and Ships，演唱者是Leslie Odom, Jr.、 Daveed Diggs、Christopher Jackson，出自Hamilton的百老汇版”……[手机响了。]“ Alexa，暂停播放。” [我赶紧洗手，多希望Alexa是我的手机界面啊！][挂掉电话后。]“Alexa，恢复播放。”“Alexa，还剩多少时间？”“大约还有9分钟50秒。”
这次对话可以表明：
- Alexa一直在听，所以完全不用手去操作的。一旦你习惯了对空气说话就能唤醒设备让其回应你，你就会觉得用手指操作屏幕就跟手机没有触摸屏一样奇怪。
- Alexa能沉着处理某些情况。我可以“堆叠”多个交互，并且让它较为准确地猜测各个交互分别属于哪一个情境。它知道，“暂停”指的是音乐，而“还剩多少时间？”指的是定时播放。
- 我并不需要知道许多可能的交互。我只是猜测这些交互可行，尝试它们，发现它们的确可以做到。例如，当我打电话给一个朋友时，我发现我可以问Alexa现在正在放什么。然后它正确回复我了，除了它自己也不知道正在播放的音乐是什么的时候。
- 播放的声音减小，让Alexa在新的交互时回复的声音盖过播放的声音，这一细微的设计体现了“fit and finish”的原则，有助于新的UI范式的发展。
现在，我再来对比与手机上的Google对话交互的情况。
首先，默认情况下，谷歌在大多数手机上都不是实时在听的。你必须点击麦克风图标，把它切换到音频输入。这不仅是一个电源问题——与亚马逊的Echo不同，手机需要考虑电池寿命——还有隐私问题。我曾经与Alphabet的一名高管交谈，我说亚马逊的Echo相当于是从谷歌盗走了一个火种。他回答说，“你能想象如果是谷歌一直监听你的生活，会有多大的影响吗？”他说的有一定的道理。但未来就是这样。有人突破障碍，做到不可思议的事情，然后这件事就会被每个人所接受。我认为，我们现在就处于这样的时候，一直监听的设备已经出现。
至少在我的Nexus 6P，谷歌已经给了始终启用监听模式的选择。苹果在iPhone 6中也让Siri有了这样的功能。但是，在默认设置下监听功能不是开启的，我怀疑它最终会开启。
那么我们先假装我能语音唤醒谷歌，然后再与我的Nexus 6P进行同样的交互。
“好吧，谷歌，播放Hamilton。”“Hamilton是一部关于美国国Alexander Hamilton的音乐剧，音乐、歌词和书的作者是Lin-Manuel Miranda。”[失败。即使是有“播放”这样明显的指令，回复的却是谷歌搜索的结果，没有回复“不在你的音乐库中”。于是，我再试一次。]“好吧，谷歌，播放Bob Dylan。” [打开了Google Play，开始从我音乐库里播放Bob Dylan。] “好了，谷歌，暂停”。好吧，从现在开始，我还是宁愿用触摸屏与它进行交互。
但是，让我在音乐播放时再试试其他可能的操作。“好吧，谷歌，正在播放的歌曲是什么？” “Obviously 5 Believers。”回答正确。但是，一旦谷歌回答了我关于歌曲问题，Google Play就不在前台了。其他的一些应用程序或者模式回答了我的问题。所以，我甚至不能点一下屏幕来暂停或者跳过正在播放的音乐。我必须先回到Google Play的界面。可即使我这样做了，我也无法暂停或停止播放，我的屏幕弹出“Try Unlimited”窗口。我点击“No，Thanks”，然后我才可以看到并按下暂停键。
这真是糟糕的交互设计，把平台提供商的目标置于我之上。但是，即使是没有中间的屏幕，你也可以看到，切换模式（对话代理将控制权交给一个老派的智能手机app）把不必要的复杂性添加进了界面。对话代理需要保持在前台，拦截请求，并将它们转交给相应的app（如果需要的话，将它们翻译成app的语言，这样用户就不必切换模式）。
让我们回到与谷歌的交互中去。音乐正在播放。我可以定时播放吗？“好吧，谷歌，定时播放10分钟。” [音乐完全停止，而时钟应用打开，给我调出了倒数计时器]音乐继续播放，但现在的时钟应用在前台。而当我问：“好吧，谷歌，还剩多少时间？”这个问题既没有转交给Google Play，也没有给时钟。相反，谷歌读给我听有关地球有还能存在多久的计算结果。
我要明确指出：谷歌的基本能力是远远超过Alexa的。我可以问谷歌Alexa不可能会回答的问题。“好吧，谷歌，从我这里去Palo Alto有多远？”“交通很拥挤，所以需要1小时10分钟。”而且，由于其庞大的存储数据量以及我手机上的实时传感器，加上其在AI有最先进的技术，我认为谷歌能够做到很多事情，而这些对于Alexa是不可能的。但正因如此，谷歌应该研究Alexa的对话UI并且赶超它。
人性化的设计，让技术显得更智能
谷歌的语音界面和app之间的的用户交互流程简直是灾难。每一个应用程序都希望拥有控制权，因为语音代理从来没有被授权作为用户体验的指挥者。我被迫在语音和触屏模式之间进行不必要的切换。而当语音代理不知道该怎么办时，它就会经常执行不相关的操作。 （Alexa偶尔也会这么做，但是频率低得多。我宁愿谷歌回复说：“我不知道怎样回答你刚才提的问题。”）
除了创建一个连贯的纯语音交互，Alexa的发明者巧妙地将可能性空间划分为多个域，每个域都有一系列可理解的相关任务和问题，这些都在语音代理的能力范围之内。不同于以“你可以问我任何问题”开始却常常以失败结束的语音代理（Siri），或是试图猜测我可能想要什么却显示出我不需要的信息的代理（Google Now），亚马逊在信息架构上做得很好。让我们深入思考音乐，以及关键交互的设计。那天气呢？厨房定时器？我们可以做些什么来使设备更有趣？（“Alexa，给我讲个笑话。”）Alexa体现出了人性化设计，这使得它表现得比实际上更加智能。
我们将越来越多地设计智能代理界面，而Alexa的发明者为这个时代带来了重要见解。请记住，你的代理基本上是愚蠢的，是人类把它放在已知的情境下，使其有限的能力能足够应对，然后用户可以轻松了解它的功能。
人机交互每隔一段时间就有重大的飞跃。下一代的语音界面就是那些飞跃之一。人类将会与那些能够听懂我们说话、还能回复的设备进行交互（这些设备也将能够看到我们，并根据它们识别的人个性化自己的行为）。它们将能更好地处理各种各样的表达意图，而不是将我们限制在触摸、点击或滑动等定义单一的操作之内。
最近总有人说，对话界面的炒作有些过头了。基于文本消息的机器人平台的创始人Ted Livingston说，“Bot没有对话功能会更好。”
我不同意这种观点。我使用亚马逊Echo Alexa的体验，让我相信相反的观点。当然，Alexa不是chatbot，而是嵌入有特定用途的设备中的一种强大的基于语音的服务。它证明只要设计正确，对话界面是确实可行的。
这让我想问：Alexa将会做什么？
未来的人机交互将是人与智能代理的交互
Alexa让我们体验了一把未来，就像谷歌在世纪之交时所做的那样。当时，我们仍处于大数据时代和云时代的早期，谷歌被看作是一个局外人，专门生产令人惊奇却又游离在行业主流之外的产品。几年过后，谷歌成为主流，改写了游戏规则。
我十年前在所谓Web 2.0方面所做的工作，可以看做是我从谷歌（以及Web应用程序、平台和服务的其他先驱）那里获得的思考。最终，这些经验被视为每一家公司的必修课，一家公司要么改变自己，要么走向灭亡。在当时，Jeff Jarvis写了一本书，叫《What Would Google Do?》（谷歌将带来什么？）书的封面是这样介绍的：“一本在当今互联网驱动的市场上生存和成功不可缺少的手册。”也就是说，如果你不知道谷歌如何成功，那你就完了！而现在，我觉得Alexa也是这样。
如果你正在做家庭消费电子产品——电视机、音乐系统、恒温器、安全系统、WiFi路由器、洗碗机或洗衣机，你应该问自己：Alexa将会做什么？如果你是一名汽车行业的高管，打算把一个大触摸屏安装在即将完成的模型上，而不是专注于语音控制，那你应该问自己：Alexa将会做什么？如果你是一家软件公司，你应该考虑与软件交互的设备在未来将会是对话式的，然后问自己“Alexa将会做什么？”如果你是一家餐厅或者咖啡馆，并且有自己的app让人们提前订购并付款，你应该问“Alexa将会做什么？”
幸运的是，亚马逊不仅为Alexa的用户还为Alexa的开发者提供了一系列工具。App开发人员可以使用Alexa的技能工具箱（Skills Kit）添加“技能”，比如，一旦你添加了Lyft技能，你就可以说：“Alexa，让Lyft给我叫一辆车。”使用Alexa的语音服务，开发人员可以将语音命令添加到自己的应用程序。（谷歌和微软也有语音API。）
不幸的是，亚马逊没有设计API。所以你必须认真研究亚马逊设计Alexa界面的方式，在设计自己的语音应用时，不断地问自己： Alexa将会做什么？保留过多触摸屏时代的思维的设计者，他们没有很好地理解语音界面，很可能建造出糟糕的混合式用户界面，就像我之前使用的谷歌语音助理一样，打消了我想用语音界面使用我安卓手机的念头。
我最近与Facebook的一名高级技术负责人讨论过Alexa将会做什么？我当时指出，Facebook用AI来管理我的动态消息，通过观察我的行为能猜测我最想看到什么样的故事。但是，我并不总是想看同样的事情，我顶多是会想要听一个歌手的其他歌曲，毕竟他的曲目有限。有时候我会想听服务给我选择的音乐，但是我通常有自己的选择。所以，Facebook也是一样，不要试图从我朋友发布的所有消息中决定我想看什么，而是要给我选择表达我自己的意图。
Facebook如果有和Alexa同样的界面，我会说：“Facebook，显示我朋友的更新”，然后AI就会工作，不是去推测我的喜好，而是将个人更新和新故事的链接分开。下一次，我可能会说：“Facebook，显示我朋友发的与政治相关的链接，”或是“Facebook，给我看搞笑视频。”这样的AI是基于我的选择提供服务，而不是试图取代我的选择。
现在，如果我想让Facebook做到以上任何事情，我只能再花一段日子来训练算法，避免点赞或是点击我不想看到的链接类型，而只选择我想要的类型。我还不能随意切换！
Alexa让我们知道，不要试图用对话界面解决所有的AI问题，我们要做的是应用人性化设计智能，将对话分解成更小的域从而可以产生令人满意的结果。而这些域内，花费大量时间思考如何"fit and finish"原则 ，要让界面直观、交互完整。
来源：https://www.linkedin.com/pulse/what-would-alexa-do-tim-o-reilly