就目前而言，汉语的语音识别率先取得突破性进展。虽然距离实际应用仍有距离（要求错误率在万分之十以下），但已经非常接近了。

对自动驾驶技术，人们关注的，通常是如何控制车辆、安全高效地行驶。与当我们在或者不在车上的时候，是通过什么方式与车辆互动呢？

用手机输入？借助聊天工具交流？答案是直接说话，让车载AI进行语音识别。

语音识别本来是深度学习的一个小门类。我们所处的时代，是英语霸权的时代。IBM、微软、苹果、谷歌纷纷自我标榜，语音识别（当然是英语）错误率都在6%-7%上下。相对10年前，应该是一个出色的数字。

不过，看各大公司推出的语音助手，比如siri、小冰和谷歌的新宠Google Assistant，就明白，这些智能助手难抵大用。它们面对大多数问题，不是张冠李戴，就是用些陈词滥调来搪塞，一副智商堪忧的样子。人工智能都战胜世界围棋前冠军了，语言智能方面为什么还这么烂？

语音识别的关键在于模型。抛开基于外部原因（发音不标准、环境嘈杂、缺少上下文联想），传统GMM-HMM语音模型愈来愈无潜力可挖。

至少眼下，任何自动驾驶系统，都不敢把语音识别放在关键位置（手势识别也有类似问题）。它们的作用，就是当个花瓶，操纵点无关紧要的玩意：比如打开音响、接个电话，就连发短信都不敢。因为一个关键词错误，可能导致客户晚上回去跪洗衣板。

语音识别允许乘客说出目的地，因为人类可以用眼睛核查车载AI是否理解正确。用语音实时操纵车辆本身是一个禁区。如果出现操作失误，车厂埋怨乘客口音不标准是毫无意义的。乘客不可能为了使用自动驾驶车辆，就去考个播音员证书。

这个时候，汉语作为单音节语言的优势就凸现出来。几家中国公司开发的软件，汉语的语音识别正确率已经接近100%，就算专业术语连篇，软件也能正确解读（不限于特定专业）。偶有错误，也可能在于乘客的发音不标准。

神奇的是，如果说话者口音标准，汉语识别软件不需要适应。反之，如果说话者口音不标准，AI需要短时间的训练，识别率仍然很快就能飙升到标准状态。对于自驾车辆来说，几分钟的适应性训练，简直易如反掌。

某公司鼓吹的深度学习能力，在其中起到关键作用。而端到端的注意力机制，是当前语音识别正确率飙高的主要因素。

中国公司在语音识别方面正处于历史性的领先地位。这表明，在深度学习和机器智能算法方面，中国的一些软件公司已经取得长足进步。这些能力，将在自动驾驶系统本身的设计方面，得到更加明显的体现。

在传感器和计算单元等硬件设计方面，世界是平的。只要愿意，任何企业都能获得全球最著名公司的供货（价格可能不同）。这时候，软件设计日益成为自动驾驶系统研发的核心资产。

这很有趣。车载AI与人类打交道的能力越强，其智商演化也就越快、学习能力越强，我们就越有把握控制车辆。我们惊奇地发现，人类的婴儿就是这样的学习曲线。虽然我们强调人工算法与人脑运作方式的差异，到头来，可能殊途同归。

就目前而言，汉语的语音识别率先取得突破性进展。虽然距离实际应用仍有距离（要求错误率在万分之十以下），但已经非常接近了。这样一来，新上市的自动驾驶系统说明书可能这样写：“支持客户用语音实时控制车辆行驶，如果您使用汉语，将得到系统更积极正确的响应。欢迎使用。”