Wejście smoka

Każdy budynek ma swoją sławę, mówi Janet Baker, prowadząc mnie po trzypiętrowym budynku z cegły, który stoi na wzgórzu z widokiem na Boston. Kiedyś młyn, ten budynek został oczyszczony, wyremontowany i zamieniony na biura. Dziś jest to siedziba Dragon Systems, firmy Janet i jej męża Jima Bakera założonej w 1982 roku.

Co to za ten? Pytam.

Ta historia była częścią naszego wydania z września 1998 r.

• Zobacz resztę numeru
• Subskrybuj

Lina, na której wisiał John Wilkes Booth, została zrobiona tutaj, mówi z uśmiechem.

Kiedy znam przeszłość budynku przemysłowego, znaki są wszędzie. Podłogi na drugim i trzecim piętrze są lekko pochylone, aby robotnicy sto lat temu mogli zwijać masywne szpule liny. Na trzecim piętrze są drzwi, które otwierają się na pustą przestrzeń, gdzie blok i sprzęt opuszczają szpule do wagonów czekających poniżej. Krążki i rolki nadal zwisają z sufitów budynku.

Ale historycy spoglądający wstecz z XXI wieku rzadziej pamiętają ten stary młyn jako pętlę, która skręciła szyję zabójcy Abrahama Lincolna, niż jako miejsce, w którym Dragon Systems rozwiązał wielkie wyzwanie w informatyce: uzyskanie komputera osobistego do rozpoznawania naturalnych ludzka mowa.
Od zeszłego stulecia inżynierowie próbowali zbudować maszynę, która słuchałaby głosu mistrza; nawet Alexander Graham Bell próbował w tym swoich sił. I chociaż komputery zdolne do rozpoznawania pojedynczych wypowiadanych słów istnieją od dziesięcioleci, jesienią 1995 roku eksperci wciąż głosili, że komputery stacjonarne zdolne do transkrypcji ciągłej mowy – w szybki i czasami zagmatwany sposób, w jaki ludzie faktycznie mówią – nie będą dostępne aż do godz. przynajmniej rok 2000… i prawdopodobnie dużo później.

Dzisiaj możesz kupić NaturallySpeaking Dragon Systems w sklepach komputerowych za 99,95 USD i uruchomić go na nowym komputerze kosztującym mniej niż 2000 USD.

Więc co może zrobić ta technologia? Na początku tego roku siedziałem w sali konferencyjnej w siedzibie Dragona z grupą sceptycznych autorów technologii, podczas gdy Joel Gould, główny architekt Dragon Systems, demonstrował program, który pomagał stworzyć. Gould przeszedł na przód sali konferencyjnej, podłączył laptopa do projektora, założył lekki zestaw słuchawkowy i zaczął mówić.

– Najpierw zademonstruję wam, a potem wrócę i pokażę wam niektóre z rzeczy, które widzieliście, szybko mijają – powiedział Gould. Kilka sekund później na ekranie pojawiły się te same słowa, wpisane magicznie przez sam komputer. Gould postępował w tym konwersacyjnym stylu, z maszyną transkrybującą wszystko, co powiedział. Chociaż zdarzały się sporadyczne błędy, dokładność maszyny była niezwykła. Pewien reporter, mając nadzieję, że zepsuje program, zapytał, czy mógłby odróżnić słowa, które brzmią tak samo, ale są inaczej pisane. Gould uśmiechnął się i wydał z siebie głupka: Proszę napisać list do pani Wright. Powiedz jej, że dwa to za dużo do kupienia. System doskonale rozpoznał słowa.

Kierownictwo Dragona śmiało przewiduje, że za pięć lat komputer bez takiego oprogramowania do rozpoznawania głosu będzie wydawał się tak prymitywny, jak komputer bez myszy wydawałby się dzisiaj. Listy i e-maile będą dyktowane tak łatwo, jak rozmowa przez telefon. Tylko jeden krok dalej, tłumaczenie symultaniczne na komputery PC może obalić bariery językowe.

Pojawienie się funkcji rozpoznawania mowy kilka lat przed terminem jest w dużej mierze zasługą wytrwałości Jima i Janet Baker, pary, która w 1982 roku założyła firmę Dragon. . Jako przedsiębiorcy walczyli o komercjalizację technologii o lata przed czyimkolwiek harmonogramem. Teraz, gdy mowa jest na pulpicie, jasne jest, że nasza komputerowa przyszłość zostanie ukształtowana w dużej mierze przez Dragon Systems i zespół męża i żony, który ją zrodził.

Janet maciver i Jim Baker zakochali się, gdy oboje byli absolwentami Uniwersytetu Rockefellera w Nowym Jorku. Była jesień 1970 roku. Janet, przystojna i otwarta biofizyk, badała, w jaki sposób informacje są przetwarzane przez układ nerwowy. Jim był niezwykle nieśmiałym matematykiem szukającym obiecującego tematu pracy magisterskiej.

Trzeci uczestnik ich związku – zagadka rozpoznawania mowy – wszedł na scenę pewnego dnia, gdy Jim odwiedził laboratorium Janet i zobaczył ekran oscyloskopu, który wyświetlał poruszającą się falistą linię. Sygnał, jak wyjaśniła Janet, był ciągłym dziennikiem trwających wydarzeń, wytwarzanym przez rodzaj małego obwodu analogowego, pierwotnie wynalezionego przez profesora Jerome'a ​​Lettvina z MIT. Wydarzenia na jej ekranie były dźwiękami ludzkiej mowy.

Uderzyło mnie to jako bardzo interesujący problem z rozpoznawaniem wzorców, mówi Jim, myśląc o tym fatalnym zawijaniu. Skierowany do głośnika, sygnał wytworzy dźwięki, które dana osoba może zrozumieć: w skrócie język. Ale wyświetlane na ekranie informacje były nieprzeniknione.

A kiedy dowiedziałem się o tym więcej, dowiedziałem się, jak trudny jest to problem – wspomina. Kluczowym wyzwaniem nie było po prostu zbudowanie komputera, który mógłby identyfikować poszczególne słowa – zespół z Bell Labs zrobił to już w 1952 roku. Prosty komputer Bella potrafił rozpoznać cyfry od zera do dziewięciu, dopasowując wypowiadane dźwięki do zestawu wzorców zapisanych w pamięć analogowa. A w latach 70. takie dyskretne systemy rozpoznawania – które działały pod warunkiem, że system został najpierw nauczony głosu mówiącego i że mówiący robił pauzy między każdym słowem – zbudowały do ​​kilkuset słów.

Prawdziwym zadaniem było zaprojektowanie algorytmu, który mógłby nadać sens naturalnie wypowiadanym zdaniom – w którym poszczególne dźwięki słów są zakamuflowane przez ich kontekst (patrz diagram na s. 61). To [czyniło] to bardziej interesującym, mówi Jim. Już wtedy ciągłe rozpoznawanie mowy wydało mu się idealnym problemem badawczym, który określa jako bardzo trudny, ale nie niemożliwy.

Gdy Jim i Janet przygotowywali się do ślubu w 1971 roku, Agencja Zaawansowanych Projektów Badawczych Obrony USA (DARPA) rozpoczęła ambitny, pięcioletni projekt o nazwie Speech Understanding Research. Agencja uznała, że ​​każda technologia, która pozwala żołnierzom na szybszą komunikację z komputerami, może stanowić znaczącą przewagę strategiczną, zwłaszcza na polu bitwy. Cel projektu: system, który potrafiłby rozpoznawać ciągłą ludzką mowę ze słownictwa liczącego 1000 słów z 90-procentową dokładnością.

Czas inicjatywy DARPA był przypadkowy dla Bakers, podobnie jak zaplecze naukowe Jima. Jako student opracował matematyczną technikę analizy pozornie przypadkowych zdarzeń, opartą na metodach pionierskich przez rosyjskiego matematyka Andrieja Markowa (1856-1922). Jim był pierwszą osobą, która zdała sobie sprawę, że takie ukryte modele Markowa mogą być użyte do rozwikłania zagadki mowy.

Większość nowożeńców współpracuje, aby rozwiązać problemy, takie jak wybór wzoru na porcelanę ślubną. Bakerowie nie pominęli tych zadań (wybrali smoka), ale potem postanowili wspólnie zająć się problemem rozpoznawania mowy. Jednak w Rockefellerze, który nie miał ekspertów w rozumieniu mowy i możliwości komputera, by wypróbować techniki Jima, znajdowali się coraz bardziej odizolowani. Tak więc w następnym roku spakowali swoje torby i przenieśli się do Carnegie Mellon University, jednego z głównych wykonawców projektu DARPA i ośrodka badań nad sztuczną inteligencją (AI).

W Carnegie Mellon Bakers odkryli, że ich podejście do rozpoznawania mowy nie pasowało do głównego nurtu. W tamtym czasie wielu badaczy sztucznej inteligencji uważało, że maszyna może rozpoznawać wypowiedziane zdania tylko wtedy, gdy może najpierw zrozumieć dużą część kontekstu, w tym kim jest mówca, co mówca wie i co mówca może próbować powiedzieć, a także zasady gramatyki angielskiej. Innymi słowy, aby rozpoznać mowę, maszyna musiałaby być całkiem inteligentna.

Bakers wypróbowali zupełnie inną taktykę. Opierając się na doświadczeniu Jima z modelami Markowa, stworzyli program, który działał w sferze czysto statystycznej. Najpierw zaczęli obliczać prawdopodobieństwo, że dowolne dwa lub trzy słowa pojawią się jedno po drugim w języku angielskim. Następnie stworzyli słownik fonetyczny z dźwiękami tych grup słów. Kolejnym krokiem był algorytm rozszyfrowywania ciągu wypowiadanych słów, oparty nie tylko na dobrym dopasowaniu dźwięku, ale także na podstawie prawdopodobieństwa, że ​​ktoś wymówi je w tej kolejności. System nie miał znajomości gramatyki języka angielskiego, bazy wiedzy, systemu eksperckiego opartego na regułach, żadnej inteligencji. Tylko liczby.

To był bardzo heretycki i radykalny pomysł, mówi Janet. Wiele osób mówiło: To nie mowa ani język, to matematyka! To coś innego!

Chociaż myślenie Bakerów spotkało się z powszechnym sceptycyzmem, mówi Victor Zue, zastępca dyrektora Laboratorium Informatyki MIT i inny pionier badań nad mową, czas udowodnił, że [The Bakers] mieli rację w stosowaniu tego rodzaju podejścia. Rzeczywiście, system Bakers, który nazwali Smokiem na cześć stworzenia, które zdobiło ich zestaw porcelany, wkrótce zaczął konsekwentnie przewyższać konkurencyjne metody.

Kiedy Bakerowie otrzymali doktoraty od Carnegie Mellon w 1975 roku, ich pionierska praca wkrótce zapewniła im pracę w IBM Thomas J. Watson Research Center pod Nowym Jorkiem. W tym czasie IBM był jedną z niewielu organizacji pracujących w dużym słowniku, ciągłym rozpoznawaniu mowy. Nie poszliśmy do [IBM] i nie powiedzieliśmy: Musisz zatrudnić nas obu”, wspomina Jim. Po prostu tak się ułożyło. Był to jednak wzór, który miał się powtarzać. Dziś, kiedy Jim jest prezesem/dyrektorem generalnym, a Janet jest prezesem Dragon Systems, Bakers są dumni z posiadania niemal identycznych życiorysów.

W IBM Bakers opracowali program, który potrafił rozpoznawać mowę ciągłą ze słownika zawierającego 1000 słów. Jednak to było dalekie od czasu rzeczywistego. Działając na komputerze IBM 370, program potrzebował mniej więcej godziny na odszyfrowanie jednego wypowiedzianego zdania. Jednak tym, co bardziej frustrowało Bakerów niż czekanie na czas na komputerze mainframe, była odmowa IBM przetestowania rozpoznawania mowy w rzeczywistych warunkach.

IBM jest doskonałą instytucją badawczą i praca w niej sprawiała nam przyjemność – mówi Janet. Ale bardzo chcieliśmy wprowadzić rzeczy na rynek i zdobyć prawdziwych użytkowników. Z pewnością prawdziwi użytkownicy nie mogli czekać godzinę, aż komputer przepisze zdanie. Ale, zauważa, można było zrobić prostsze rzeczy, używając znacznie mniej zasobów [komputera]. Kierownictwo IBM poczuło się inaczej i powiedziało Bakerom, że są przedwczesni.
Był to okres rozkwitu straconych okazji w IBM (wliczając relacyjne bazy danych i mikroprocesory RISC do kluczowych wynalazków, których firma nie zdołała skomercjalizować), a w 1979 r. frustracja Bakerów przepełniła się. Para przeskoczyła do Verbex, bostońskiej filii Exxon Enterprises, która zbudowała system do zbierania danych przez telefon za pomocą wypowiadanych cyfr. Jim (jako nowo mianowany wiceprezes ds. zaawansowanego rozwoju) i Janet (jako wiceprezes ds. badań) postanowili, aby program obsługiwał ciągłe przemówienie.

Ale niecałe trzy lata później Exxon wycofał się z branży rozpoznawania mowy, a Bakerowie ponownie szukali pracy. Tym razem ich podobne do siebie życiorysy oznaczały kłopoty – dla żadnego z nich nie było pracy. Duet zdał sobie sprawę, że stoi przed wyborem: oderwać się od rozpoznawania mowy poprzez zmianę pola lub wyruszyć na własną rękę.

W 1982 roku, bez kapitału wysokiego ryzyka, bez biznesplanu, dwójki dzieci w wieku przedszkolnym i dużej hipoteki, Bakers założyli Dragon Systems. Prowadzili firmę ze swojego salonu i obliczyli, że ich oszczędności mogą wystarczyć na 18 miesięcy – może 24, jeśli będą jeść wystarczająco mało.

Trochę przysadziści, ale nie w złym stanie, dziś Bakers wyglądają bardziej jak szczęśliwie starzejący się naukowcy niż odnoszący sukcesy przedsiębiorcy. Ale przechodząc przez wystawną siedzibę Smoka, od razu widać, że są oboje. Dragon Systems rósł o prawie 50 procent każdego roku przez ostatnie 16 lat; obecnie zatrudnia ponad 260 osób. Ich sekretem, mówi Janet, była dekada samowystarczalności. Zamiast gromadzić dług lub sprzedawać udziały w firmie osobom postronnym, Bakers nalegali, aby pensje i wydatki były opłacane z przychodów. W rezultacie Dragon skupił się na rozwiązywaniu rzeczywistych problemów z obecną technologią i udało mu się to dostarczyć.

Lata po wykluciu Dragona przyniosły listę niestandardowych projektów, kontraktów badawczych i pierwszych w swoim rodzaju produktów opartych na coraz bardziej solidnym podejściu do dyskretnego rozpoznawania. Wśród punktów orientacyjnych była pierwsza umowa Dragona, w ramach której mała brytyjska firma Apricot Computers wykorzystała technologię Dragona do wprowadzenia na rynek pierwszego komputera osobistego, który umożliwiał ludziom otwieranie plików lub uruchamianie programów za pomocą prostych poleceń. (Niestety, morela dojrzała wcześniej i wkrótce zbankrutowała.) W 1986 r. pracownicy Xeroxa uzbrojeni w mikrofony i nadajniki radiowe wykorzystali technologię Dragon do przeprowadzenia audytu całego inwentarza firmy obejmującego 2,2 miliona części.

W 1990 roku firma Dragon wprowadziła DragonDictate 30K, pierwszy duży system słownikowy, system zamiany mowy na tekst do ogólnego dyktowania. Program umożliwiał użytkownikowi sterowanie komputerem za pomocą głosu i od razu znalazł uznanie wśród osób niepełnosprawnych, w tym aktora Christophera Reeve'a.

Ale dyskretna technologia Dragona nie mogła przebić się na ogólny rynek. Chociaż wiele osób mogło wprowadzać tekst za pomocą DragonDictate szybciej niż pisać, nikomu nie podobało się zmuszanie do robienia przerw między każdym wypowiadanym słowem. Co gorsza, konkurenci byli silni dzięki własnej technologii rozpoznawania mowy dyskretnej. Wszyscy wiedzieli, że to, czego naprawdę chcą użytkownicy, to ciągłe rozpoznawanie mowy i że pierwsza firma na rynku będzie gotowa do dominacji. Ale wszyscy wiedzieli też, że do ciągłego produktu potrzeba co najmniej pięciu lat, może nawet dekady.

Pod koniec 1993 roku Bakers zdali sobie sprawę, że konwencjonalna mądrość była błędna. Znając tempo poprawy szybkości komputera i pamięci, obliczyli, że najwyższej klasy komputery stacjonarne powinny mieć możliwość ciągłego rozpoznawania w ciągu kilku lat. Tak jak kiedyś para zaryzykowała swoją karierę na dziwacznym nowym podejściu do rozpoznawania mowy, w pierwszej połowie 1994 roku Bakers zaczęli przerabiać swoją firmę, próbując wykorzystać okazję i wprowadzić swoje pomysły na rynek.

Podczas gdy Jim utworzył nowy zespół programistów, aby zbudować pierwszy aparat rozpoznawania ciągłego mowy Dragon, Janet wynegocjowała umowę z kalifornijskim producentem dysków twardych Seagate Technologies na zakup 25 procent akcji Dragon. Firma wykorzystała tę gotówkę do obsadzenia swoich sił inżynieryjnych, marketingowych i sprzedażowych. W ciągu roku Dragon miał największy na świecie zespół zajmujący się badaniem mowy — ponad 50 naukowców i inżynierów oprogramowania.

Nowy ciągły produkt byłby tak naprawdę dwoma programami w jednym. Pierwszy, aparat rozpoznawania, zajmie się konwersją wypowiedzi mówionych na tekst w języku angielskim. Drugim programem był interfejs łączący aparat rozpoznawania zarówno z użytkownikiem, jak i resztą systemu operacyjnego komputera. Jeśli pierwsza połowa była czystą nauką (opierając się na wczesnej pracy Bakers), druga była frustrującą mieszanką inżynierii i sztuki, potrzebną do przekształcenia nauki w produkt rynkowy.

Najtrudniejszym z tych rzeczywistych problemów było sprawienie, by oprogramowanie działało dobrze w środowisku Windows. Windows jest okropny, ubolewa Dragon’s Gould, który podjął się krytycznego zadania zaprojektowania interfejsu użytkownika. Jest wadliwy, słabo udokumentowany, niespójny, a jego fragmenty [są] prawie bezużyteczne. A jednak tak działają wszyscy nasi klienci.

Do kwietnia 1997 roku zespół Dragona pokonał kluczowe przeszkody i zaczął sugerować analitykom branżowym, że nadchodzi coś wielkiego. Byliśmy sceptyczni, wspomina Peter Ffoulkes z firmy zajmującej się badaniem rynku Dataquest. Potem zobaczył demo, które zawierało 230 000 słów. Byliśmy zachwyceni możliwościami. Nie spodziewaliśmy się, że będzie tutaj dzisiaj i tak naprawdę jest, mówi Ffoulkes.

Bakers zaryzykowali swoją firmę i postawili słusznie. Nowy produkt o nieustannym uznawaniu, nazwany Dragon NaturallySpeaking, stał się natychmiastowym hitem. Biuro Janet Baker zaczęło zapełniać się prośbami od firm, które mają nadzieję na zintegrowanie technologii Dragona ze swoimi aplikacjami. Artykuły o NaturallySpeaking pojawiły się w publikacjach na całym świecie; Gould zademonstrował program w CNN. Tej jesieni firma NaturallySpeaking zdominowała branżowe targi COMDEX, zdobywając wszystkie najważniejsze nagrody produktowe.

Czas Smoka sam w centrum uwagi był jednak krótki. Kiedy firma po raz pierwszy wprowadziła na rynek NaturallySpeaking w czerwcu 1997 roku, IBM zareagował obcięciem ceny swojego modułu rozpoznawania mowy dyskretnej Voice Type do 49,95 USD. A ponieważ wiadomość o zbliżającym się wydaniu NaturallySpeaking wyciekła kilka miesięcy wcześniej, IBM podjął już próbę przeniesienia własnego programu do ciągłego rozpoznawania mowy (opracowanego w tym samym laboratorium, w którym Bakers pracowali w latach 70.) tak szybko, jak to możliwe. jak to możliwe. Produkt, IBM ViaVoice, trafił na półki sklepowe, którego cena w sierpniu wyniosła zaledwie 99 USD.

IBM naprawdę wszystko powalił, mówi John Oberteuffer, prezes Voice Information Associates, która bada rynek rozpoznawania mowy. Użyłem obu i jeśli chodzi o czystą dokładność rozpoznawania, powiedziałbym, że są porównywalne, mówi. Dragon został zmuszony do cofnięcia się i obniżenia ceny z ogromnej opłaty początkowej z 700 USD do 299 USD, a następnie do 199 USD. Do końca roku Dragon sprzedał 29 463 egzemplarze NaturallySpeaking, podczas gdy IBM sprzedał 46 182 egzemplarze ViaVoice, według PC Data. Ale w ogólnych przychodach z produktu Dragon przebił Big Blue.

ukryć