除了在續航能力方面實現了續航更久、動力更強、充電更快的硬件之外，造車新勢力們已經開始在科技方面的比拼。在日常的通勤過程中，在共享天倫之樂的過程中，幾個小時的駕駛非常容易出現疲勞，NOMI的出現就是一個非常好的伙伴。
蔚來在Google 發布的機器學習開源框架TensorFlow的幫助下，開發出的NOMI這個小伙伴，它不是一個生冷的機器，而是有情緒、有生命的好伙伴。它"有禮貌、會傾聽、會思考、知冷暖"，與您一路同行。
▲NOMI
在應用了基于 TensorFlow 構建的自然語言理解模型之后，NOMI 可以學習并理解用戶發出的各種復雜指令：調節溫度、開關車窗、導航定位、監控車況等。車主在駕駛過程中將無需自己動手，只需指揮 NOMI 便可幫助自己完成操作。
模糊語音精確識別
對于一些模糊的指令，NOMI可以智能分析識別用戶的隱藏意圖，當車主提出："NOMI，陽光太刺眼了"，NOMI 便會自動打開遮陽簾，"NOMI，車快沒電了"，NOMI 可以理解車主的充電需求，自動尋找周邊的充電站。
▲NOMI
多任務則涉及到一句話中的一連串指令，比如"打開副駕駛座椅加熱和按摩功能"。
▲NOMI
自主學習快速成長
NOMI就像是一個牙牙學語的孩子，需要人類對它進行教育。人類的語言非常復雜，即使是同一句話也可能會因為語境的不同而產生不同的意思，無法像計算機指令一樣直接單一地表達需求。因此對于NOMI而言，"理解"的過程就需要把自然語言分解成各種小任務。比如"NOMI，把車窗打開"， NOMI 收到指令后便可自動判斷并執行操作。
▲NOMI
多輪對話準確理解
多輪對話不僅涉及到多方面的知識抽取、推理和應用（如語言知識、情感信息、常識知識等），還涉及對包括自然語言理解在內的其他人工智能核心技術（如用戶畫像、對話管理等）的綜合利用。
想要加入人類的聊天，NOMI首先需要理解的就是用戶說了什么，怎么說的以及對話的邏輯流程。為了做到這一點，工程師需要對之前的多輪對話進行建模，把上文中有用的槽值繼承下來，以便理解上下文意圖。想做到這一點實在太不容易，目前較為成熟的商用語音助手都曾經在多輪對話上翻過車。
▲多輪對話
為了讓NOMI"更聰明"，用更多的數據訓練是一個提高預測性能的好方法。如果訓練數據不足，會造成擬合不足；如果網絡模型參數太少，只會得到低精度的模型……但更多的數據也意味著更沉重的計算負擔，一次完整的訓練動輒便會用去數天，甚至幾周、幾個月的時間。
因此，在過去很長一段時間里，智能語音助手都是少數幾個大廠才做得起的"奢侈品"。然而 TensorFlow 的出現大大提高了語音助手的開發效率，讓語音助手不再遙不可及。
站在"前輩們"的肩膀上
蔚來利用 TensorFlow 豐富的預訓練模塊開發 NOMI，其中包括而不限于雙向循環神經網絡（Bi-LSTM）、文本卷積特征（CNN）、注意力機制（Attention Mechanism）、自注意力機制（Self-Attention）、條件隨機場（CRF）等。
同時，蔚來利用支持的多機多卡分布式訓練的 TensorFlow 2.0 多機并行縮減訓練時間，讓 NOMI 站在"前輩們"的肩膀上，達到更高的表現水準。
▲NOMI的語義理解模型示意圖
在 TensorFlow 的框架下，NOMI 的語義理解該系統對用戶的指令（Query）進行建模，并能通過多層次的表示學習提取用戶指令中隱藏的信息，其中包括域信息（Domain）、意圖（Intent）、槽位（Slot）、句式信息（Ques_type）等抽象信息。除此之外，NOMI 還保留了上一輪對話的指令信息（Query），通過兩輪更加豐富的信息輸入，讓 NOMI 具有了聯系上下文的能力。
如今，NOMI 已經可以和車主進行非常復雜的多輪對話。以駕駛過程中的溫度調節為例：
用戶query：Hi Nomi，主駕溫度調到20度
結果反饋：好的，主駕溫度即將調到20度
用戶query：再高點兒
結果反饋：好的，馬上調整主駕到22度
用戶query：還是關了吧
結果反饋：正在關閉前排空調
在這個例子中，NOMI 自動抽取了前一輪對話中的主語，即"主駕溫度"，在車主追加"再高點兒"的指令時，自動理解到車主指的是上文中提到的主駕空調，從而自動進行調整。在第三輪任務中，NOMI 繼續保留著從前兩輪對話中繼承到的主語，不需要用戶多費口舌。
▲多輪對話
此外，NOMI 還有個性化的、基于知識圖譜的智能問答功能。傳統汽車附帶的厚厚的一本用戶手冊，已經全部存在了 NOMI 的"大腦"里，隨時可以通過語音調用 ，再也不需要費勁搜索。比如當用戶提出："Hi Nomi，教教我怎么充電"，NOMI 會自動反饋："ES6有直流和交流兩種充電插口：交流慢充口位于車輛主駕側，直流快充口位于車輛副駕側"。
NOMI是怎樣被放進車里的？
善解人意的 NOMI 雖好，但距離實際應用還有最后一步：工程師需要把依賴強大算力的NOMI 塞進汽車里。然而車機端資源非常有限，無論是計算能力還是內存數量，都不能與 PC 相比，因此哪怕 NOMI 做得再好，也有可能出現"帶不動"的情況。為了把大 NOMI 裝進小汽車，必須要對模型進行結構裁剪、壓縮和復雜的參數調節，這個工程的繁瑣和復雜程度不亞于重新構建一個小的自然語言處理模型。好在 TensorFlow 早就為模型的部署留好了后路。
▲TensorFlow Lite
為了讓 NOMI 在嵌入式環境運行，蔚來在訓練階段就使用了較低精度的 INT8 量化訓練。訓練后，可以方便地在TensorFlow平臺上把模型轉化為專為移動設備設計的輕量級的TersorFlow Lite，省去了冗雜的裁剪壓縮過程。在實際運用過程中，NOMI 在云端和本地的兩個大腦會并行進行計算。云端部署完整模型，計算能力較強，本地部署壓縮模型，算力相對有限，在本地連接云端超時的情況下，計算會自動轉入本地進行。在TensorFlow的幫助下，語音助手表現更智能、訓練更高效、壓縮更簡單。未來當用戶有需求時，可供選擇的不再只是老熟人Alexa和Siri，更個性化、更專業的語音助手將會變得更多。
小結
蔚來NOMI不僅僅是物聯網的結果，更是賦予科技生命的結果。NOMI像是一個好伙伴，讓車主以及乘客在駕乘的過程中，更加的舒心、省心。NOMI這個好朋友，陪伴著車主，一路輕松隨行。
圖：官方、網絡
