想象这样一个场景：

在遥远陌生的城市里，眼里全是陌生的面孔，耳边充斥着听不懂的语言。但是，当你走进一间街边的咖啡店……

推开门，就听见一个温暖的声音说：“您好女士，欢迎光临，请到这边点餐。”你顺着声音走过去，屏幕上早已为你准备好中文菜单，在你犹豫是沿袭老样子还是尝试特色产品时，它早一步知道了你的心意：“还是要半塘的大杯热焦糖玛奇朵，或者，您可以试试这里的手冲咖啡。”

与此同时，屏幕上的这两个选项排在最上面，旁边还有你常点的冰美式（少冰）、摩卡（不要奶油）几个选项，接下来才是店里的常规菜单，都标注了当地价格和即时汇率换算成的人民币。

“我还是要一杯手冲吧！”你说着，点餐机的屏幕上可供选择的几种豆子为你标注了苦味和酸度的等级，“嗯~~~我想~~~”选择恐惧症的时刻也不再尴尬，“要不试试曼特宁？”它对你说，屏幕上还显示出你曾经在淘宝上买过曼特定挂耳咖啡包的记录。

“好！就它了！”你选择了下单，手机支付，直到屏幕上出现二维码。

这一切熟悉又陌生。

“这个场景很可能在不久的将来实现。”

因为现在，阿里的人工智能点餐机已经 PK 掉了专业的咖啡师。5 月 23 日武汉云栖大会上，阿里达摩研究院科学家鄢志杰在现场用堪比华少的语速狂点了 30 多杯咖啡。“五个巧克力、两个香草拿铁，巧克力加奶油。””算了巧克力不要了。” “再加一个大的冷的拿铁，去冰半糖加脱脂奶，打包。”

现场的人类咖啡师在听了鄢志杰第二次复述后完成了订单，用时 2 分 37 秒，而机器只用了 49 秒。

“今天我们将机器对人类口语的理解能力带到了新的高度”，鄢志杰说，这种交互方式完全打破了”语音唤醒+语音指令”传统命令式交互方式。传统的语音交互需要唤醒再去输入，我们称之为上一代的人机交互。“现在我们想做一个人机交流的方式，你走过去，就知道你来了，于是你可以直接开始说。”阿里智能语音产品经理张敏仪告诉 PingWest 品玩(微信号：wepingwet）。

咖啡店是一个很普遍的场景，在点单过程中，你要补充、修改，或者没说完，你完全可以接着说，它都可以识别出来。这就是人类最真实交流的场景。你可以说“我要一杯美式，我要带走。”这是一种流式的语言情况，一句话分两句话来说。第二种情况是，我要一杯美式和一杯拿铁，两句话当一句话说。没有明显的句子边界，这为现阶段的声音识别技术带来了很大的挑战。

除此之外，挑战还在于，相对于书面语来说，口语点餐中的句子没有开始没有结束，你会持续不停的说。难免会有犹豫和停顿、重复、修正，尤其是选择恐惧症犯了。这就触发了多伦多意图的语义结构，为了完成一个特定的任务有多个操作，有多个意图组合起来，比如，你会先有一个购买的需求：我要一杯美式；修改的需求：美式再加两杯；删除的需求：美式不要了。

另外，机器还要结合上下文去理解你的意图，比如美式加糖这个需求，你可以说，我要一杯加糖的美式，也有可能之前点过美式之后，再追加一个属性加糖。因此，之前说了什么，怎么去表达之前说的状态，成为了另一大挑战。

“今天我们将机器对人类口语的理解能力带到了新的高度”，鄢志杰说，这种交互方式完全打破了”语音唤醒+语音指令”传统命令式交互方式，我们首创的流式多意图口语理解引擎，极大地提升了对人类随意、自然的口语表达的理解力，能够做到免唤醒的自然的人机交流式的语音交互。

上述点单环节包含了修改、删除、加单等多轮对话，在整个交流过程中，顾客不需要说”Hi，点单机“之类呆板的唤醒词，可直接下单，更符合人与人的自然对话。

据鄢志杰介绍，这些模块并非简单级联，而是深度融合而形成了多模态语音交互方案，包括是公共场所强噪声环境下的信号处理和语音识别、视频识别与面部识别、场景感知等多模态融合的感知智能，同时更融合了流式对话、多轮多意图口语理解、业务知识图谱自适应等认知智能。

据了解，阿里云这项解决方案除了可以做收银员之外，还能在地铁卖票。目前，上海地铁已经部署了这一技术。乘客直接说出目的地，售票机便可选择合适的站点和路线。这对于初到上海的乘客尤其帮助巨大，面对十几条线路三百多个站点谁都会懵。测试数据显示，普通买票耗时往往超过 30 秒，而语音购票全程只需要 10 秒左右。

无论是咖啡点餐还是地铁售票，我们都是让 AI 在真实的产业场景下发挥价值。这比那些在实验室里炫技的 AI 更有意义，更具生命力。

现阶段，他们人工智能点单机已经与某咖啡品牌达成合作，很快就要落地了。并且，他们正在做平台化的输出，从咖啡店扩展到快餐店，多样知识的结构数据，将算法和业务耦合，只需要让机器学习业务知识，这个过程将会很快。

很可能，未来，当你走进一间咖啡店，你的专属 AI 小哥哥早已记住了你的所有喜好，正等着为你“亲手”端上一杯咖啡。