“我女儿已经故去，但我非常思念她，你们能不能用她的形象制作一款和我互动的软件，我看到目前ai有人机互动和真人机器人这方面的应用。”
“请你节哀，稍等片刻，我需要经过授权才能给你回复。”
“好的，谢谢你。”
可能是人工智能也没遇到此类问题，竟然罕见地给出了一个“等待-授权”选项，要知道平时，几乎没有什么问题能难倒它。
青姑放下手机，忍不住紧张起来，心跳加速，很怕得到失望的回复。
范阳劝解一句，“青姑，你放心吧，数字集团的技术很强大，一定能帮你实现愿望的。”
青姑闻言，勉强笑了一下，没有说什么。
三人相顾无言，静静等待起来。
赵子明看到智能终端传递过来的“Ai造人计划”，一时间也有点迟疑不定。
单从技术角度考虑，在足够的语料数据和算法的加持下，通过目前的语音合成技术，“复制”一个虚拟人的难度并不大。
虽然可用语料不足，思思生前留下的语音素材并不多，而且能提供的多是用智能手机录下的视频，大多环境嘈杂。毕竟，没有人会提前把自己置于完全的数字化环境中。
但是，对于数字集团来说，要实现人工合成，并不需要给算法提供大量可供训练的素材，蓝色大脑实验室早已经实现了“少样本学习”（FewShotLearning），能用更少的数据，学会更强大的技能。
目前机器学习的方法，主要是拿大量的数据来进行训练。比如说，想开发一个智能语音识别系统，至少要拿出10小时的语音素材来训练人工智能，也就是说，训练素材和数据的量越大、花的时间越长，机器学习的效果就越明显，这是全球机器学习的主流。
但是，这显然不是一个最高效的学习途径。
蓝色大脑实验室发现，其实只要找对了方法，哪怕只用小规模的数据，也能获得有价值的结果。比如说，训练一个图像识别系统，不需要再拿上亿张图片来做训练素材，只用1000张图片也能达到预期的效果，这就大大节约了时间和成本，也和其他国家和公司的技术拉开了差距。
“少样本学习”作为数字集团的秘密武器，早已经被实验所论证，应用到思思这里，恰到好处。
赵子明担心的是，对“AI女儿”认知上的担忧。当妈妈问出一个问题，“AI女儿”是否能够以女儿的认知水平和价值观来回答，在这方面，技术难度较大。
现在市面现有的语音助手，例如siri和天猫精灵，当输入的语言超过AI的理解范围时，它的设定是去网络检索一个最接近的回答进行反馈，这就存在很大的不可控性。
而蓝色大脑推出来的小智音箱，是通过“自监督学习”（Self-supervisedLearning）和“因果学习”（EstablishCausalRelationshipsbetweenEvents）两种方式来应对的，既让人工智能自己来掌握事物的运作规律，学会建立因果关系，遇到不会的问题，能够给出自我判断。
如果要为这位妈妈做出的“AI女儿”，难免会会存在回应的随机性，这很有可能在某些情况下冒犯到她和她的家人。