“五个巧克力、两个香草拿铁，巧克力加奶油。”

“两个中杯焦糖拿铁，一个热的一个冷的。”

“算了巧克力不要了。”

“再要六个小杯少冰摩卡，三杯加焦糖三杯加香草”

“再加一个大的冷的拿铁，去冰半糖加脱脂奶，打包。”

鄢志杰最快以每秒5个字的语速向一台机器点单。机器对每一次对话都作出了精准相应，而站在一旁的资深咖啡师选择了中途放弃，“太快了，记不下来”。

这是发生在5月23日云栖大会武汉峰会上的一幕。鄢志杰是阿里巴巴机器智能技术实验室语音交互首席科学家。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，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。

鄢志杰介绍，依托于业务知识图谱自适应的技术，这套方案能够快速的在更多场景落地，目前已经落地的场景还有车内语音助手、电话智能客服、可免遥控器操作的远场语音电视、可精准区分多人对话的智能麦克风等。“未来我们希望实现公众空间里的万物皆能对话。”

阿里云产品总监何云飞说，阿里云去年提供出了”产业AI“的战略，呼吁行业将AI技术沉淀到产业中，不要成为炒作股价的营销词汇。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。

据了解，除了解决方案之外阿里云还推出了ET大脑，包含ET城市大脑、ET工业大脑、ET医疗大脑等。目前，ET工业大脑已经帮助工业制造企业创造利润数十亿，ET城市大脑在杭州、澳门、吉隆坡等城市落地，承担着交通优化、平安城市等职责。