為什么人機對話很難實現(xiàn)

在清華x-lab主辦的人工智能研習社第五講，三角獸的創(chuàng)始人、COO馬宇馳如此描述當前的人機交互產(chǎn)品。

在同日舉辦的百度2017世界大會上，李彥宏的觀點與馬不謀而合：“我們現(xiàn)在看到很多智能音箱，雖然不需要按住，但是需要一個喚醒詞，一般是四個字，這不符合人與人交互方式。我跟你說話的時候不需要拉你的手，也不需要每句話都叫你的名字，更不需要每次都叫四個字?！?/p>

在清華的演講中馬宇馳表示，目前市面上人機交互的智能硬件，距離真正的交互還需要至少8-10年時間。各大發(fā)布會上自然交互，甚至有些可以接受訪談的機器人，一定有某些人工的介入，噱頭頗多。

而作為人機交互最重要的應(yīng)用場景之一，搜索引擎與人類最自然的交互方式依然有很大不同?！氨热缥覀?nèi)绻榻裉斓奶鞖猓桨俣瓤梢灾苯铀阉鳌氨本┨鞖狻?，但跟人說話肯定不能這樣，跟同學說“北京天氣”，別人會以為這個人有病，要說今天出去穿羽絨服冷不冷這樣的話，這部分叫自然語言處理。在之前的一次大會上有一個智能領(lǐng)域的科學家說語義是人工智能皇冠上最后一顆“明珠”，因為人工智能學會了語義才真正接近于人的思考方式和回應(yīng)的方式?！瘪R宇馳稱。

那么人機對話這件事為什么難？深度學習等AI技術(shù)又能從中做些什么？在清華x-lab的人工智能研習社課程中，三角獸創(chuàng)始人兼CEO 王卓然博士在馬宇馳之后解釋了這些疑惑。

以下為王卓然演講，大數(shù)據(jù)文摘在不改變原意的前提下有刪改：

人機對話這件事為什么難？

一些名詞大家應(yīng)該耳熟能詳，像深度學習、增強學習、自然語言處理、信息檢索、數(shù)據(jù)挖掘。最底層的技術(shù)模塊，像決策過程、推薦系統(tǒng)、知識庫、邏輯推理、分類等等，可以看到機器學習和自然語言處理幾乎每一個模塊都會用到，人機對話涉及到方方面面。人機對話這個大的領(lǐng)域其實是人工智能的下一代，叫做認知智能。認知智能就是人怎么去感知世界，怎么去理解世界，然后用機器去模擬它，去擬合它，再用一個接近人的方式來反饋給我們。所以它涉及的面太廣了，只是單純說人機對話這個子問題都可以另外定義出好多子問題。所以我們只是把這些基礎(chǔ)的模塊、基礎(chǔ)的算法包裝成我們內(nèi)部通用的模塊，像開放域的聊天檢索式問答、深度問答、圖文對話的引擎等等等等，然后我們對外輸出的產(chǎn)品，有開放域聊天，有問答的引擎，問答引擎的意思就是客戶把他的問題和答案灌進來，我自動支持基于問題庫的問答，我們還有多輪對話的引擎，可以不依賴于領(lǐng)域。比如說找電影、找歌、找餐館用的是同一套引擎，只是把不同的數(shù)據(jù)、本題庫、知識結(jié)構(gòu)導進去，讓它支持一個領(lǐng)域的對話，我們還可以把它打包在一起，變成多域的對話系統(tǒng)。所以如果做人機對話，基本上自然語言處理、機器學習里所有的事都要融會貫通。

人機對話的幾大核心問題

1）開放域聊天

平時我們和人說話有不同的場景用不同形式對話，或者說用不同的方式去思考，比如說開放域的聊天，沒有目的、不是為了找到一個信息，或者說不是為了完成一個任務(wù)來去對話，而是朋友之間的寒喧、互相的問候，這種就叫開放域聊天。

2）多輪對話

這個更接近于人機的對話，和人與人的對話也有一定相似處。比如我們要找一個餐館，我會問找五道口的餐廳，機器會問喜歡什么口味，我說川菜的，又問對環(huán)境有沒有要求，我說有沒有適合朋友聚餐有沒有大的包房，這是機器多輪對話完成的。

3）智能問答

智能問答這個概念比較好理解，這個技術(shù)也相對于另兩個更久遠一些，也更成熟一些，問答就是一問一答，我問你天空為什么是藍的，你給我解釋說什么空氣的折射等等一些因素，我問兔子真的愛吃胡蘿卜嗎，你可以回答兔子都愛吃胡蘿卜，但不是全部，這是人機對話不可或缺的一部分。

這三部分之間是互相沒有聯(lián)系的，在目前的技術(shù)框架下，開放域聊天有開放域聊天的做法，垂直領(lǐng)域有垂直領(lǐng)域的做法，問答是問答的做法，做產(chǎn)品不能只做一個用戶的問答或者一個聊天，這些東西要整合在一起，于是就出現(xiàn)了跨域的中控概念。以度秘平臺為例來講，這個平臺既可以支持閑聊，也可以支持找電影，找歌，找餐館，查快遞，支持問答，甚至更多的技能，開窗、開燈等等，這是由單獨一個服務(wù)模塊來完成的。但是用戶說出一句話之后，這句話到底應(yīng)該歸哪個模塊去響應(yīng)，這就是中控去做的一個事，其實就是根據(jù)你的上下文，根據(jù)你的每個域回復結(jié)果質(zhì)量的情況綜合算出用戶這句話有哪一個服務(wù)區(qū)響應(yīng)最好。

相關(guān)性是開放域聊天最重要的一個指標。我說一句話之后機器回了一句與我相關(guān)的話，不相關(guān)就沒有辦法再聊下去了。在這個基礎(chǔ)之上，我們要注重幾個點，一個是上下文的覆蓋，人與人聊天是有上下文的，不是你說一句我說一句，每一句是單獨割裂的，而今上下文的覆蓋已經(jīng)做得很好了，達到了40%的上下文覆蓋，可以體驗到40%的聯(lián)系。

深度學習等人工智能技術(shù)可以做什么？

上下文引入進來之后整個的數(shù)據(jù)會非常的稀疏，所以我們用了深度學習進行自然語言處理，最大的幫助就是可以把離散的詞，離散的句子，離散的篇章等等表示成一個向量，這個向量在分布式的語義空間中就可以計算它的相似度、相關(guān)性等等這些指標。我們就用深度學習這個方法把上下文的整個信息都表示成了向量，再用向量檢索向量的方式去找你說這句話的上下文、語義或者語境更相似的上下文，再用同樣的方法檢索獲得侯選。

另一塊是緊密情感，人和人聊天不可能是冰冷的你一句話我一句話中性的，肯定夾雜很多高興、開心、傷感、鄙視的情緒等在網(wǎng)上的表情標簽。把這個引入當中就會讓聊天更生動有趣。這塊我們做了一個嘗試，我們通過這個數(shù)據(jù)興起迭代的方法，用的還是很標準的CNN，只是我們數(shù)據(jù)加工、數(shù)據(jù)處理做了很多工作，能達到99%的準確率，用一句話去識別它對應(yīng)的情緒，可能是開心、大笑等等，識別這個情緒能達到99%。

人機對話獲取數(shù)據(jù)的來源都是互聯(lián)網(wǎng)，互聯(lián)網(wǎng)有一個問題，在互聯(lián)網(wǎng)上人和人聊天的句子偏成人化，肯定不適合兒童。舉個例子，我說床前明月光，這個機器人可能回應(yīng)地下鞋兩雙，每個字也沒有什么問題，也不涉及黃反，但整個句子的對兒童這么聊肯定不合適的。我們怎么在互聯(lián)網(wǎng)這個語料上去過濾出一個兒童版本呢？首先用檢索是不現(xiàn)實的，因為你不能保證每一句話、每一個字，只要有一句話或者一個字不適合這個產(chǎn)品就毀掉了。所以我們用了學術(shù)界比較火的端對端生成的聊天方式。它的訓練語料是用成人語料，我們用能拿到的動畫片的字模或者兒童書，用這個訓練一個模型，用這個模型過濾成人語料，在這之后又訓練端對端的模型，過濾完之后就可以認為不適合兒童的東西是小概率事件了，相當于我們寫出了對兒童絕對安全的一版聊天。

我一直在研究垂直領(lǐng)域?qū)υ捪到y(tǒng)的泛化，什么叫泛化？在垂直領(lǐng)域?qū)υ捄茈y獲得，在網(wǎng)上抓數(shù)據(jù)的話也很難找到很貼切的人和人對話，或者人和任何東西對話，比如找電影，找餐館這種數(shù)據(jù)很難獲得。既然這么難獲得，我們?nèi)绻羞@樣的一個系統(tǒng)，用這個系統(tǒng)已經(jīng)迭代學到很多東西之后，再把這個知識遷移到另一個領(lǐng)域。而且，問答跟人機對話完全不是一回事，問答更多是信息檢索的過程，匹配用戶的問題和庫里的問題是不是同一個意思，然后反饋答案。

講座后，現(xiàn)場聽眾與王卓然進行了對話。

提問：今天百度的大會發(fā)了一款RavenH，比較有趣的一點是有可以拆卸的觸摸屏，發(fā)布者提到，現(xiàn)在市場上voice only的方式不太符合自然習慣，那未來人機交互是單純以語音為主還是多種結(jié)合起來的形式？

王卓然：人機交互這個形式，要分場景，最合適的場景當然是一個多模態(tài)交互，因為多模態(tài)交互是人機對話的下一個進階的階段，人機對話只考慮語音，如果是多模態(tài)的話，要考慮到屏幕、觸控、圖像識別、環(huán)境傳感器、位置等等。所以要分場景，不能較真，人機對話多模式場景比純機器交互要好，很多場景下不具備多模態(tài)交互能力，比如說在車載的時候有屏幕的引入可能會造成負擔，對行車安全也有危害，純語音交互才是更好的場景，所以不同的場景不同的應(yīng)用。

提問：剛才聽了您的介紹非常精彩，我有一個問題，現(xiàn)在大家做語音處理和語義處理分得比較開，事實上在人說話的過程中語言不僅包括聲音，還包括像語調(diào)、語氣等等，但是好像市面上沒有看見有人做語調(diào)、語氣這方面的東西，語義大部分處理的是文本，您怎么看待這個問題，語音、語調(diào)和語氣角度有價值嗎？如果有價值為什么大家都沒做，做的話難點在哪里？

王卓然：非常好的問題，從學術(shù)角度上來講有非常大的價值，單純看文本一句話可能有兩個意思，我沒吃飯，我沒吃飯？一個是疑問句一個是陳述句，代表的意思就不一樣了。但是為什么沒做呢，道理很簡單，還沒成熟到那個程度，商業(yè)到產(chǎn)品落地還差太遠，還沒有達到非要為這個事做一款產(chǎn)品，或者沒有這個事就做不了產(chǎn)品的程度。

提問：我想問之前談商業(yè)模式的時候是做B2B、B2C，你們是永遠做男人背后的“女人”呢？還是慢慢推出產(chǎn)品面對C端用戶呢？

王卓然：對用戶市場對我們非常有吸引力的，但是從公司發(fā)展角度來看，這個階段嘗試C端的代價太大了，而且我們團隊結(jié)構(gòu)也不是為2C準備的，所以在短期之內(nèi)都不會做這方面的事情。

提問：剛才您講給小孩訓練一個模型，過濾到不合適的問答。想請您詳細解釋一下這種過濾方式。

王卓然：我們用故事書、字幕等等去訓練了類似于語言模型的分類器。用這個東西去過濾網(wǎng)上成人聊天的每一句話，把不適合兒童的都濾掉，我們認為剩下的它的分布會跟字幕、故事書訓練分布是相似的，詞匯分布、表達形式等等會跟兒童的表達形式更相似一些。在這個基礎(chǔ)之上我們再去訓練這個模型。

提問：您剛才講的人機交互的話多模態(tài)情況下最好，我不知道理解對不對。比如人在溝通的時候，除了剛才說的聲音、語料，包括說話內(nèi)容，實際有很多肢體語言，下一代的人機交互會不會把語音包括視覺整個結(jié)合起來，這樣才叫下一代的方式？

王卓然：會的，人機對話在國外學術(shù)界火過一段時間，之后好多人機對話轉(zhuǎn)向多模態(tài)研究。表情、肢體語言加上語言，包括物體識別所有都在一起做人機對話，背后的技術(shù)，現(xiàn)在引入多個環(huán)節(jié)，物體識別等等是多維度，這后面有決策過程。如果對這個感興趣可以關(guān)注兩個大學的研究，一個是CMU，他們有一個人機交互的實驗室，人機對話做的也比較久，有很多人也做多模態(tài)的交互。另一個是愛丁堡赫瑞?瓦特，剛開始是做人機對話，后來他們轉(zhuǎn)向多模態(tài)的交互了。

提問：剛才您說公司應(yīng)用場景其中有一個是IoT，是智能終端。這個在終端上用的話，您認為都是聯(lián)網(wǎng)的通過云的處理方式呢，還是說我也可以去本地去用。如果是云的話涉及到很多場景，包括并發(fā)性的問題，有沒有考慮像有一些東西是現(xiàn)在有一個趨勢，把很多的算法固化成硬件。

王卓然：語義這塊負擔不太重，都是B到T這個級別，不像圖像傳輸非常重。固化到端我們有嘗試，跟華為海思有合作，那是支持NLP的，端對端聊天生成，語義理解幾個RN結(jié)構(gòu)，因為圖象涉及很多東西，比如說實時的加工，實時的渲染，實時的分析，實時性圖像本身傳輸有問題的情況下。文本層面最大的考慮其實是隱私，不是你說的云的負擔問題。