『冬天，能穿多少穿多少。

夏天，能穿多少穿多少。』

『單身的原因，原來是喜歡一個(gè)人，現(xiàn)在是喜歡一個(gè)人?！?/p>

作為“智能”助理，你的Siri會賣萌、講（冷）笑話，甚至Bbox、Freestyle都毫無壓力。但是上面這兩句話，她會懂嗎？（Siri:???）

當(dāng)我們在和以Siri為代表的智能語音助理進(jìn)行交流（如果算是）時(shí)，他們需要同時(shí)理解句子中的單詞特性和句子結(jié)構(gòu)。盡管在日常交流中，我們可以憑借常識和推理能力理解對方想表達(dá)的意圖，但既沒有上下文情境、又不擁有對等知識儲備資源的智能助理們則面臨著諸多問題，更包括可能的詞法歧義、句法歧義以及回指歧義（之前提到的短語或者單詞在后面句子中有不同的含義）等。在中國待了數(shù)十年的歪果仁尚且不一定能夠get到上面句子的內(nèi)涵，何況是代碼搭建出來的虛擬實(shí)體，畢竟他們利用意圖識別和實(shí)體提取的技術(shù)才剛剛找到主謂賓。

這就又提到了另一個(gè)問題，不同的文化歷史背景產(chǎn)生了不同的思維邏輯習(xí)慣，表現(xiàn)在語言上則出現(xiàn)了更加異彩紛呈的表達(dá)方式。比如我們說“您吃了嗎”和“吃了嗎您”，表達(dá)的是相同的意義內(nèi)涵，然而你卻很難用外語將這句簡單的話通過兩種語序或者句子結(jié)構(gòu)表達(dá)出來。不同的語言有著不同的語法規(guī)則和語意邏輯，在智能語音助理的學(xué)習(xí)和訓(xùn)練過程中這種語種上的差異是否會產(chǎn)生影響？

在自然語言理解（NLU）的下一步自然語言生成（NLG）中存在的技術(shù)難點(diǎn)就更多了，目前我們只能采用主流的“對話管理”的“填槽”技術(shù)，簡單來說就是我問你答。至于在電影鋼鐵俠中看到的超人工智能管家Jarvis和鋼鐵俠之間的基情互動(dòng)，未來一段時(shí)間內(nèi)大概都只能停留在想象中了?？催^今天小線菌分享的這篇文章（節(jié)選），你就能夠?qū)δ壳皩υ捴悄馨l(fā)展?fàn)顩r有了大概的了解。

Anyway,盡管目前我們的對話智能技術(shù)同我們的“夢中人工智能”尚有一段非常大的距離，但正因如此我們才有更大的想象空間，期待真正黑科技的到來~

本期文章節(jié)選自《人工智障2：你看到的AI與智能無關(guān)》。

授權(quán)轉(zhuǎn)載自微信公眾號S先生（ID: TheMisterS）、作者M(jìn)ingke

“AI如何聽懂人話 ？”

對話系統(tǒng)這個(gè)事情在2015年開始突然火起來了，主要是因?yàn)橐粋€(gè)技術(shù)的普及：機(jī)器學(xué)習(xí)特別是深度學(xué)習(xí)帶來的語音識別和NLU(自然語言理解)——主要解決的是識別人講的話。

這個(gè)技術(shù)的普及讓很多團(tuán)隊(duì)都掌握了一組關(guān)鍵技能：意圖識別和實(shí)體提取。這意味著什么？我們來看一個(gè)例子。

在生活中，如果想要訂機(jī)票，人們會有很多種自然的表達(dá)：

“訂機(jī)票”；

“有去上海的航班么？”；

“看看航班，下周二出發(fā)去紐約的”；

“要出差，幫我查下機(jī)票”；

等等等等

可以說“自然的表達(dá)” 有無窮多的組合（自然語言）都是在代表 “訂機(jī)票” 這個(gè)意圖的。而聽到這些表達(dá)的人，可以準(zhǔn)確理解這些表達(dá)指的是“訂機(jī)票”這件事。

而要理解這么多種不同的表達(dá)，對機(jī)器是個(gè)挑戰(zhàn)。在過去，機(jī)器只能處理“結(jié)構(gòu)化的數(shù)據(jù)”（比如關(guān)鍵詞），也就是說如果要聽懂人在講什么，必須要用戶輸入精確的指令。

所以，無論你說“我要出差”還是“幫我看看去北京的航班”，只要這些字里面沒有包含提前設(shè)定好的關(guān)鍵詞“訂機(jī)票”，系統(tǒng)都無法處理。而且，只要出現(xiàn)了關(guān)鍵詞，比如“我要退訂機(jī)票”里也有這三個(gè)字，也會被處理成用戶想要訂機(jī)票。

自然語言理解這個(gè)技能出現(xiàn)后，可以讓機(jī)器從各種自然語言的表達(dá)中，區(qū)分出來，哪些話歸屬于這個(gè)意圖；而那些表達(dá)不是歸于這一類的，而不再依賴那么死板的關(guān)鍵詞。比如經(jīng)過訓(xùn)練后，機(jī)器能夠識別“幫我推薦一家附近的餐廳”，就不屬于“訂機(jī)票”這個(gè)意圖的表達(dá)。

并且，通過訓(xùn)練，機(jī)器還能夠在句子當(dāng)中自動(dòng)提取出來“上海”，這兩個(gè)字指的是目的地這個(gè)概念（即實(shí)體）；“下周二”指的是出發(fā)時(shí)間。

這樣一來，看上去“機(jī)器就能聽懂人話啦！”。

這個(gè)技術(shù)為啥會普及？主要是因?yàn)闄C(jī)器學(xué)習(xí)領(lǐng)域的學(xué)術(shù)氛圍，導(dǎo)致重要的論文基本都是公開的。不同團(tuán)隊(duì)要做的是考慮具體工程實(shí)施的成本。

最后的效果，就是在識別自然語言這個(gè)領(lǐng)域里，每家的基礎(chǔ)工具都差不多。在意圖識別和實(shí)體提取的準(zhǔn)確率，都是百分點(diǎn)的差異。既然這個(gè)工具本身不是核心競爭力，甚至你可以用別家的，大把可以選，但是關(guān)鍵是你能用它來干什么？

“Due to the academic culture that ML comes from, pretty much all of the primary science is published as soon as it’s created - almost everything new is a paper that you can read and build with. But what do you build? ”

——Benedict Evans （A16Z合伙人）

在這方面，最顯而易見的價(jià)值，就是解放雙手。語音控制類的產(chǎn)品，只需要聽懂用戶的自然語言，就去執(zhí)行這個(gè)操作：在家里要開燈，可以直接說 “開燈”，而不用去按開關(guān)；在車上，說要“開天窗”，天窗就打開了，而不用去找對應(yīng)的按鈕在哪里。

這類系統(tǒng)的重點(diǎn)在于，清楚聽清哪個(gè)用戶在講是什么。所以麥克風(fēng)陣列、近場遠(yuǎn)場的抗噪、聲紋識別講話的人的身份、ASR（語音轉(zhuǎn)文字），等等硬件軟件的技術(shù)就相應(yīng)出現(xiàn)，向著前面這個(gè)目標(biāo)不斷優(yōu)化。

“講人話”在這類應(yīng)用當(dāng)中，并不那么重要。通常任務(wù)的執(zhí)行，以結(jié)果進(jìn)行反饋，比如燈應(yīng)聲就亮了。而語言上的反饋，只是一個(gè)輔助作用，可有可無。

但是任務(wù)類的對話智能，往往不止是語音控制這樣一輪交互。如果一個(gè)用戶說，“看看明天的機(jī)票”——這表達(dá)正常，但無法直接去執(zhí)行。因?yàn)槿鄙賵?zhí)行的必要信息：1）從哪里出發(fā)？和 2）去哪里？

如果我們希望AI Agent來執(zhí)行這個(gè)任務(wù)，一定要獲得這兩個(gè)信息。對于人來完成這個(gè)業(yè)務(wù)的話，要獲得信息，就得靠問這個(gè)用戶問題，來獲得信息。很多時(shí)候，這樣的問題，還不止一個(gè)，也就意味著，要發(fā)起多輪對話。

對于AI而言，也是一樣的。

要知道 “去哪里” = Agent 問用戶“你要去哪里？”

要知道 “從哪里出發(fā)” = Agent 問用戶“你要從哪里出發(fā)呢？”

這就涉及到了對話語言的生成。

“AI 如何講人話？”

決定“該說什么話”，才是對話系統(tǒng)的核心——無論是硅基的還是碳基的智能。但是深度學(xué)習(xí)在這個(gè)版塊，并沒有起到什么作用。

在當(dāng)前，處理“該說什么”這個(gè)問題，主流的做法是由所謂“對話管理”系統(tǒng)決定的。

盡管每一個(gè)對話系統(tǒng)背后的“對話管理”機(jī)制都不同，每家都有各種理解、各種設(shè)計(jì)，但是萬變不離其宗——目前所有任務(wù)類對話系統(tǒng)，無論是前段時(shí)間的Google duplex，還是智能客服，或者智能助理，最核心的對話管理方法，有且僅有一個(gè)：“填槽”，即Slot filling。

如果你并不懂技術(shù)，但是又要迅速知道一家做對話AI的水平如何，到底有沒有黑科技(比如剛剛開始看AI領(lǐng)域的做投資的朋友 )，你只需要問他一個(gè)問題：“是不是填槽？”

• 如果他們（誠實(shí)地）回答“是”，那你就可以放下心來，黑科技尚未出現(xiàn)。接下來，能討論的范圍，無非都是產(chǎn)品設(shè)計(jì)、工程實(shí)現(xiàn)、如何解決體驗(yàn)和規(guī)模化的困境，這類的問題?；旧显撝钦系?，還是會智障。

• 要是他們回答“不是填槽”，而且產(chǎn)品的效果還很好，那么就有意思了，值得研究，或者請速速聯(lián)系我：）

那么這個(gè)“填槽”究竟是個(gè)什么鬼？嗯，不搞開發(fā)的大家可以簡單的把它理解為“填表”：好比你要去銀行辦個(gè)業(yè)務(wù)，先要填一張表。

如果這張表上的空沒有填完，柜臺小姐姐就不給你辦。她會紅筆給你圈出來：“必須要填的空是這些，別的你都可以不管。” 你全部填好了，再遞給小姐姐，她就去給你辦理業(yè)務(wù)了。

還記得剛剛那個(gè)機(jī)票的例子么？用戶說“看看明天的機(jī)票”，要想執(zhí)行“查機(jī)票”，就得做以下的步奏，還要按順序來：

1. ASR：把用戶的語音，轉(zhuǎn)化成文字。

2. NLU語義識別：識別上面的文字，屬于（之前設(shè)定好的）哪一個(gè)意圖，在這里就是“訂機(jī)票”；然后，提取文字里面的實(shí)體，“明天”作為訂票日期，被提取出來啦。

3. 填表：這個(gè)意圖是訂機(jī)票，那么就選“訂機(jī)票”這張表來填；這表里有三個(gè)空，時(shí)間那個(gè)空里，就放進(jìn)“明天”。

（這個(gè)時(shí)候，表里的3個(gè)必填項(xiàng)，還差兩個(gè)：“出發(fā)地”和“到達(dá)地”）

4. 開始跑之前編好的程序：如果差“出發(fā)地”，就回“從哪里走啊？”；如果差“目的地”，就回“你要去哪里？”（NLG上打引號，是因?yàn)椴⒉皇钦嬲饬x上的自然語言生成，而是套用的對話模版）

5. TTS：把回復(fù)文本，合成為語音，播放出去

在上面這個(gè)過程當(dāng)中，1和2步奏都是用深度學(xué)習(xí)來做識別。如果這個(gè)環(huán)節(jié)出現(xiàn)問題，后面就會連續(xù)出錯(cuò)。

循環(huán)1-5這個(gè)過程，只要表里還有空要填，就不斷問用戶，直到所有的必填項(xiàng)都被填完。于是，表就可以提交小姐姐（后端處理）了。

后端看了要查的條件，返回滿足這些條件的機(jī)票情況。Agent再把查詢結(jié)果用之前設(shè)計(jì)好的回復(fù)模板發(fā)回給用戶。

順便說一下，我們經(jīng)常聽到有些人說“我們的多輪對話可以支持xx輪，最多的時(shí)候有用戶能說xx輪”?，F(xiàn)在大家知道，在任務(wù)類對話系統(tǒng)里，“輪數(shù)的產(chǎn)生”是由填表的次數(shù)決定的，那么這種用“輪數(shù)多少”來衡量產(chǎn)品水平的方法，在這個(gè)任務(wù)類對話里里完全無意義。

一定要有意義，也應(yīng)該是：在達(dá)到目的、且不影響體驗(yàn)的前提下，輪數(shù)越少越好。

在當(dāng)前，只要做任務(wù)類的多輪對話，基本跑不掉填表。

那Google的智能助理（后稱IPA）又怎么知道用戶的具體需求呢？跑不掉的是，用戶還得給Google Assistant填一張表，用對話來交代自己的具體需求，比如下面這樣：

圖中左邊是一個(gè)使用Google Assistant訂餐廳的真實(shí)案例，來自The Verge。

“當(dāng)前對話系統(tǒng)的局限 ”

我剛剛花了兩千來個(gè)字來說明對話系統(tǒng)的通用思路。接下來，要指出這個(gè)做法的問題

還記得之前提到的 “不要日本菜”測試么？我們把這個(gè)測試套用在“訂機(jī)票”這個(gè)場景上，試試看：“看看明天去北京的航班，東航以外的都可以”，還是按步奏來：

1. ASR語音轉(zhuǎn)文字，沒啥問題；

2. 語義識別，貌似有點(diǎn)問題

- 意圖：是訂機(jī)票，沒錯(cuò)；

- 實(shí)體提取：跟著之前的訓(xùn)練來；

- 時(shí)間：明天

- 目的地：北京

- 出發(fā)地：這個(gè)用戶沒說，一會得問問他...

等等，他說的這個(gè)“東航以外的都可以”，指的是啥？之前沒有訓(xùn)練過與航空公司相關(guān)的表達(dá)啊。

沒關(guān)系，咱們可以把這個(gè)表達(dá)的訓(xùn)練加上去：東航 = 航司。多找些表達(dá)，只要用戶說了各個(gè)航空公司的名字的，都訓(xùn)練成航司這個(gè)實(shí)體好啦。

另外，咱們還可以在填表的框里，添加一個(gè)航司選擇，就像這樣（黃色部分）：

（嗯，好多做TO B的團(tuán)隊(duì)，都是掉在這個(gè)“在后面可以加上去”的坑里。）

但是，這么理所當(dāng)然的訓(xùn)練之后，實(shí)體提取出來的航司卻是“東航”——而用戶說的是 “東航以外的”，這又指的哪個(gè)（些）航司呢？

“要不，咱們做點(diǎn)Trick把‘以外’這樣的邏輯單獨(dú)拿出來手工處理掉？”——如果這個(gè)問題可以這么容易處理掉，你覺得Siri等一干貨色還會是現(xiàn)在這個(gè)樣子？難度不在于“以外”提取不出來，而是在處理“這個(gè)以外，是指哪個(gè)實(shí)體以外？

當(dāng)前基于深度學(xué)習(xí)的NLU在“實(shí)體提取”這個(gè)技術(shù)上，就只能提取“實(shí)體”。

而人能夠理解，在這個(gè)情況下，用戶是指的“排除掉東航以外的其他選擇”，這是因?yàn)槿顺俗觥皩?shí)體提取”以外，還根據(jù)所處語境，做了一個(gè)對邏輯的識別：“xx以外”。然后，自動(dòng)執(zhí)行了這個(gè)邏輯的處理，即推理，去進(jìn)一步理解，對方真正指的是什么（即指代）。

而這個(gè)邏輯推理的過程，并不存在于之前設(shè)計(jì)好的步奏（從1到5）里。

更麻煩的是，邏輯的出現(xiàn)，不僅僅影響“實(shí)體”，還影響“意圖”：

中文英文都是一樣的；Google assistant也是一樣的。

想要處理這個(gè)問題，不僅僅是要識別出“邏輯”；還要正確判斷出，這個(gè)邏輯是套用在哪個(gè)實(shí)體，或者是不是直接套用在某一個(gè)意圖上。這個(gè)判斷如何做？用什么做？都不在當(dāng)前SLU的范圍內(nèi)。

對這些問題的處理，如果是集中在一些比較封閉的場景下，還可以解決個(gè)七七八八。但是，如果想要從根本上、泛化的處理，希望一次處理就解決所有場景的問題，到目前都無解。在這方面，Siri是這樣，Google Assistant也是這樣，任意一家，都是這樣。