<mark id="oztn4"></mark>
1
對話機器人很多，像Siri，小冰，度秘，Allo都能在你有空的時候跟你貧貧嘴，不過隨著廠家和用戶意識到憑空做出一個高度通用的對話機器人是非常不現實的，對話機器人的姿態也發生細微的變化——廠家們試圖從某些垂直領域開始入手深根，并且從純聊天功能發展到這個對話機器人能為用戶完成什么指定的任務功能。一下子為“只說不做” 的對話機器人找到了一個新的場景。
不過，這個全新升級的對話機器人，重心移向代替人決策，并幫用戶完成任務。
它如何聽懂用戶想做什么事情？如何做到聊天過程中都不能達到的Human like leaering?
然后它如何知道第三方App能完成哪些任務，需要點擊哪里，然后才能與用戶想做的事情對接？
當它的重心變成了為用戶完成任務時，它的核心技術要求是什么？
……
這些只有具備多年實戰經驗才會有的答案，我們邀請到了驀然認知創始人戴帥湘，他家的小驀機器人旨在對話過程中獲取和“揣摩”意圖，最終實現人類決策，幫助任務執行。戴帥湘，前百度主任架構師，曾長期擔任百度Query理解方向負責人，是自然語言理解方面的技術專家，曾榮獲第一個也是迄今為止唯一一個以NLP技術為核心的百度最高獎。2010年提出“Query改寫模型”給百度搜索引擎技術帶來了跨時代的飛躍，使得搜索相關性和廣告收入均大幅提升。該模型比學術界同類模型《Query Rewriting Using Monolingual Statistical Machine Translation》的提出還要早將近1年。此模型迄今為止仍廣泛應用于百度所有搜索產品線。申請了自然語言處理，語義搜索，自動問題求解等領域內20多項專利技術。
對話模型中的One-shot Learning和RL（增強學習）。
One-shot Learning的目的是要從少量樣本中進行訓練，以解決對話系統的“冷啟動”問題；
RL是一種無監督的學習，它通過試錯的方式來進行學習。針對冷啟動后的對話模型，RL可以幫助系統在和用戶的實際交互中不斷增強對話模型中優勢策略，削弱負面策略的影響。實際表現是用戶會覺得系統越來越人性化，或者說個性化。
上述這兩種學習方法更接近生物體，或者說人的學習方式，所以我更愿意稱之為“Human-like Learning”。在對話中，這兩者一個處于流程的最前端，一個處于流程的最后端；一個讓模型可以冷啟動，一個讓模型可以實時優化，兩者相得益彰。當然，在自然語言理解中，One-shot Learning還可以用在更多地方，比如語義分析這種需要“表示學習”的任務；任務決策這種典型的“多任務學習”場景；還有就是對話場景可移植性問題的處理上，這個地方有點類似大家常聽到的“遷移學習”。
其實這里面涉及很多復雜的技術，分不同的層次，也包含不同的學科，如語言學，認知科學，邏輯學，自然語言處理，機器學習等，是多種類關鍵技術融合交匯的過程。我們暫且可以稱之為自然語言理解。
如果把人腦看做一臺機器，那么自然語言就是一種適合這種機器識別和運算的語義表示，自然語言通過字構成詞，詞又構成句子，句子進一步構成復雜的篇章，其體現的是一種由簡單組合成復雜，由有限組合成無限的一個過程。
組合性提供了一種生成新東西的能力，但是其并不保證生成出來的都是好的東西，而因果性則正好提供了這一保證。
所以自然語言理解的核心是要在語言的某個層次上對組合性，以及因果性進行建模。用更通俗的話說，前者對應的是語義的表示，后者則是說的知識推理。
語音機器人代替人決策，實現了自動化。這件事有兩個難點：一是聽懂用戶想做什么事情，他說“科比得分最高比賽”的時候，知道他說的是籃球、是視頻、是81分，然后才能通過無形的手替人操作。
這其實就是我上面提到的語義理解，我暫時不能透露具體細節，因為這部分是我們一個重要的創新之一，肯定不是業界和學術界公開的東西，所以暫時還不能說，但我可以從另外一個側面說一下基本的思路。
One-shot Learning只是一個概念，一種抽象的思想，甚至還不是一個通用的學習框架。對于語義理解來說，其肯定不是一個如圖像識別或者語音識別一樣典型的模式識別問題，或者說端到端的問題。語義理解是一個推理相關的問題，要通俗地說其更接近下棋這一類問題。這類問題，顯然無法直接通過一個端到端的框架來進行訓練和學習，而是首先需要針對問題本身進行建模，然后在這個基礎上再尋求合適的學習方法。
舉個很容易理解的例子，我們人學寫字，只要學習寫少量的字，然后再看到一個新的字的時候就能基本順利地寫出來，究其原因可以認為是我們針對寫字這個過程做了某種近似的抽象和建模：就是把寫字當成是有限的特定筆畫+特定的空間排列的一個過程。當我們看到一個從未見過的字的時候，我們就嘗試用這種抽象的方法去“構造”一個這樣的字，然后邊對照邊調整，最后寫出一個最像這個字的字出來。這里面也體現了我上面說的組合性和因果性，只是因果性可能更多地是一種統計關系。
所以這類問題最關鍵的地方就是要針對問題本身去建模，把問題抽象出來，逼近問題本質，不可能有一個現成的通用的框架來搞定。
接著上面問題：二是知道第三方app都可以完成哪些任務，需要點擊哪里，然后才能與用戶想做的事（語義理解）進行對接。
【這個問題看起來完全誤解了我們的工作，我們根本不關注一個app是如何操作的，實際上也無需和具體app對接。】
再回到問題本質這個思想上來，現在的APP的操作是基于鼠標，鍵盤，觸摸屏的輸入方式來設計的，不管APP做得多么友好或者簡潔，其都受限于這幾種機械的輸入方式，簡單地說，現在的APP不過是這幾種輸入方式的一個組合操作。為什么要把語義理解和這種低級的操作方式對應起來呢？完全沒有必要這么做！對話是一種全新的交互方式，也只有對話的交互方式才是最接近人與人之間的交互方式，當然也是人與機器最自然的交互方式。
脫離技術細節層面，我們要完成某個任務或者做某個決策，這個過程本身和輸入方式無關，它就是一個任務流，可能有一些關鍵節點，不同的人都需要遵守，但更多的是其實沒什么規律，每個人都要自己不同的個性化處理過程。比如“買飛機票”的過程：有人會去網上買，有人會打電話買，有人會去柜臺買；有人很固執，只要滿足其所有既定條件下的機票；有人猶豫不決，不停地對比，邊詢問邊考慮；更多的人是有一個基本優化目標，比如價格要盡量低，或者說時間要盡可能快，然后根據當前航班情況選擇一個自認為最好的。
我們要做就是在人完成一個任務的抽象層面，用一種最自然的方式來輔助人決策，以盡快推進任務的執行，這其中最合適的方式顯然就是人與人之間的對話方式。其瞄準的是人完成某個具體任務的場景，用對話的方式來推進整個任務的快速進行，并在恰當的時候調用可能的第三方接口，比如展現特定信息，下單等，以使得整個任務朝著某個目標優化下去，比如獲得最符合當前用戶個性化的訂單。這是典型的AI思路，所涉及的技術也是上面所說的各種復雜技術的融合。
當一個語音機器人的重心變成了幫用戶決策，調動第三方應用來快速響應，它會變成一個重對接技術和資源的事情。
【這個問題是不是問我們需要對接很多服務，所以在服務對接的運營上會比較重？】
我們的確需要對接諸多服務，以在具體的任務場景中靈活地恰當地調用某種服務來輔助決策。
但和問題中的理解完全相反，我們可以針對網絡上不同的服務接口，全自動地構建語義分析和服務對接程序（拋開具體商業談判不談，這里只從技術上考慮，畢竟網絡上使用越廣泛的服務就越是免費的），這也正是我們另外一個優勢所在。除了我們的語義分析方法可以快速地從一個場景遷移到另外一個場景外，我們針對不同的服務，可以完全自動地構建起對應的對接程序。更直白地說就是針對一個特定服務的接口，我們會讓我們的系統自動“寫”一段程序來處理這個服務下人和服務之間的對接過程，也就是針對這個服務接口的對話流程。從程序編寫的角度看，就是我們設計了一個可以生成特定程序的程序，來代替本來可能需要程序員手工編寫的工作。
基于我們設計的模型的通用性，理論上，只要我們持續深入下去，我們就可以做到全場景對話，甚至多語言對話。但是從當前用戶的接受程度，相關產品的成熟度，還有商業模式上看，我們更傾向于在車載和家居環境中突破。也就是說純語音對話的方式現在還只是一種非主流手段，只有當人雙手被占用的情況下，這種方式才會變得有用和有效。但是，隨著語言理解和對話技術的快速發展，這一情況正在變得越來越普及，有望在數年后成為一種主流的人機交互方式。
讀者提問
首先要說明的是我個人覺得小冰根本沒有什么復雜的技術，雖然可能用了深度學習，用了句子生成方法。但其核心還是通過大量聊天語料（問答對）訓練一個新問題在當前上下文下最“相關“的一個已有問題，從技術上其更近似于檢索的方式，只是選用不同的模型對上下文的描述能力可能不同，效果也有所差異。但總體上，這種對話和“語言理解”無關，也就說和推理沒有半點關系，還只是一種純統計上的相似度計算而已。所以要問的或許應該是：游戲中的NPC可否像真正的游戲玩家一樣和電腦前面的游戲玩家進行自然對話。
其實特定的某個游戲是一個非常細分的場景，我個人覺得這這種受限場景下，人機對話可以做得更接近于人與人之間的對話，但是需要考慮的是游戲中角色很多，不同角色的設置也不同，需要真正比較通用且能快速實現個性化的對話模型，而且這種模型的冷啟動也需要針對不同角色有所差別。
還是和問題本身相關，如果把問題看做是一個模式識別問題，輸入和輸出都很明確，而且也能夠獲取到大量的訓練樣本（包括用人工可以大量標注的方式），此類問題一般適合用端到端的方法來解決，深度學習是一個很好的選擇。NLP中的序列標注，統計機器翻譯都可用此類方法。如果問題本身就是一個目標并不能明確地用具體標簽描述，而是需要根據其所處的環境，做出一系列明確的動作，比如規劃問題，任務決策問題等，這類問題暫時還不適合用深度學習來處理，需要深度學習和邏輯相結合。
關于“傳統NLP方法”這個說法，我個人有不同的看法。對于NLP技術來說，其研究的是逼近語言現象本質的方法，或者說針對語言建模的方法，最早大家是從邏輯的角度來研究，然后加入了統計和機器學習，語言問題是個足夠大的問題，這些不同流派揭示的只是語言問題的不同側面而已。如果從應用的角度來看，當然合適的方法是要考慮語言問題的各個側面，融合邏輯，知識和統計的力量才能獲得有效的進步。很多所謂采用NLP技術的產品大都把眼光停留在文本分類，詞匯標注，甚至分詞這樣的單點任務上，其實離理解NLP技術的作用還差得很遠。
隨著終端的多樣化，設備的逐漸微型化，這是個必然的趨勢，我無法給出一個具體的時間預測，但我相信這一天肯定不會太遠，移動時代的到來就已經開始肢解搜索了。當前的搜索引擎不久后將會蛻化成“交互式搜索”后面的一個并不那么重要的服務，就像分類目錄式搜索被現在的搜索引擎取代一樣。
難點還在于自然語言理解，更具體一點說就是機器如何去“理解”人類語言。機器至少要理解人的意圖，并且能支持推理，推理本身必須也是一種計算，然后才能談對話，談交互，否則都是無源之水無本之木。
教育是一個很大行業呀，這方面我不專業，所以只能隨便說說。
從我們交互與決策引擎的角度來看的話，機器輔助教育可能是一個很有意思的點，讓機器人幫助完成教育過程中的一些機器更擅長的環節，比如改卷，不厭其煩地講解基本演算方法，理科類的答疑等。
技術上我個人比較關注自動問題求解，自動證明，因為這個和我們的技術也密切相關，但是這些AI方法和教育產品具體如何結合，比如輔助答疑，參與考試等，這方面我們還沒有仔細考慮過，但是應該是一個非常有趣的方向。
情感分析現在還是個分類問題，應該考慮更高級的特性，比如句法，甚至語義，而不應該停留在詞匯級這樣低級的特征上，換句話說分詞這樣和粒度相關的基礎特征不應該對高層的NLP應用有直接的影響，否則從系統擴展性來說就很致命。我覺得如果想要在更高級的層面釋放NLP的威力，就不應該在分詞這樣的環節上糾結，分詞的效果應該對模型最終的效果影響越小越好，甚至于說不依賴于分詞。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
