江苏龙网

  1. 首页 > 人文 > >

『PMCAFF产品经理社区』AI付出了多少努力，为了读懂你

今天我们不聊算法 ， 也不聊数学 ， 写一篇人人都能看懂的小学生作文 。
1.
1966年 ， 来自麻省理工学院的计算机科学家JosephWeizenbaum发布了一款名为“ELIZA”的聊天机器人 。 Eliza的知识范围有限 ， 只能和特定领域的人聊天 。 但是在Eliza刚出现时 ， 很多用户认为他们是在和真人对话 。 注意看以下这段对话：
『PMCAFF产品经理社区』AI付出了多少努力，为了读懂你
文章图片
从以上对话来看 ， 很难不被认为是一名已婚妇女在向她的心理医生大吐苦水 ， 没有人会认为这是一次人机交互的对话 。 但实际上 ， ELIZA并没有尝试去理解用户的输入是什么意思 。
如果你细心看对话的内容你会发现 ， ELIZA经常在复述用户说过的单词 。 它的实现方式很聪明 ， 主要是采用一种“将计就计”的策略 ， 将用户的陈述重新表达为问题并返回给用户 。
尽管这些对话都是通过规则匹配方式实现的 ， 但是一些巧妙的关键词提取可以让它比较自然地接话 ， 让用户觉得眼前的这个“人”具有共情能力 。 ELIZA甚至被用来假冒过心理医生 ， 并且有许多和它对话过的人都不相信这只是一个程序 。
在我看来 ， 虽然ELIZA只是浑水摸鱼 ， 重复叙述者所说的内容 ， 但是它的出现 ， 对后续聊天机器人的设计思路有很大的启发 。 通过规则匹配不能让机器人很好地引导交互对话 ， 但是却能够满足任务式对话的需要 。
时间来到了1995年 ， 一名叫RichardS.Wallace的科学家观察到一个现象 。 他发现组成人们日常谈话主题的句子不过几千句 ， 如果他做一个对话机器人 ， 想要覆盖所有的日常用语 ， 甚至包括一些不常用的话语 ， 大概只需要4万个回答就足够了 。 只要将这些问答结果全部输入到程序中 ， 那么它就可以回应95%以上的日常对话了 。
说干就干 ， 于是诞生了一款名为“ALICE”的聊天机器人 。 我们看看这款机器人的对话过程：
『PMCAFF产品经理社区』AI付出了多少努力，为了读懂你
文章图片
这次的对话就更加像是两个真人之间的交流了 ， 而且也看不到ALICE在复述对话者的内容 ， 而是尝试与之交谈 ， 甚至在言语中透露出一点小个性出来 。
ALICE就像是ELIZA的加强版 ， 使用更大的语料库 ， 使用更先进的关键词匹配技术 ， 甚至是好几个答案对应一个问题 ， 可以随机显示或者根据逻辑判断 ， 选出合适的答案 。 这样就显得回答不会那么死板 ， 更像是真人之间的交流 。 实现思路虽然很简单 ， 但这种方式已经能够满足大多数任务型对话的场景 。
自从苹果公司在2011年发布Siri以后 ， 多个智能个人助理（IPA）出现并且进入市场 ， 比如谷歌助手、微软的Cortana以及亚马逊的Alexa等等 。
除了物料库、匹配逻辑的进一步升级以外 ， 这类个人助理还可以访问手机里的多个数据源 ， 如音乐、电影、日历、电子邮箱和个人资料 。 因此它们可以提供不同场景下的大量服务 ， 例如播放音乐、查天气、拨打电话、发短信等等 ， 都是这类IPA的基操 。
『PMCAFF产品经理社区』AI付出了多少努力，为了读懂你
文章图片
虽然以上对话看起来已经很智能了 ， 但总觉得差了点什么 。 Siri仅仅是在接收指令 ， 然后给出反馈 ， 其实也没有理解我们在说什么 ， 甚至很难去分析我们的要求 。
当我询问Siri最近有什么好看的电影时 ， 它没办法直接回答 ， 只能根据我的问题到网路上检索然后反馈结果 。 虽然这种交互已经能够满足我们日常大部分任务式对话 ， 但是距离我们所想的“智能”好像还是有一些距离 。
2.
为什么让机器理解语言这么难？
主要是因为以下两方面的原因：
1.一方面是因为语言的规律错综复杂 ， 不是用简单的统计就可以计算出概率的 。 不同的语言之间语法结构不用 ， 并且同一种语言对于同一个意思有不同的表达方式 ， 同一个表达也可能有不同的理解 。 我们去建立一个语料库相当于重新为人类语言建立一个百科全书 ， 工作量十分巨大；


推荐阅读


上一篇：安卓中国■又是营销噱头？联想拯救者官宣：90W快充即将到来

下一篇：老炮儿许老板：8，米罗的新“朋友”：Redmi小爱触屏音箱