“ Artificial-Intelligently Challenged ”
前言
大家好，我又出来怼人了。
两年前，写了一篇文章《为什么现在的人工智能助理都像人工智障》，当时主要是怼“智能助理们”。这次呢则是表达 “我不是针对谁，只是现在所有的深度学习都搞不定对话AI”，以及“你看都这样了，那该怎么做AI产品”。
阅读门槛
时间：这篇真的太长了（近3万字）根据预览同学们的反馈，通常第一次阅读到Part 3时，会消耗很多精力，但读完Part 3才发现是精华（同时也是最烧脑的部分）。请大家酌情安排阅读时间。
可读性：我会在内容里邀请你一起思考（无需专业知识），所以可能不适合通勤时间阅读。你的阅读收益取决于在过程中思考的参与程度。
适合人群：对话智能行业从业者、AIPM、关注AI的投资人、对AI有强烈兴趣的朋友、关心自己的工作会不会被AI代替的朋友；
关于链接：阅读本文时，无需阅读每个链接里的内容，这并不会影响对本文的理解。
关于“人工智障”四个字
上一片文章发出后，有朋友跟我说，标题里的“人工智障”这个词貌似有点offensive。作为学语言出身的，我来解释一下这个原因：
最开始呢，我是在跟一位企业咨询顾问聊人工智能这个赛道的现状。因为对话是用英语展开的，当时为了表达我的看法 “现在的智能助理行业正处在一种难以逾越的困境当中”，我就跟她说“Currently all the digital assistants are Artificial-Intelligently challenged”。
她听了之后哈哈一笑。“intelligently challenged”同时也是英文中对智障的委婉表达。 假设不了解这个常识，她就可能忽略掉这个梗，尽管能明白核心意思，只是不会觉得有什么好笑的。那么信息在传递中就有损失。
写文章时，我把这个信息翻译成中文，就成了“人工智障”。但是因为中文语法的特性，有些信息就lost in translation了。比如实际表达的是“一种困境的状态”而不是“一件事”。
（顺便说一下，中文的智障，实际上是政治正确的称呼，详见特殊奥运会的用词方法。）
为什么要写那么多字来解释这个措辞？因为不同的人，看见相同的字，也会得到不同的理解。这也是我们要讨论的重点之一。
那么，我们开始吧。
Part 1
对话智能的表现：智障
Sophia in AI for Good Global Summit 2017.Source: ITU
2017年10月，上图这个叫Sophia的机器人，被沙特阿拉伯授予了正式的公民身份。公民身份，这个评价比图灵测试还要牛。何况还是在沙特，他们才刚刚允许女性开车不久（2017年9月颁布的法令）。
Sophia经常参加各种会、“发表演讲”、“接受采访”，比如去联合国对话，表现出来非常类似人类的言谈；去和Will Smith拍MV；接受Good morning Britain之类的主流媒体的采访；甚至公司创始人参加Jim Fallon的访谈时一本正经的说Sophia是“basically alive”。
Basically alive. 要知道，西方的吃瓜群众都是看着《终结者》长大的，前段时间还看了《西部世界》。在他们的世界模型里，“机器智能会觉醒” 这个设定是迟早都会发生的。
普通大众开始吓得瑟瑟发抖。不仅开始担心自己的工作是不是会被替代，还有很多人开始担心AI会不会统治人类，这样的话题展开。“未来已来”，很多人都以为真正的人工智能已经近在咫尺了。
只是，有些人可能会注意到有些不合理的地方：“等等，人工智能都要威胁人类了，为啥我的Siri还那么蠢？”
Source: Dumb And Dumber: Comparing Alexa, Siri, Cortana And The Google Assistant, Forbes, May 2018
我们来看看到2018年末在对话智能领域，各方面究竟发展的如何了。
“ 不要日本菜 ”
我在2016年底做过一个测试，对几个智能助理提一个看似简单的需求：“推荐餐厅，不要日本菜”。只是各家的AI助理都会给出一堆餐厅推荐，全是日本菜。
2年过去了，在这个问题的处理上有进展么？我们又做了一次测试：
结果是依然没有解决。“不要”两个字被所有助理一致忽略了。
为什么要关注“不要”两个字？之前我去到一家某非常有名的智能语音创业公司，聊到这个问题时，他家的PM显出疑惑：“这个逻辑处理有什么用？我们后台上看到用户很少提出这类表达啊。”
听到这样的评论，基本可以确定：这家公司还没有深入到专业服务对话领域。
场景方面，一旦深入进服务领域里的多轮对话，很容易会遇到类似这样的表达 ：“我不要这个，有更便宜的么？”。后台没有遇到，只能说用户还没开始服务就结束了。场景方面与AI公司的domain选择有关。
但是在技术方面，则是非常重要的。因为这正是真正智能的核心特点。我们将在part 2&3详细聊聊这个问题。现在先抛个结论：这个问题解决不了，智能助理会一直智障下去的。
“ To C 团队转 To B”
自从2015年几个重要的深度学习在开发者当中火了起来，大小公司都想做“Her”这样面对个人消费者的通用型智能助理（To C类产品的终极目标）。一波热钱投给最有希望的种子队伍（拥有Fancy背景）之后，全灭。目前为止，在2C这方面的所有商用产品，无论是巨头还是创业公司，全部达不到用户预期。
在人们的直觉里，会认为“智能助理”，处理的是一些日常任务，不涉及专业的需求，应该比“智能专家”好做。这是延续“人”的思路。推荐餐厅、安排行程是人人都会做的事情；却只有少数受过专业训练的人能够处理金融、医疗问诊这类专业问题。
而对于现在的AI，情况正好相反。现在能造出在围棋上打败柯洁的AI，但是却造不出来能给柯洁管理日常生活的AI。
随着to C助理赛道的崩盘，To B or not to B已经不再是问题，因为已经没得选了，只能To B。这不是商业模式上的选择，而是技术的限制。目前To B，特别是限定领域的产品，相对To C类产品更可行：一个原因是领域比较封闭，用户从思想到语言，不容易发挥跑题；另一方面则是数据充分。
只是To B的公司都很容易被当成是做“外包”的。因为客户是一个个谈下来的，项目是一个个交付的，这意味着增长慢，靠人堆，没有复利带来的指数级增长。大家纷纷表示不开心。
这个“帮人造机器人”的业务有点像“在网页时代帮人建站”。转成To B的团队经常受到资本的质疑： “你这个属于做项目，怎么规模化呢？”
要知道，国内的很多投资机构和里面的投资经理入行的时间，是在国内的移动互联起来的那一波。“Scalability”或者“高速增长”是体系里最重要的指标，没有之一。而做项目这件事，就是Case by case，要增长就要堆人，也就很难出现指数级增长。这就有点尴尬了。
“你放心，我有SaaS！哦不，是AIaaS。我可以打造一个平台，上面有一系列工具，可以让客户们自己组装机器人。”
然而，这些想做技能平台的创业公司，也没有一个成功的。短期也不可能成功。
Yann LeCun对AIaas的看法
主要的逻辑是这样的：你给客户提供工具，但他需要的是雕像——这中间还差了一个雕塑家。佐证就是那些各家试图开放“对话框架”给更小的开发者，甚至是服务提供者，帮助他们“3分钟开发出自己的AI机器人”，具体就不点名了。自己都开发不出来一个让人满意的产品，还想抽象一个范式出来让别人沿用你的（不work的）框架？
不过，我认为MLaaS在长期的成功是有可能的，但还需要行业发展更为成熟的时候，现在为时尚早。具体分析我们在后面Part 5会谈到。
“ 音箱的成功和智能的失败 ”
对话这个领域，另一个比较火的赛道是智能音箱。
各大主要科技公司都出了自己的智能音箱，腾讯叮当、阿里的天猫精灵、小米音箱、国外的Alexa、Google的音箱等等。作为一个硬件品类，这其实是个还不错的生意，基本属于制造业。
不仅出货不差，还被寄予期望，能够成为一个生态的生意——核心逻辑看上去也是充满想象力的：
超级终端：在后移动时代，每家都想像iphone一样抢用户的入口。只要用户习惯使用语音来获得咨询或者服务，甚至可以像Xbox/ps一样，硬件赔钱卖，软件来挣钱；
用语音做OS：开发者打造各类语音的技能，然后通过大量“离不开的技能” 反哺这个OS的市场占有；
提供开发者平台：像Xcode一样，给开发者提供应用开发的工具和分发平台、提供使用服务的流量。
可是，这些技能使用的实际情况是这样的：
Source: Statista
万众期待的killer app并没有出现；
基本没有商业服务型的应用；
技能开发者都没赚到钱，也不知道怎么赚钱；
大部分高频使用的技能都没有商业价值——用户用的最多的就是“查天气”
没有差异性：智能的差异嘛基本都没有的事儿。
“ 皇帝的新人工智能 ”
回过头来，我们再来看刚刚那位沙特阿拉伯的公民，Sophia。既然刚刚提到的那么多公司投入了那么多钱和科学家，都搞成这样，凭什么这个Sophia能一鸣惊人？
因为Sophia的“智能” 是个骗局。
可以直接引用Yann LeCun对此的评价， “这完全是鬼扯”。
简单来说，Sophia是一个带喇叭的木偶——在各种大会上的发言和采访的内容都是人工撰写，然后用人人都有的语音合成做输出。却被宣传成为是其“人工智能”的自主意识言论。
这还能拿“公民身份”，可能是人类公民被黑的最惨的一次。这感觉，好像是我家的橘猫被一所985大学授予了土木工程学士学位。
其实对话系统里，用人工来撰写内容，或者使用模版回复，这本来就是现在技术的现状（在后面我们会展开）。
但刻意把“非智能”的产物说成是“智能”的表现，这就不对了。
考虑到大部分吃瓜群众是通过媒体渠道来了解当前技术发展的，跟着炒作的媒体（比如被点名的Tech Insider）都是这场骗局的共犯。这些不知道是无知还是无良的文科生，真的没有做好新闻工作者份内的调查工作。
最近这股妖风也吹到了国内的韭菜园里。
Sophia出现在了王力宏的一首讲AI的MV里；然后又2018年11月跑去给大企业站台。
真的，行业内认真做事儿的小伙伴，都应该站出来，让大家更清晰的知道现在AI——或者说机器学习的边界在哪儿。不然甲方爸爸们信以为真了，突然指着sophia跟你说，“ 别人都能这么自然，你也给我整一个。”
你怕不得装个真人进去？
对了，说到这儿，确实现在也有：用人——来伪装成人工智能——来模拟人，为用户服务。
Source: The Guardian
国内的案例典型的就是银行用的大堂机器人，其实是真人在远程语音（所谓Tele presence）。美国有X.ai，做基于Email的日程管理的。只是这个AI到了下午5点就要下班。
当然，假如我是这些骗局背后开发者，被质疑的时候，我还可以强行拉回人工智能上：“这么做是为了积累真正的对话数据，以后用来做真的AI对话系统识别的训练。”
这么说对外行可能是毫无破绽的。但是真正行业内干正经事的人，都应该像傅盛那样站出来，指明这些做法是骗人：“全世界没有一家能做出来......做不到，一定做不到”。
人家沙特是把AI当成人，这些套路是把人当成AI。然后大众就开始分不清楚究竟什么是AI了。
“ 人工智能究竟（tmd）指的是什么？”
另一方面，既然AI现在的那么蠢，为什么马一龙 (Elon Musk) 却说“AI很有可能毁灭人类”；霍金甚至直接说 “AI可能是人类文明里最糟糕的事件”。
而在另一边，Facebook和Google的首席科学家却在说，现在的AI都是渣渣，根本不需要担心，甚至应该推翻重做。
大家该相信谁的？一边是要去火星的男人，和说不定已经去了火星的男人；另一边是当前两家科技巨头的领军人物。
其实他们说的都对，因为这里说到的“人工智能”是两码事。
马一龙和霍金担心的人工智能，是由人造出来的真正的智能，即通用人工智能（AGI, Artificial General Intelligence）甚至是超级智能（Super Intelligence）。
而Yann LeCun 和Hinton指的人工智能则是指的当前用来实现“人工智能效果”的技术（基于统计的机器学习）。这两位的观点是“用这种方式来实现人工智能是行不通的”。
两者本质是完全不同的，一个指的是结果，一个指的是（现在的）过程。
那么当我们在讨论人工智能的时候，究竟在说什么？
John McCathy在1956年和Marvin Minsky，Nathaniel Rochester 以及Claude Shannon在达特貌似研讨会上打造了AI这个词，但是到目前为止，学界工业界并没有一个统一的理解。
最根本的问题是目前人类对“智能”的定义还不够清楚。何况人类本身是否是智能的最佳体现，还不一定呢。想想每天打交道的一些人：）
一方面，在大众眼中，人工智能是 “人造出来的，像人的智能”，比如Siri。同时，一个AI的水平高低，则取决于它有多像人。所以当Sophia出现在公众眼中的时候，普通人会很容易被蒙蔽（甚至能通过图灵测试）。
Oracle对AI的定义也是 “只要是能让计算机可以模拟人类行为的技术，都算！”
而另一方面，从字面上来看“Artificial Intelligence”，只要是人造的智能产品，理论上都算作人工智能。
也就是说，一个手持计算器，尽管不像人，也应算是人工智能产品。但我相信大多数人都不会把计算器当成是他们所理解的人工智能。
这些在认识上不同的解读，导致当前大家对AI应用的期望和评估都有很多差异。
再加上还有“深度学习、神经网络、机器学习” 这些概念纷纷跟着人工智能一起出现。但是各自意味着什么，之间是什么关系，普通大众都不甚了解。
“ 没关系，韭菜不用懂。” 但是想要割韭菜的人，最好能搞清楚吧。连有些投资人自己也分不清，你说怎么做判断，如何投项目？当然是投胸大的。
以上，就是到2018年末，在对话领域的人工智能的现状：智能助理依然智障；大部分To B的给人造机器人的都无法规模化；对话方面没有像AlphaZero在围棋领域那样的让人震惊的产品；没有商业上大规模崛起的迹象；有的是一团浑水，和浑水摸鱼的人。
为什么会这样？为什么人工智能在图像识别，人脸识别，下围棋这些方面都那么快的进展，而在对话智能这个领域却是如此混乱？
既然你都看到这里了，我相信你是一个愿意探究本质的好同志。那么我们来了解，对话的本质是什么；以及现在的对话系统的本质又是什么。
Part 2
当前对话系统的本质：填表
“ AI thinks, man laughs ”
Source:The Globe and Mail
有一群小鸡出生在一个农场，无忧无虑安心地生活。
鸡群中出现了一位科学家，它注意到了一个现象：每天早上，食槽里会自动出现粮食。
作为一名优秀的归纳法信徒(Inductivist)，这只科学鸡并不急于给出结论。它开始全面观察并做好记录，试图发现这个现象是否在不同的条件下都成立。
“星期一是这样，星期二是这样；树叶变绿时是这样，树叶变黄也是这样；天气冷是这样，天气热也是这样；下雨是这样，出太阳也是这样！”
每天的观察，让它越来越兴奋，在心中，它离真相越来越接近。直到有一天，这只科学鸡再也没有观察到新的环境变化，而到了当天早上，鸡舍的门一打开，它跑到食槽那里一看，依然有吃的！
科学鸡，对他的小伙伴，志在必得地宣布：“我预测，每天早上，槽里会自动出现食物。明天早上也会有！以后都会有！我们不用担心饿死了！”
经过好几天，小伙伴们都验证了这个预言，科学鸡骄傲的并兴奋的把它归纳成“早起的小鸡有食吃定理”。
正好，农场的农夫路过，看到一只兴奋的鸡不停的咯咯叫，他笑了：“这只鸡很可爱哦，不如把它做成叫花鸡好了” 。
科学鸡，卒于午饭时间。
在这个例子里，这只罗素鸡（Bertrand Russell’s chicken）只对现象进行统计和归纳，不对原因进行推理。
而主流的基于统计的机器学习特别是深度学习，也是通过大量的案例，靠对文本的特征进行归类，来实现对识别语义的效果。这个做法，就是罗素鸡。
目前，这是对话式人工智能的主流技术基础。其主要应用方向，就是对话系统，或称为Agent。之前提到的智能助理Siri，Cortana，Google Assistant以及行业里面的智能客服这些都算是对话智能的应用。
“ 对话智能的黑箱 ”
这些产品的交互方式，是人类的自然语言，而不是图像化界面。
图形化界面（GUI）的产品，比如网页或者APP的产品设计，是所见即所得、界面即功能。
对话智能的交互（CUI, Conversational UI）是个黑箱：终端用户能感知到自己说出的话（输入）和机器人的回答（输出）——但是这个处理的过程是感觉不到的。就好像跟人说话，你并不知道他是怎么想的。
每一个对话系统的黑箱里，都是开发者自由发挥的天地。
虽说每家的黑箱里面都不同，但是最底层的思路，都万变不离其宗，核心就是两点：听人话（识别）+ 讲人话（对话管理）。
如果你是从业人员，那么请回答一个问题：你们家的对话管理是不是填槽？若是，你可以跳过这一节（主要科普填槽是怎么回事），请直接到本章的第五节“当前对话系统的局限” 。
“ AI如何听懂人话 ？”
对话系统这个事情在2015年开始突然火起来了，主要是因为一个技术的普及：机器学习特别是深度学习带来的语音识别和NLU(自然语言理解)——主要解决的是识别人讲的话。
这个技术的普及让很多团队都掌握了一组关键技能：意图识别和实体提取。这意味着什么？我们来看一个例子。
在生活中，如果想要订机票，人们会有很多种自然的表达：
“订机票”；
“有去上海的航班么？”；
“看看航班，下周二出发去纽约的”；
“要出差，帮我查下机票”；
等等等等
可以说“自然的表达” 有无穷多的组合（自然语言）都是在代表 “订机票” 这个意图的。而听到这些表达的人，可以准确理解这些表达指的是“订机票”这件事。
而要理解这么多种不同的表达，对机器是个挑战。在过去，机器只能处理“结构化的数据”（比如关键词），也就是说如果要听懂人在讲什么，必须要用户输入精确的指令。
所以，无论你说“我要出差”还是“帮我看看去北京的航班”，只要这些字里面没有包含提前设定好的关键词“订机票”，系统都无法处理。而且，只要出现了关键词，比如“我要退订机票”里也有这三个字，也会被处理成用户想要订机票。
自然语言理解这个技能出现后，可以让机器从各种自然语言的表达中，区分出来，哪些话归属于这个意图；而那些表达不是归于这一类的，而不再依赖那么死板的关键词。比如经过训练后，机器能够识别“帮我推荐一家附近的餐厅”，就不属于“订机票”这个意图的表达。
并且，通过训练，机器还能够在句子当中自动提取出来“上海”，这两个字指的是目的地这个概念（即实体）；“下周二”指的是出发时间。
这样一来，看上去“机器就能听懂人话啦！”。
这个技术为啥会普及？主要是因为机器学习领域的学术氛围，导致重要的论文基本都是公开的。不同团队要做的是考虑具体工程实施的成本。
最后的效果，就是在识别自然语言这个领域里，每家的基础工具都差不多。在意图识别和实体提取的准确率，都是百分点的差异。既然这个工具本身不是核心竞争力，甚至你可以用别家的，大把可以选，但是关键是你能用它来干什么？
“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）
在这方面，最显而易见的价值，就是解放双手。语音控制类的产品，只需要听懂用户的自然语言，就去执行这个操作：在家里要开灯，可以直接说 “开灯”，而不用去按开关；在车上，说要“开天窗”，天窗就打开了，而不用去找对应的按钮在哪里。
这类系统的重点在于，清楚听清哪个用户在讲是什么。所以麦克风阵列、近场远场的抗噪、声纹识别讲话的人的身份、ASR（语音转文字），等等硬件软件的技术就相应出现，向着前面这个目标不断优化。
“讲人话”在这类应用当中，并不那么重要。通常任务的执行，以结果进行反馈，比如灯应声就亮了。而语言上的反馈，只是一个辅助作用，可有可无。
但是任务类的对话智能，往往不止是语音控制这样一轮交互。如果一个用户说，“看看明天的机票”——这表达正常，但无法直接去执行。因为缺少执行的必要信息：1）从哪里出发？和 2）去哪里？
如果我们希望AI Agent来执行这个任务，一定要获得这两个信息。对于人来完成这个业务的话，要获得信息，就得靠问这个用户问题，来获得信息。很多时候，这样的问题，还不止一个，也就意味着，要发起多轮对话。
对于AI而言，也是一样的。
要知道 “去哪里” = Agent 问用户“你要去哪里？”
要知道 “从哪里出发” = Agent 问用户“你要从哪里出发呢？”
这就涉及到了对话语言的生成。
“ AI 如何讲人话？”
决定“该说什么话”，才是对话系统的核心——无论是硅基的还是碳基的智能。但是深度学习在这个版块，并没有起到什么作用。
在当前，处理“该说什么”这个问题，主流的做法是由所谓“对话管理”系统决定的。
尽管每一个对话系统背后的“对话管理”机制都不同，每家都有各种理解、各种设计，但是万变不离其宗——目前所有任务类对话系统，无论是前段时间的Google duplex，还是智能客服，或者智能助理，最核心的对话管理方法，有且仅有一个：“填槽”，即Slot filling。
如果你并不懂技术，但是又要迅速知道一家做对话AI的水平如何，到底有没有黑科技(比如刚刚开始看AI领域的做投资的朋友 )，你只需要问他一个问题：“是不是填槽？”
如果他们（诚实地）回答“是”，那你就可以放下心来，黑科技尚未出现。接下来，能讨论的范围，无非都是产品设计、工程实现、如何解决体验和规模化的困境，这类的问题。基本上该智障的，还是会智障。
要是他们回答“不是填槽”，而且产品的效果还很好，那么就有意思了，值得研究，或者请速速联系我：）
那么这个“填槽”究竟是个什么鬼？嗯，不搞开发的大家可以简单的把它理解为“填表”：好比你要去银行办个业务，先要填一张表。
如果这张表上的空没有填完，柜台小姐姐就不给你办。她会红笔给你圈出来：“必须要填的空是这些，别的你都可以不管。” 你全部填好了，再递给小姐姐，她就去给你办理业务了。
还记得刚刚那个机票的例子么？用户说“看看明天的机票”，要想执行“查机票”，就得做以下的步奏，还要按顺序来：
1. ASR：把用户的语音，转化成文字。
2. NLU语义识别：识别上面的文字，属于（之前设定好的）哪一个意图，在这里就是“订机票”；然后，提取文字里面的实体，“明天”作为订票日期，被提取出来啦。
3. 填表：这个意图是订机票，那么就选“订机票”这张表来填；这表里有三个空，时间那个空里，就放进“明天”。
（这个时候，表里的3个必填项，还差两个：“出发地”和“到达地”）
4. 开始跑之前编好的程序：如果差“出发地”，就回“从哪里走啊？”；如果差“目的地”，就回“你要去哪里？”（NLG上打引号，是因为并不是真正意义上的自然语言生成，而是套用的对话模版）
5. TTS：把回复文本，合成为语音，播放出去
在上面这个过程当中，1和2步奏都是用深度学习来做识别。如果这个环节出现问题，后面就会连续出错。
循环1-5这个过程，只要表里还有空要填，就不断问用户，直到所有的必填项都被填完。于是，表就可以提交小姐姐（后端处理）了。
后端看了要查的条件，返回满足这些条件的机票情况。Agent再把查询结果用之前设计好的回复模板发回给用户。
顺便说一下，我们经常听到有些人说“我们的多轮对话可以支持xx轮，最多的时候有用户能说xx轮”。现在大家知道，在任务类对话系统里，“轮数的产生”是由填表的次数决定的，那么这种用“轮数多少”来衡量产品水平的方法，在这个任务类对话里里完全无意义。
一定要有意义，也应该是：在达到目的、且不影响体验的前提下，轮数越少越好。
在当前，只要做任务类的多轮对话，基本跑不掉填表。
5月的时候，Google I/O发布了Duplex的录音Demo，场景是Google Assistant代替用户打电话去订餐厅，和店员沟通，帮助用户预定位子。值得注意，这并不是Live demo。
Google's Assistant. CREDIT:GOOGLE
那Google的智能助理（后称IPA）又怎么知道用户的具体需求呢？跑不掉的是，用户还得给Google Assistant填一张表，用对话来交代自己的具体需求，比如下面这样：
图中左边是一个使用Google Assistant订餐厅的真实案例，来自The Verge。
“ 当前对话系统的局限 ”
我刚刚花了两千来个字来说明对话系统的通用思路。接下来，要指出这个做法的问题
还记得之前提到的 “不要日本菜”测试么？我们把这个测试套用在“订机票”这个场景上，试试看：“看看明天去北京的航班，东航以外的都可以”，还是按步奏来：
1. ASR语音转文字，没啥问题；
2. 语义识别，貌似有点问题
- 意图：是订机票，没错；
- 实体提取：跟着之前的训练来；
- 时间：明天
- 目的地：北京
- 出发地：这个用户没说，一会得问问他...
等等，他说的这个“东航以外的都可以”，指的是啥？之前没有训练过与航空公司相关的表达啊。
没关系，咱们可以把这个表达的训练加上去：东航 = 航司。多找些表达，只要用户说了各个航空公司的名字的，都训练成航司这个实体好啦。
另外，咱们还可以在填表的框里，添加一个航司选择，就像这样（黄色部分）：
（嗯，好多做TO B的团队，都是掉在这个“在后面可以加上去”的坑里。）
但是，这么理所当然的训练之后，实体提取出来的航司却是“东航”——而用户说的是 “东航以外的”，这又指的哪个（些）航司呢？
“要不，咱们做点Trick把‘以外’这样的逻辑单独拿出来手工处理掉？”——如果这个问题可以这么容易处理掉，你觉得Siri等一干货色还会是现在这个样子？难度不在于“以外”提取不出来，而是在处理“这个以外，是指哪个实体以外？
当前基于深度学习的NLU在“实体提取”这个技术上，就只能提取“实体”。
而人能够理解，在这个情况下，用户是指的“排除掉东航以外的其他选择”，这是因为人除了做“实体提取”以外，还根据所处语境，做了一个对逻辑的识别：“xx以外”。然后，自动执行了这个逻辑的处理，即推理，去进一步理解，对方真正指的是什么（即指代）。
而这个逻辑推理的过程，并不存在于之前设计好的步奏（从1到5）里。
更麻烦的是，逻辑的出现，不仅仅影响“实体”，还影响“意图”：
“hi Siri，别推荐餐厅”——它还是会给你推荐餐厅；
“hi Siri，除了推荐餐厅，你还能推荐什么？”——它还是会给你推荐餐厅。
中文英文都是一样的；Google assistant也是一样的。
想要处理这个问题，不仅仅是要识别出“逻辑”；还要正确判断出，这个逻辑是套用在哪个实体，或者是不是直接套用在某一个意图上。这个判断如何做？用什么做？都不在当前SLU的范围内。
对这些问题的处理，如果是集中在一些比较封闭的场景下，还可以解决个七七八八。但是，如果想要从根本上、泛化的处理，希望一次处理就解决所有场景的问题，到目前都无解。在这方面，Siri是这样，Google Assistant也是这样，任意一家，都是这样。
为啥说无解？我们来看看测试。
“ 用图灵测试来测对话系统没用 ”
一说到对人工智能进行测试，大部分人的第一反应是图灵测试。
5月Google I/O大会的那段时间，我们团队正在服务一家全球100强企业，为他们规划基于AI Agent的服务。
在发布会的第二天，我收到这家客户的Tech Office的好心提醒：Google这个像真人一样的黑科技，会不会颠覆现有的技术方案？我的回答是并不会。
话说Google Duplex在发布会上的demo确实让人印象深刻，而且大部分看了Demo的人，都分辨不出打电话去做预定的是不是真人。
“这个效果在某种意义上，算是通过了图灵测试。”
Google母公司的Chairman说google duplex可以算过了图灵测试了
由于图灵测试的本质是“欺骗” (A game of deception，详见Toby Walsh的论文)，所以很多人批评它，这只能用来测试人有多好骗，而不是用来测智能的。在这一点上，我们在后文Part 4对话的本质中会有更多解释。
人们被这个Demo骗到的主要原因，是因为合成的语音非常像真人。
这确实是Duplex最牛的地方：语音合成。不得不承认，包括语气、音调等等模拟人声的效果，确实是让人叹为观止。只是，单就在语音合成方面，就算是做到极致，在本质上就是一只鹦鹉——最多可以骗骗Alexa（所以你看活体识别有多么重要）。
只是，Google演示的这个对话系统，一样处理不了逻辑推理、指代这类的问题。这意味着，就它算能过图灵测试，也过不了Winograd Schema Challenge测试。
相比图灵测试，这个测试是直击深度学习的要害。当人类对句子进行语法分析时，会用真实世界的知识来理解指代的对象。这个测试的目标，就是测试目前深度学习欠缺的常识推理能力。
如果我们用Winograd Schema Challenge的方法，来测试AI在“餐厅推荐”这个场景里的水平，题目会是类似这样的：
A. “四川火锅比日料更好，因为它很辣”
B. “四川火锅比日料更好，因为它不辣”
AI需要能准确指出：在A句里，“它”指的是四川火锅；而在B句里，“它”指的则是日料。
还记得在本文Part 1里提到的那个“不要日本菜测试”么？我真的不是在强调“回字有四种写法”——这个测试的本质，是测试对话系统能不能使用简单逻辑来做推理（指代的是什么）。
而在Winograd Schema Challenge中，则是用世界知识（包括常识）来做推理：
如果系统不知道相应的常识（四川火锅是辣的；日料是不辣的），就没有推理的基础。更不用说推理还需要被准确地执行。
有人说，我们可以通过上下文处理来解决这个问题。不好意思，上面这个常识根本就没有出现在整个对话当中。不在“上文”里面，又如何处理？
对于这个部分的详细解释，请看下一章 （Part 3 对话的本质）。
尽管指代问题和逻辑问题，看上去，在应用方面已经足够致命了；但这些也只是深度学习表现出来的诸多局限性中的一部分。
哪怕更进一步，再过一段时间，有一家AI在Winograd Schema Challenge拿了100%的正确率，我们也不能期望它在自然语言处理中的表现如同人一样，因为还有更严重和更本质的问题在后面等着。
“ 对话系统更大的挑战不是NLU ”
我们来看问题表现在什么地方。
现在我们知道了，当人跟现在的AI对话的时候，AI能识别你说的话，是靠深度学习对你说出的自然语言进行分类，归于设定好的意图，并找出来文本中有哪些实体。
而AI什么时候回答你，什么时候反问你，基本都取决于背后的“对话管理”系统里面的各种表上还有啥必填项没有填完。而问你的话，则是由产品经理和代码小哥一起手动完成的。
那么，这张表是谁做的？
或者说，是谁决定，对于“订机票”这件事，要考虑哪些方面？要获得哪些信息？需要问哪些问题？机器又是怎么知道的？
是人。是产品经理，准确点说。
就像刚才的“订机票”的案例，当用户问到“航司”的时候，之前的表里并没有设计这个概念，AI就无法处理了。
要让AI能处理这样的新条件，得在“订机票”这张表上，新增加“航空公司”一栏（黄色部分）。而这个过程，都得人为手动完成：产品经理设计好后，工程师编程完成这张表的编程。
所以AI并不是真的，通过案例学习就自动理解了“订机票”这件事情，包含了哪些因素。只要这个表还是由人来设计和编程实现的，在产品层面，一旦用户稍微谈及到表以外的内容，智障的情况就自然出现了。
因此，当Google duplex出现的时候，我并不那么关心 Google duplex发音和停顿有多像一个人——实际上，当我观察任意一个对话系统的时候，我都只关心1个问题：
“是谁设计的那张表：人，还是AI？”
只是，深度学习在对话系统里面，能做的只是识别用户讲出的那句话那部分——严格依照被人为训练的那样（监督学习）。至于其他方面，比如该讲什么话？该在什么时候讲话？它都无能为力。
但是真正人们在对话时的过程，却不是上面提到的对话系统这么设计的，而且相差十万八千里。人的对话，又是怎么开展的？这个差异究竟在哪里？为什么差异那么大？所谓深度学习很难搞定的地方，是人怎么搞定的呢？毕竟在这个星球上，我们自身就是70亿个完美的自然语言处理系统呢。
我们需要了解要解决的问题，才可能开展解决问题的工作。在对话领域，我们需要知道人们对话的本质是什么。下一章比较烧脑，我们将讨论“思维”这件事情，是如何主导人们的对话的。
关于作者
作者Mingke，正在从事对话智能方面的创业，为世界一百强企业提供对话智能应用的咨询和解决方案。上次《为什么现在的人工智能助理都像人工智障》一文发出来之后，认识结交了不少行业内的朋友。希望这次，把过去一段时间的思考与大家分享，能给行业内的新老朋友们一些启发，有兴趣沟通和碰撞的也欢迎与我联系。
欢迎行业里的新老朋友勾搭吐槽，微信：mingke27 （请注明称呼+所在机构）