“现在的聊天机器人为什么做得这么烂？” 自从读了聊天机器人方向的博士，这是我最常被问到的问题。 这个世界上的科技进步有两类，一类是委屈的，一类是不委屈的。 委屈和不委屈的区别在于：前者是大众期望走在科技进步前面；后者是大众期望走在科技进步后面。 比如，最初的汽车行业就一点都不委屈。亨利福特曾说：“如果我最初问消费者们想要什么，他们只会告诉我想要一匹更快的马。”——对于那个时候的福特而言，他只需要发明一辆低级的老爷车就可以创造历史。 而现在的自动驾驶从业者开始委屈了。人们早已想象好了一个无人汽车甚至飞行汽车应该长什么样子，站在终点看起点，怎么看，现在的状态都让人觉得“傻大笨粗”。 而聊天机器人也属于很委屈的一类。它的委屈在于——世界上所有人都知道一个好的聊天机器人应该是什么样的。自1950年被图灵提出，聊天机器人就成为了人类对于人工智能的“终极想象”。从《星球大战》里可爱而话痨的C-3PO，到《钢铁侠》里堪称全能助手的Javis，再到两年前的电影《Her》中有着寡姐声线和近乎完美设定的Samantha——人类对于聊天机器人一开始就直盯着结局，相比之下，现实中无论哪款聊天机器人都越看越像“人工智障”。 当大众期望走在科技进步后面时，研究者们就像是航海家，每到一处都是新的成就，掌声与鲜花闻风而来；当大众期望走在科技进步前面时，研究者们就像是马拉松跑者，你在漫长的跑道上汗流浃背，而路的尽头，却是一个早已预设好的了无新意的终点。 作为一个聊天机器人专业博士，这个现实一开始的确令人有点无fuck说。然而，慢慢地我却意识到，我们其实并没什么抱怨的资格。 在过去，回答开篇那个问题，我总会以“大众心理阈值过高”之类的理由来搪塞。可当我深入了解这个领域之后，我意识到，这怪不得别人——目前这个领域的从业者，我们自身做得并不好。 现在让我回答这个问题，我一般会以下面这句话开始： “因为聊天机器人领域，目前还不是一个well-defined question。” 什么是一个well-defined question？ 对于机器学习领域来说，刨去对于问题本身insight的深入理解不谈，首先，你至少需要一套被大家广泛使用的标准数据集，这样人们每提出一个新的模型，便可以在同一套数据集上进行实验和比对； 然后，你还需要一套行之有效的Metric，即自动评测方法，这样便可以对不同实验结果使用统一标准进行打分。 以“标准数据集+评测方法”为机制，才能够保证学术层面的公平性与透明性，这大大利于复现他人的实验，并在此基础上进行改进与提高——以此迭代下去，优秀的方法才会不断出现。 然而，聊天机器人领域的现状是：既没有一套统一的数据集，也没有一个统一的Metric。 学术界发论文时，往往每个组自己搞一套数据集，然后借隔壁领域的各种Metric（如机器翻译的BLEU，语言模型的ppl）来凑活着用，甚至很多时候直接进行人工评测。这样，不仅使得实验结果十分主观，也使得不同模型方法之间不具备任何可比较性——这就相当于一个人在水泥地上跑步，另一个人在橡胶地上练跳高，他们本身运动的环境就不一样，而你没法去比谁跑得快或谁跳得高，只能简单地看谁更“好”。 为什么标准的数据集和统一的Metric对于聊天机器人领域这么难？ 拿数据集来说，对话语料在自然场景下本就很难获取，天然有标注的语料更是无迹可寻。限于高昂的标注费用，现在各组大多只能通过与企业合作来借取对话语料，但涉及到企业隐私规定，语料往往无法开源，因此很多时候别组想要复现时很难拿到最初的语料数据。这是对话领域的标准数据集至今难产的一大原因。 这个问题，其实和十几年前的视觉图像领域（CV）有些类似。曾经CV领域也极度缺乏标准数据集，直到斯坦福大学的李飞飞教授领导小组发布了ImageNet，之后吸引了越来越多的人来贡献数据，问题也就迎刃而解了。 而对于评测Metric，到处借用隔壁领域并不十分合适的Metric，其背后深层次的原因，其实是学界对于对话任务本身的理解还并不透彻。 要想构建一个适合该领域的Metric，首先需要学术界对这个领域有一个较为全面深入的理解，在此基础上才能提出更有针对性也更为科学的Metric。联想到专为机器翻译任务核心特点“word-level alignment”设计的BLEU，目前我们似乎还没有找到对话任务相对别的任务最核心的特点。 一般而言，一个真正有价值的学术成果，从被学界认可，到在工业界的产品中实际落地，总要有几年的技术沉淀期。 工业界已有产品一般都经过较长的研发周期，无论组织架构还是代码都已相对成型且具备一定规模，这个时候如果下定决心上一套新方法，将面临着巨大的维护与调整开销，有些部分甚至需要推倒重来，涉及很多人力物力与可兼容性的问题。因此，工业界对于新技术的态度一向审慎，就算被证明work，也倾向于再等一段时间。更何况，从决定使用新成果，到完全调试成功真正上线，又要很长一段时间。 换句话说，学术界画饼画得再美好，工业届真的能吃到饼也得等到几年以后了。更别说聊天机器人这个领域，学术界的饼究竟要怎么画，现在还是没谱的事。 事实上，现在市面上绝大多数智能助理或者类似的聊天机器人系统，其内核都相当地“不智能”。 和任何领域一样，一旦技术从学术界走向工业界，系统的技术性与智能性往往就会降低一档。就像搜索引擎与机器翻译等再成熟的产品，最好效果的高频内容永远“靠手标”——以人工来辅助智能。 一位从事聊天机器人开发的工程师就曾向我调侃： “现在研发聊天机器人的成本，花在请人标数据的钱，比花在研发人员上的钱都多。” 当有时社会舆论出现热点问题，或是聊天机器人要新上一个skill时，一般从纯技术层面上是来不及保证效果与coverage的。这时，工程上采取的方法一般是手工开一个白名单，人工地“调大”某些回答被触发的概率——比如那些Siri里有趣的回答，很多都是人写的，和机器智能无关。 目前市场上一些主流聊天机器人的内核，很多时候都是用大量相对“暴力”的code“堆”起来的。 从另一个角度来看，一个公司开发的聊天机器人效果好不好，很大程度依赖于你有没有自己的数据。 有的数据来自搜索引擎。有些大公司的聊天机器人项目最初就是host在公司旗下的搜索项目上的。所以理论上讲，如果一家公司没有自己的搜索引擎，只能去借别家的凑活着用，搜索部分的许多质量会打折扣，聊天机器人就很难玩得转。 从这个角度来看，Google无愧是当前聊天机器人在技术层面上的翘楚，其它各家，Cortana的背后有Bing，度秘的背后有Baidu，连Alexa背后的Amazon其实也有自家的搜索引擎系统。 不过，有趣的是，唯一一家没有自己搜索引擎的巨头，因为拥有手机入口“强推”，反而占据了聊天机器人领域最大的市场。更有趣的是，这一点和十年前互联网时代的浏览器的格局简直一模一样，彼时微软靠windows操作系统强行捆绑，和现在情况如出一辙，可看看十年后的今天浏览器的结局，也许会对当前各家巨头聊天机器人的未来产生一些有趣的预测。 另一些数据来自手工建立的知识库。闲聊场景之外，工业应用落地，几乎靠的都是规则方法。 很赞同文因互联创始人鲍捷之前在文章《八一八聊天机器人》的观点： “能做好的最后必然是拥有数据的公司。制造设备的公司会有幻觉，以为自己有用户数据，其实此数据非彼数据。自然语言理解虽然是语义搜索的重要辅助工具，但是当前阶段还不应是Value Proposition或者Key Technology。浅而高质量的数据关系才是。” 这两年，人工智能重新走向历史前台，和深度学习的崛起密不可分，一片“奇点将至”的论断下，与人工智能相关的一切似乎都搭上了一条通向未来的快车道。 作为人工智能肇始的聊天机器人领域，有借着这波东风一举取得突破性进展么？ 似乎并没有。 严格来说，深度学习在对话领域至今几乎“寸功未立”。 从学界角度看，聊天机器人按照功能可以分为两类：一类以闲聊为目的，比如微软小冰；另一类则以完成任务、解决实际问题为导向，比如各类智能助手。 对于闲聊来说，对话的通顺连贯与“有趣”是关键，专业性似乎不重要；而对智能助手来说，解决问题是第一要务，因此系统需要能很好地利用相关数据库与外部知识。相比之下，前者对于深度学习技术的运用相对更好。但在大多数场景里，人们还是希望聊天机器人能解决一些实际问题，要为用户完成任务，这通常需要在结构化数据上做答案生成，很大程度依赖知识库应用和规则方法——在这个过程中，深度学习，乃至机器学习起的作用都不大。 事实上，在过去，对话领域的学界基本不用深度学习。这两年由于深度学习火了，很多人尝试把深度学习用在任务型助手上，但尚未有大突破。 未来，深度学习这条路究竟work还是不work，学术界也有争议，甚至不乏看衰之声。从一个本专业博士的角度，我也对此持谨慎态度，不过我同时觉得，现在就看衰深度学习似乎也还为时尚早。 想当初，在sequence-to-sequence模型诞生之前，也没人会想到深度学习在机器翻译领域能work，以那时机器翻译领域的一贯做法，似乎也看不到太多深度学习可以插手的空间。革命性技术的意义就在于，它可能会完全颠覆行业现有的做法，就像sequence-to-sequence模型之于机器翻译一样——而当这种革命性技术被提出之前，没有人知道它会是什么样的，经验总会让你觉得它并不存在。 学界尚无定论，当我们把目光投向工业界，从业者们更是“戴着镣铐起舞”了。 由于死磕技术链太难，很多从业者开始绕道前行：把软件做成各式各样的机器人、音箱，靠外观征服用户，靠设计征服用户——好看固然有利于user acquisition，但user retention还是要靠真本事。 考虑到对话领域当前还不是一个well-defined question，我认为，当前聊天机器人的战场更多还是在学界和巨头公司的战略布局，离独立商用还有一段距离。Timing很重要，标准的数据集与评测方法就绪了，一些方法论上的惊喜出现了，工业界的春天才会真正到来。 2011年10月4日，苹果在加州的库比提诺总部发布了它们的新一代智能手机。这是蒂姆·库克首次作为苹果CEO亮相，一天之后，乔布斯与世长辞。 这本该是一场极其特别的发布会，但新推出的iPhone4s却有点配不上这个时刻：它和被视为经典产品的前作iPhone4太像了，以至于刚出来那会儿，如何区分4和4s，几乎成了果粉论坛里的找茬游戏。 但苹果敢把4s和4做得那么像，不是毫无理由，他们对4s一个内在突破寄予厚望——全新的语音助手Siri。库克后来解释，4s里的“s”正是指Siri 。 在这部乔布斯生前留下的最后一部作品中，Siri被他视为最主要的创新点。在All Things Digital大会上被问及Siri是什么时，他曾斩钉截铁的说Siri“不是搜索公司，是人工智能公司”，在那个人工智能从业者多在孤独中前行的年代，这样的远见着实令人佩服。 Siri在挪威语中的含义是“引导你走向胜利的美人”。六年过去，我们果真如帮主预言跨入了人工智能时代，但恐怕，Siri还没有完成他生前设想的使命——人们还没有真的开始使用siri，只是偶尔调戏它。 如今，自阿兰图灵第一次提出“图灵测试”已过去六十余载，距第一个聊天机器人Eliza的诞生也已有整五十年。半个世纪几经起落，时有高潮，但人类似乎始终没有停止对于完美人工智能的幻想与渴望。 从哲学层面来讲，人类对于聊天机器人的痴迷其实是有内在逻辑的。 在茹毛饮血的蛮荒时代，手无寸铁的原始人要想获取信息，靠的只有“眼观六路耳听八方”；后来人类有了语言与文字，信息获取终有了正轨渠道；随着书籍逐渐增多，人类获取信息需要在汗牛充栋的图书馆中漫长耐心地检索与查找；互联网的到来解放了这一切，搜索引擎的轻轻一点带来了前所未有的便捷，但互联网同时也带来了信息量指数级的增长；再后来，当人们终于对从庞杂的网页结果中搜寻信息也感到厌倦时，直接给出回答的聊天机器人作为下一代解决方案，自然成为了大家的期待。 “心理阈值”，看起来是个和技术毫不相关的话题，但在科技史上却多次影响了技术从业者的命运。 李开复在回顾自己的研究经历时，曾感叹“生不逢时”。他对人工智能领域的主要贡献在语音识别技术上，摒弃了依靠语言学家的专家系统，开始使用统计模型方法，大大提高了语音识别的效率。 但当时，这个学术成果，尚无法达到大众可用的“心理阈值”。识别准确率从50%到80%也许从技术上看是很大提升，但人们能够接受的心理阈值却要求准确率至少达95%——在达到这个临界点之前，人们总会觉得人工智能是“人工智障”，无法满意，于是技术从业者总要坐在冷板凳上前行，并不能构成新的产业机会。 李开复遗憾自己当时没有遇上“深度学习”，他曾说：如我生在今天，我所开发的技术和产品一定会被亿万人使用，并深刻改变人们的生活方式。 作为一个研究对话系统的人，我有时也忍不住想：我们这一波，是不是还是生早了？依然没赶上聊天机器人和对话系统技术突破人们“心理阈值”的临界时刻。 按照大家心中所想，一个真正走向胜利的聊天机器人，所承载的，应该是越过信息的海啸、代替上一代搜索引擎“把网页摆到用户面前让用户自己找”的方式，给用户以直接的回应，可想而知，如果对话系统真的胜利了，其前景，理应是一个与互联网量级相当的东西。 这一天何时到来？ Siri的CEO Dag Kittlaus有一篇文章Siri Is Only The Beginning，也聊起过这种真正的胜利，文章里说，“when our kids are our age”。 等我们的孩子都长大，20-30年吧。 爬科技树，绝非一朝一夕。聊天机器人真的没有捷径。 END.聊天机器人不是一个well-defined question
“手标数据花的钱比给研发人员的钱还多”
深度学习到底work还是不work？
“胜利美人”何时胜利？
