市北GMIS | 字节跳动李航：自然语言对话技术的发展机遇与挑战

以下为演讲主要内容，机器之心进行了不改变原意的整理：

大家好！非常高兴今天有机会跟大家交流。

可能每天大家都会使用各种自然语言对话系统，今天我想跟大家分享一下对对话技术的一些观点。

语音对话技术的发展和应用

首先看一个视频（见前文视频），这个是 1992 年美国的一个电视节目。现在大家都知道，各种语音助手热成什么样，给大家看看 27 年前的技术。27 年前是这个水平，语音合成的是非常机械的声音，是科幻电影里面机器人的声音，能够识别的命令也不多。尽管现在看来很粗糙，根据李开复博士的介绍，当时的这项对话技术能够学习连续的对话，理解连续的语音，还能理解多个不同的话者的语音，在当时来说是很大的进步了。

相比刚才看到的视频，目前我们可以使用各种语音对话技术，比如语音助手、问答系统、呼叫中心等，可见 27 年来，自然语言对话行业和领域发生了很大的变化。我们日常生活当中，也有各种对话系统：电视、车载、手机、智能音响、呼叫中心、问答系统，还有闲聊机器人。

对话技术已经在市场上开始普及。在国内，有调查显示，在去年每天使用语音助手的用户中，频繁使用的用户（每天使用和每周使用语音助手的用户）可以占总用户数量的 3/4 左右。

但是市场调查也发现，真正使用语音助手的用户并不是特别多。例如，尽管智能手机上基本都有语音助手，但是大概只有 5% 的用户使用或使用过这样的技术。

在汽车和电视平台上，使用语音助手的用户比例稍微多一点，30%-45%。因为这个场景比较适合使用语音对话，不方便用手操作，或者说如果要执行命令，操作会比较复杂，而用语音对话是一个更自然的方式。此外，使用各种智能音箱的频率大概也是 25% 左右。

语音对话技术在两方面应用较多，一方面是命令，另一方面则是问答。这两种技术都比较成熟，已经可以看到很多相关领域的应用。

但是开放领域对话实现依然非常困难。在各种各样的聊天机器人应用中，真正和用户实现自然聊天的非常少。现有的技术还不能够真正解决用户实际的痛点，不能解决实际的问题。只能帮助用户节省一些时间和劳力，不能够帮助用户完成很多的事情，这就是我们所看到的挑战。

虽然现阶段一些基本的技术比较成熟，但是要继续发展也有很多的挑战和瓶颈，需要今后不断的努力。

划分一下对话技术，大概可以分成这样几个方面。首先是有应用，基本上分为命令和问答。这两点目前已经可以完成得很好了。在实现方法上可以基于规则或基于机器学习来实现。如果没有数据，可能需要使用规则，有数据的情况下则使用机器学习。从对话技术来说，又可以分为单轮多轮技术。更具体的来说，有基于分析、检索或基于生成的技术，可以应用在不同的场景中。

为什么自然语言对话非常困难，总结起来有两个问题非常难解决，如果能够解决，就可以实现人类一样的智能。

首先是自然语言理解问题，这一问题涉及到人的智能的所有方面，实现起来非常困难。另一方面，人工智能技术实现对话任务也非常困难。从功能来看，对话本身是一种任务——双方通过对话进行信息交流，以达成某种目的。比如说，对话中，双方交流信息和感情。困难的地方在于，在对话过程中，整个任务不断的被设置、被终止、被恢复，现有的人工智能技术很难实现。现在强化学习或人工规则可以实现一些功能，但是让对话系统像人一样定义任务、产生任务、完成任务，需要涉及到人类智能的各个方面，是非常具有挑战的问题。语言理解和任务完成是人工智能中最有挑战的问题，但是短期内无法实现。

短期内的语音对话技术发展方向

那么短期内（5-10 年），一方面我们需要继续推动技术发展，另一方面我们需要关注对话技术的商业前景。

比如上图中的这位作者，他写了一本书，书名叫《像爱迪生一样去创新》。作者总结了爱迪生发明创造的基本原则，其中一条是：爱迪生非常强调发明创新在市场上的价值。我们在进行真正的创新时，要考虑到发明在市场中可以给用户带来多大的价值。通俗的说，用户买单的不是简简单单的想法的实现，而是真正能够帮助用户解决实际的问题。这样的产品才是有市场价值的发明创造。这本书的作者认为，爱迪生一生在践行这一想法。

回到对话系统中，对话技术不仅仅是借助语言进行信息交互，而是需要考虑人类对话中的特性。人类的对话的本质是带有情感信息的分享。在人与人之间的对话中，语言需要遵循社会规范和当前的习俗。对话系统应当反映这样的特征。所以要建立一个对话系统，能够和用户在不同的场景里去做信息交流，甚至是感情的交流。在这个过程中，不仅需要考虑技术，还需要考虑设计，将技术和设计结合起来，支持不同的功能，并考虑到系统和用户交流中感情、社会方面的因素。这是其中一个需要考虑的因素。

另一方面，虽然技术永远在不断进步，但是不一定能够满足用户的需求。有两个概念，叫做技术的上界和使用的下界。比如说技术性能指标中的准确率，随着技术在不断进步，性能的上界也不断的提高，但是用户使用的时候主要关注的是下界，准确率达不到一定水平的话，用户不愿意使用的。

用户使用的技术下界不一定绝对值非常高，有可能 50% 就可以满足需求。比如说，在视频领域抓捕犯人，准确率达到 50% 就可以使用了。在安防领域，即使一些应用的准确率并没有达到 80%、90% 的水平，也已经可以使用了。但是在一些场景中，用户的需求要求非常高，准确率达到 99% 才能够使用。即使技术性能达到 95% 也是不可以使用的。所以我们要结合技术大概能达到的上界是多少，用户使用的性能要求的下界是多少。只有技术上界达到了用户需要的下界才能使用。

案例

未来对话技术可以应用在很多场景中。首先是由任务驱动的对话机器人。这种应用现在非常普遍，比如各种各样的语音助手。

还有其他几类机器人，如信息类的机器人、情感类的机器人、游戏类的机器人。我觉得这些未来都有发展的空间。可以看一些例子：

信息类机器人

在信息类机器人方面，已经有一些公司在开发这样的产品。比如，亚马逊的 Alexa 智能音箱。亚马逊近几年还举办了一个 Alexa Price 比赛，邀请大学的老师和同学参加。在任务上，这个音箱机器人不是传统意义上的明显需要完成任务的机器人，而是进行信息交互，让音箱机器人可以在互联网、社交媒体找到各种有趣的信息，和用户进行对话。虽然有时候对话的完成情况并不理想，但是很有意思，能够帮助用户更好的获得信息。

当用户和 Alexa 系统进行互动的时候，用户可以说是和系统的一个技能进行互动。比如用户说「我们谈谈体育吧（Let』s talk about sports）」，当用户提到这句话的时候，技能就会启动，并调动体育方面的技能。系统可以和用户一起谈论体育方面的内容，比如相关的新闻、社交媒体上的评论等。

在评价对话系统的好坏的时候，评价的指标也是多维度的，比如用户的满意度、聊天长度、讨论内容的丰富度等。

这种对话方式是一种新的帮助人们获取信息的方式。我们知道，人们获取信息的方式，主要有两种：搜索和推荐。大家每天获得信息基本靠这样两种方式。但是这种 social bot 的方式，又提供了另外一种可能的信息收集的方式——不是严肃的去搜索出一个结果，也不是给用户精准推荐一个东西，而是以聊天的形式帮助用户获得信息。

情感类机器人

还有一个例子我觉得挺有意思，这个不是对话机器人，但是是一个机器人，是日本去年发布的，叫「Lovot」。（见视频介绍）这个机器人很有意思，我和他们公司的 CEO 交流过，谈到了 Lovot 产品没有正式发布时他们的一些想法。他认为 Lovot 不能被设计成智能化的产品。他们需要告诉用户，Lovot 没有生命，自身也不是很智能，但是它能帮助用户发现自己。用户通过和 lovot 的互动，和它有情感上的交互。用户其实能够在交互中发现自己，这就是 Lovot 的定位。比如说 Lovot 有一个摄像头，看到人以后，它就会把双臂张起来，希望用户能抱一抱。用户还可以给它换衣服，跟它进行情感上的交流。机器人本身不是很智能，但是能够真正在情感上帮助用户。

为什么要设计这种产品呢？Lovot CEO 认为，人都是很怕孤独的。而 Lovot 这样的机器人就能够帮助我们去避免孤独，发现自己，像是一种智能宠物。我们在养宠物的时候，不会认为宠物是人，也不会认为它们那么的智能，但是我们养宠物的时候非常开心，非常愿意跟宠物进行各种交互。这种机器人未来应该也能够拥有这样的能力。

游戏类应用

对话系统还有一种机会就是在游戏里面。比如说，这个是比较古老的游戏，叫做 facade。有一对夫妇住在一个公寓里面，玩家可以进入这个公寓，两个夫妇正在吵架，玩家需要敲键盘，用英语跟他们对话。聊天对话的结果有两种，一种是帮助这两个人和好，一种是帮助这两个人分手，还有一种是用户说话的时候得罪了这两个人，最后被赶出房间。大家都说这个游戏设计得很有意思，得了很多奖。

这个例子可以说明，游戏也是对话技术一个能够发挥的地方。我们有这么多的对话技术，在游戏中设计好，就可以使得玩家觉得非常有意思。因为在游戏里面，语言理解的错误是可以被用户容忍的，但是用户会觉得很有意思。比如用户自己敲了一句话，系统没有理解，但是用户反而觉得非常有意思，有趣味性，这是我们可以考虑的。

所以综合起来我们看到，未来对话机器人，都有很多可以发挥的场景，包括信息类、情感类、游戏类，再加上完成任务的机器人，我们真的可以让对话技术在不同的领域里面开花结果。

设计对话系统的原则

现在我分享个人总结的在字节跳动和以前华为工作的一些经验，设计对话系统中应该遵循的原理或者规则。大概有四条。

第一条，产品能够实现在一个场景里的自封闭。我做自然语言处理，以及以前做自然语言接口，需要把自然语言转化成数据库的语句。当时大家有非常清晰的共识——用户跟系统对话的时候不喜欢限定什么能说，什么不能说。用户不想去记忆可以表达和不能表达的语句。自然语言是用户可以自由表达，而系统能直接理解的东西。限制的结果是，用户不想使用这个产品了。所以说，在一个场景里面，一定要让用户能够完成一个事情，完成一个功能，用户不管怎么表达，系统都能够理解，这是比较重要的。

我们永远都有一个 80%、20% 的规律。我们不可能让系统在开发的时候，在某个场景中，把所有可能的说法都覆盖，这是不可能的。能够覆盖百分之八九十已经不错了，这百分之八九十的内容，需要系统理解得非常准确。特别是标准的说法，一定要理解得非常准确。

另外一个重要的原则是，系统不可能百分之百理解用户在这个场景里提到所有东西，比如语音识别有噪音，在家庭场景中，旁人说了一句话，却被这个系统识别出来，导致系统误反应。总之会出现一些这样的问题，我们人可以很好的应对，但是现在的技术不一定可以。

所以第二个原则是，在系统失败的时候一定要非常优雅。在系统处理不好的时候，能够给用户提示，表示系统现在听不懂，而且表达得相对比较自然。这个我们刚才讲到，设计非常重要。不同时候的系统失败要很好的处理，让用户感到舒适。系统失败的时候不能立刻结束，而影响用户体验。

比如说，我们现在的 iPhone，或者其他的安卓手机的系统都有一个「home」功能。当用户操作某一个应用的时候，有时候程序会卡死，按一下「home」就可以回到主界面。其实对话系统也是这样的，一旦发现和用户对话失败的时候，要能够很好的降落到「home」界面，使得用户知道可以重新开始对话，这是一个重要的原则。

第三个原则是，要在对话中融入情感和文化。我们之前已经提到，对话技术不仅是语言本身的问题，也包括了情感和文化的因素。怎么样能使得对话更加富有情感，包含文化方面的因素，这也是非常重要的问题。

最后一个原则是，不要让系统装得非常智能。我个人最不喜欢这样的系统设计。比如说某个系统宣称自己什么都能理解，看上去非常智能。但是用户稍微换一个说法，或者出一个类似的问题时，系统却不能很好的响应。这会让用户觉得这个系统根本不智能，反而露馅了。

所以，尽管我们希望系统越来越智能，大家用起来越来越方便，最终真的觉得这个对话系统就像真人一样。但是这要一步步来，如果没有达到这个水平，硬是伪装得很智能化，这不是很好的做法。

总结

最后做一个总结：

今天我们主要谈到了自然语言对话的现状。我跟大家分享了一下对未来发展的一些想法。

现在，一些技术已经比较成熟，能够实用，但是之后更大的突破，需要更长时间的努力，还有很多非常有挑战的问题需要解决。但是我们当前既不需要非常悲观，也不要特别乐观。我们虽然解决了一部分的问题，但是大部分问题，特别是代表用户真正痛点的问题还没有被真正解决，现在的系统只是一个智能助手。用户的任何表达都能理解的系统，短时间还是无法开发出来。

但是我们有希望，而且还有很多的商业机会，重点是一定要考虑到怎么样给用户带来真正的价值，这是发明创造的核心。我们看到业界已经有这样趋势，不仅仅是传统的完成任务方面的对话系统，在信息分享、情感、游戏等领域中，对话系统都有很大的发展前景。当然，我们在设计这样的系统时，应该遵循几个原则。系统在一个场景里应该尽量自封闭、能够优雅的失败、能够加入情感社交的因素、尽量不要假装智能。谢谢大家！