图灵汇官网

引言

近年来，随着语音助手、智能客服、智能音箱和聊天机器人等自然语言对话系统的不断涌现，对话技术的应用逐渐普及。然而，尽管这些系统越来越实用，但技术本身的局限性依然明显。计算机究竟在多大程度上能自如地与人进行对话？自然语言对话面临哪些挑战？未来可能会出现哪些突破？我们需要关注哪些关键技术的发展？

笔者曾在华为从事对话技术的研究，并参与了华为Mate10语音助手的开发工作。本文基于这些经验和研究，尝试回答上述问题。

前提条件

功能主义

计算理论的奠基人之一大卫·马尔（David Marr）提出了计算的三个层面：功能层面、算法和表征层面、实现和物理层面。如果两个系统具有相同的输入和输出，它们在功能层面被认为是等价的。本文讨论对话系统时，也遵循这一功能主义的视角。

合理行动的智能机器

人工智能的目标是构建能够合理行动的智能机器。这类机器具备以下特点：系统与环境互动、目标导向、有评价标准、旨在功能上完成任务而不模仿人类、并且在某些方面的能力达到或超过人类。合理行动的智能机器相比模仿人类的机器更加实际可行，尤其是在当前对人脑工作原理尚不完全清楚的情况下。

因此，未来构建“合理行动”的对话系统应是我们追求的目标。这种系统可以为用户提供问答服务、帮助用户完成任务（如打开音箱、订机票），甚至成为用户的陪伴。

自然语言对话

自然语言理解

自然语言理解有两种不同的定义：基于表征和基于行为。基于表征的定义是指系统将输入语言转换为内部表征；基于行为的定义是指系统根据输入语言采取相应行动。两者在某种程度上是互补的。本文将从功能角度概述自然语言理解的过程，即输入是自然语言语句，输出是语句的语义表征，包括词汇分析、句法分析、语义分析和语用分析。

自然语言理解的核心在于将输入语句映射到系统内部的表征。这种映射是非唯一的，存在多义性和多样性。例如，“I saw a girl with a telescope”这句话可以有多种解释，而“distance between sun and earth”和“how far is sun from earth”则表达了相同的意思。

人脑的语言理解机制

人类的语言理解是一个复杂的过程，涉及大脑的多个区域。布洛卡区（Broca's area）和韦尼克区（Wernicke's area）在语言处理中起着关键作用。嵌入模拟假说（embodied simulation hypothesis）表明，人脑中的语言理解是基于视觉、听觉和运动等表象的模拟。例如，回答“大猩猩有没有鼻子？”这个问题时，我们会先在脑海中浮现出大猩猩的形象，然后据此作出回答。

语言对话与任务

对话是一种信息交流的过程，涉及多个参与者之间的互动。对话可以被视为一系列任务，如问候、问答、协作等。对话中的任务可以用有限状态机表示，状态表示完成任务的一个阶段。例如，订机票任务可以分为提供信息、确认信息等多个阶段。

对话系统需要对对方的发话进行理解，从而判断任务的完成情况。任务驱动的对话需要语义表征的支持。

当前技术

目前，对话技术主要依赖于数据驱动和机器学习。单轮对话可以分为基于分析、基于检索和基于生成的方法。多轮对话系统则通常包含语言理解、语言生成、对话管理和知识库等模块。对话管理使用有限状态机表示对话过程，逐步获取信息并完成任务。

最新进展

近年来，深度学习和强化学习在自然语言处理领域取得了显著进展。端到端训练和表征学习是深度学习的主要特点，使深度学习成为强大的工具。例如，神经符号机（Neural Symbolic Machines）可以从知识图谱中找到答案，而基于层次化深度强化学习的对话策略可以辅助用户进行旅行安排。

未来展望

未来自然语言对话的研究重点包括：

• 如何更好地实现语义接地，即将自然语言映射到内部表征。
• 解决语言理解中的多义性和多样性问题。
• 结合符号表征和神经表征，实现深度学习和符号处理的结合。
• 研究多轮对话系统，特别是在特定领域的应用。
• 构建复杂系统，使其具备自动学习功能。
• 在小样本条件下优化对话模型的学习效果。

总结

本文从功能主义角度探讨了计算机进行自然语言对话的可能性。虽然计算机在特定领域已经实现了类似人类的对话，但扩展到更广泛的领域仍面临挑战。语言理解的核心在于向内部表征的映射，多义性和多样性是主要挑战。未来的发展方向包括结合符号表征和神经表征，实现深度学习和符号处理的结合。