图灵汇官网

机器之心专栏：自然语言对话的现状与未来

引言

近年来，随着科技的发展，各种自然语言对话系统层出不穷，如语音助手、智能客服、智能音箱和聊天机器人等。这些系统在实际应用中越来越广泛，但同时也暴露出了不少局限性。本文探讨了自然语言对话系统面临的挑战，并展望了未来的发展方向。作者李航教授基于自身的研究与开发经验，对这些问题进行了深入剖析。

前提条件

功能主义

马尔（David Marr）曾提出，计算分为功能层面、算法和表征层面、以及实现和物理层面。若两个系统在功能层面能够完成相同任务，则认为它们在功能上是等价的。无论是人脑还是计算机，只要在功能上能够实现相同的任务，就可以视为具有同等的智能水平。本文主要从功能主义的角度探讨对话系统。

合理行动的智能机器

人工智能领域存在两种智能机器的定义：一种是像人一样行动的机器，另一种是合理行动的机器。本文倾向于后者。合理行动的智能机器具备以下特征： 1. 与环境互动； 2. 有明确的任务目标； 3. 有评价标准来衡量任务完成情况； 4. 不刻意模仿人类； 5. 能够在某些方面超越人类。

合理行动的智能机器相比像人一样行动的机器更为现实可行。目前大部分人工智能系统都属于这一类型。大数据和机器学习技术推动了这条路线的发展。

自然语言对话

自然语言理解

自然语言理解有两种定义：基于表征和基于行为。前者关注语言内部表征，后者关注语言的实际作用。本文从功能角度概述语言理解过程，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语言映射到系统内部表征。这过程中会产生多义性和多样性，即一句话可以有多重含义，一个含义可以用多种方式表达。

人脑的语言理解机制

尽管对人脑语言处理机制了解有限，但已有研究表明，大脑的不同区域参与语言处理。布洛卡区负责句法，韦尼克区负责词汇。此外，嵌入模拟假说认为，语言理解依赖于视觉、听觉和运动等表象的模拟。

语言对话与任务

对话是一种任务驱动的交流形式。对话系统需要理解对方的语言，产生内部表征，从而判断任务完成情况。对话任务通常可以用有限状态机表示，状态表示任务的一个阶段，目标状态表示任务完成。

当前技术

目前，自然语言对话系统主要基于数据驱动和机器学习技术。对话技术可分为单轮对话和多轮对话。单轮对话有基于分析、基于检索和基于生成的方法，而多轮对话系统则较为复杂，包括语言理解、语言生成、对话管理和知识库等模块。

最新进展

近年来，深度学习和强化学习被成功应用于自然语言处理领域，尤其是对话系统。例如，神经符号机、神经查询器、符号查询器等模型的应用，以及基于层次化深度强化学习的对话策略学习方法。

未来展望

未来自然语言对话的研究重点包括： - 语义接地，即语言到内部表征的映射； - 多义性和多样性的处理； - 符号表征和神经表征的结合； - 多轮对话系统的优化； - 层次化和模块化的系统设计； - 小样本条件下的对话模型训练。

总结

从功能主义角度看，计算机可以实现自然语言对话，但目前仍面临诸多挑战。语言理解的关键在于内部表征的建立。基于分析的方法在任务驱动场景中尤为重要，基于检索的方法适用于单轮问答，而基于生成的方法主要用于特定场景。深度学习和强化学习的结合将是未来发展的方向。