为什么Siri总是像个智障？智能助手背后的技术到底有多难？

导读：本文带你简单了解一下智能助手背后的会话式人工智能技术。

作者：木羊同学

来源：大数据DT（ID：hzdashuju）

01 大话智能助理

智能助理应该是当前人工智能技术最为成功的落地方向之一。我还记得，当初iPhone4S率先推出著名的人工智能助理Siri，马上就有不少评论家预测，Siri也将像iPhone一样，为人类开创一个全新的时代，而调戏Siri也成了当时最流行的游戏之一。当时我们在看视频演示的时候，心中都对Siri充满的期待。

我们一直说，智能手机智能手机，但以前总感觉所谓智能手机，也就是传统的手机+迷你版的电脑，“智能”体现在什么地方呢？现在有了Siri，手机真的能像个老友一样和你聊天打屁，感觉要名副其实得多了。

我们都听过智能助理，可是你是否认真想过一个问题：智能助理对于用户，到底意味着什么？也许不同人能给出很多不同的看法，不过，业界最常见的答案是，提供了全新的交互界面。

我们说Windows是桌面霸主，它的成功，就成功在提供了在当时来说相当友好的交互界面，相比黑乎乎的命令输入，Windows的桌面简单、直观，一下降低了PC的使用门槛。

而智能助理则是在这个已经不太高的门槛上再打一个“骨折”，几乎不需要额外的学习曲线，不用学习使用键盘鼠标，也不用熟悉系统界面，只需要用对话这种最自然的交互方式就能操控机器。相信在今年疫情期间，很多人说话最对的对象，就是家里各式各样的智能助理，譬如智能音箱。

02 新的交互界面

采用对话作为交互方式有很多优点，我觉得有两样最为重要。一样就是自然，人类从一出生就开始学习的技术也就两样，除了蹒跚学步，就只有牙牙学语，说话应该是我们日常中最常见也是最习惯的交互方式。

另一样是便捷，回想一下，手机也好、电脑也好，虽然给我们带来了种种便利，但也禁锢了我们最为重要的双手，而现在回归了用说话的方式操控机器，双手就被解放出来可能干别的事情。

正因为这两样有点，现在智能助理的应用场景很多，所以产品也很多，智能手机、智能音箱，甚至不少汽车也将智能助理作为重要卖点，现在我家电梯里经常播的一个汽车广告就是这样，里面的车载智能助理细心得就像亲妈一样，车主一回到车里就各种嘘寒问暖，就差非要加上一条秋裤。

不过，从今天往回看，智能助理的优势很大，推出自然是理所当然，但是，智能助理背后运用了一整套互相配合的智能技术，发展也是一波三折充满坎坷。

就拿Siri来说吧，别看今天Siri好像是一位高冷的知识女性，在它波折的成长路途中，说伤痕累累都是轻的，感觉好几次都差点在一片唾沫星子当中遭到灭顶之灾。

Siri的槽点很多，第一个就是语种。没错，虽然Siri可以算是iPhone 4S最大的卖点，很多人干脆就是冲着Siri去果断卖了肾。可是到手一看，发现自己吃了没文化的亏，人家Siri只听得懂英文，说完Hello以后，95%的用户都猛然发现自己像是头一次相亲一样，接下去就不知道该说什么好，词穷了。好不容易找到点句子吧，结果口音还必须纯正。

在大多数时候，Siri需要识别半天不说，最后返回结果经常是牛头不搭马嘴。语音识别时间长、识别结果不准在后来很长一段时间都是Siri的重要槽点，给人一种蠢笨难忍的感觉。哪怕后来iOS 6以后，Siri终于学会了中文，仍然距离那种与用户谈笑生风的形象相去甚远。

03 智能助理的耳朵和嘴巴

当时大家对智能助手还很新奇的时候，最想知道的问题之一，就是这个小葫芦里面究竟装了一副怎样的药，是不是真的把人缩小了然后塞进里面去。

我当时就十分好奇Siri的原理，究竟要做到以自然语言的形式，做到自然对话来控制机器，背后是怎样的一套机制在运行呢？但是查了好多资料，感觉大家也都还不甚清楚，只是模模糊糊说很高大上。

大家都容易高估不了解的东西的难度。其实，智能助理还真不太“复杂”，说起来，结构和我们熟悉的电脑还十分类似。

先说外设，智能助理要开口说话，同样需要一套输入输出设备，具体来说，我们不妨将智能助理的大脑当作电脑的CPU，CPU是需要得到数据输入，然后经过计算，在将结果输出，而所谓外设，就是能够能够将外部的语音转化为机器能懂的输入，以及将机器经过运算得到的结果转化成语音输出。

这是两项独立的任务，当然也都是采用人工智能技术来完成，分别为负责将语音转化为机器输入的自动语音识别技术（ASR），以及将结果转化为语音输出的语音生成技术（TTS）。这两项技术虽然听着复杂，背后的技术原理也确实足以写一本书，不过已经发展得较为成熟，人工智能方面有较为丰富的技术积累。

简单来说，ASR负责将声音转成文本，而TTS则负责将文本转成声音。具体就不介绍了，市面上已经有太多类似的技术，譬如微信就有声音转文本，这就是典型的ASR，而许多读书工具都有AI朗读功能，虽然吧效果一言难尽，从感情到灵魂一路都缺，不过用来理解ASR应该没有问题。

04 智能助理的大脑

最难也是最复杂的部分，就是实现智能语音助手的大脑，通常可以切分为三项独立的任务，分别为自然语言理解（NLU）、对话管理（DM）和自然语言生成（NLG）。这里出现了很多缩写，其实核心就是自然语言处理（NLP）。

自然语言处理，被誉为人工智能皇冠上的宝石，也是现在人工智能研究的重点方向，不断有模型推陈出新，很有一点一代版本一代神的意思。现在NLP的扛把子叫Bert，各大顶会只要和NLP沾边，都会现在肯定都会有一个占比颇重的环节，叫花式玩弄Bert。

说远了说回来。在智能助手的大脑中，NLU、DM和NLG就是NLP的两项重要任务。

NLU很好理解，人的语言和机器指令有个很大的不同点，就是前者属于非结构化数据，而后者属于结构化数据。非结构化数据机器是听不懂的，必须转化成结构化数据，机器才好理解和执行。那谁来扮演中介商呢？就是NLU。道理很好懂，但是实现很复杂，还有无数的坑在前面等着大家去填。

在智能助手中，NLU的角色是这样的，首先ASR将声音转成文本，当然，是非结构化文本，然后将这些文本输入给NLU，有NLU做一些阅读理解，把理解以后的意思按固定格式填写，也就是形成机器能懂得结构化文本，交给下游环节处理。

NLU的下游环节就是DM，对话管理，名字起得有点莫名其妙，其实就干两件事，一件事是状态追踪，解释起来很复杂，不过可以简单理解为根据上下文理解当前输入的意思，也就是做了个阅读理解。另一件事就是动作生成，你得根据人说话的意思作出回答。

那NLG是什么呢？和NLU正好反过来，是文本生成。上游不是通过DM作了阅读理解，输入了结构化文本吗？那根据这个输入，咱得通过动作生成思考一下该回答啥，一般的机器知道回答个Yes和No就了不起了，顶多再多给一点选项，不过光这样一点也不像自然对话，还得扩展扩展，也就是根据某个意思，“生成”一点文本内容，这就是NLG的工作。到了这一步，整条链子就串起来了。

现在这种智能助理应用已经非常多了，而还有一种类似但应用更广的技术，叫对话机器人技术，譬如双十一肯定能遇到的淘宝机器人客服，这种客服不需要听说能力，直接用文字对文字的形式进行沟通，相信看完了上文，大家应该也清楚对话机器人技术的基本原理。

不过，上面只是很浅显地介绍了会话式人工智能技术，还有很多细节的问题，譬如中文分词问题，需要在实际实践是加以解决。我推荐一本书，叫《会话式AI：自然语言处理与人机交互》，里面系统地介绍了会话式人工智能的相关内容，想要更深入了解该技术的同学可以仔细阅读。

关于作者：莫凡，网名木羊同学。娱乐向机器学习解说选手，《机器学习算法的数学解析与Python实现》作者，前沿技术发展观潮者，擅长高冷技术的“白菜化”解说，微信公众号“睡前机器学习”，个人知乎号“木羊”。

延伸阅读《会话式AI：自然语言处理与人机交互》

点击上图了解及购买

转载请联系微信：DoctorData

推荐语：腾讯、阿里、国家标准委&AIIA人工智能专家多年大型项目经验总结，详解NLP和人机交互核心技术，从技术、算法、实战3维度讲解聊天机器人原理、实现与工程实践。