作者：邵浩

作為人工智能時代的入口級產(chǎn)品，近年來，聊天機器人受到了大量的關(guān)注，也得到了快速的發(fā)展。但隨著 2018 年 Facebook 關(guān)閉其虛擬助手 M，亞馬遜 Echo 也被爆出侵犯用戶隱私的問題，再加上聊天機器人實際使用效果遠低于大眾預期，整個行業(yè)也逐步走向低迷。聊天機器人的困境到底在哪兒？在如今的技術(shù)條件和市場環(huán)境下，聊天機器人廠家如何進行突圍？使用新技術(shù)，開辟新賽道，是否能解決問題？本文將詳細梳理聊天機器人的現(xiàn)狀及技術(shù)，指出其存在的問題，并討論了未來可能的發(fā)展方向。本文作者為狗尾草人工智能研究院院長、日本國立九州大學工學博士邵浩。

困境

一、聊天機器人太傻了

我是一個聊天機器人的從業(yè)者，辦公桌上和家里有各式各樣的聊天機器人產(chǎn)品。和大多數(shù)用戶的體驗一樣，對于一個剛剛到手的產(chǎn)品，最開始的感覺是新鮮興奮，但當體驗完功能之后，剩下的就是失望和無奈。然后，很可能就將其放在角落里再也不會打開，或者僅僅作為一個音箱，來播放音樂。

這就跟聊天機器人廠商的初衷背道而馳了。一邊是廠商希望用戶長久留存在產(chǎn)品上，一邊是用戶對產(chǎn)品的日均使用時間快速下降。那么為什么會出現(xiàn)這種情況？為什么大多數(shù)用戶對于聊天機器人的滿意度很低？

從人類的天性中，可以一窺端倪。天主教教義對人類的惡性分為七種。舉例來說，人類是懶惰的，總是希望以最少的代價獲取最大的利益。而由于技術(shù)的限制，和聊天機器人的對話經(jīng)常會使得溝通成本增加。比如，語音識別率在實際場景中不可能達到 100%，也就造成了在嘈雜環(huán)境中喚醒聊天機器人，許多時候是一個很不舒服的體驗。相比而言，人類的耳朵對于「雞尾酒會效應」卻游刃有余。又比如，想讓聊天機器人完成一項功能（訂機票、查天氣或播放一首特定風格的音樂），有時候必須通過非常明確的語言，進行多次溝通。相比而言，古代皇帝想做一件事情的時候，甚至不需要用到語言，只需一個眼神，太監(jiān)就馬上能意會到皇帝的目的。這里提到的還只是純交互部分的問題，如果再出現(xiàn)網(wǎng)絡延遲、敏感詞和敏感話題、甚至還有一些稀奇古怪的 bug，讓聊天機器人答非所問，就會讓人更加不滿。

作為從業(yè)人員，我在使用這些產(chǎn)品的時候還是很寬容的，由于知道聊天機器人的軟肋，就會盡可能的跟聊天機器人心平氣和的對話。一次不行，我再試一次，這個指令不管用，我再換一種問法。但對于普通用戶，可不會買賬。我們看下如圖 1 這個用戶，冷不丁的半夜被聊天機器人的怪笑嚇個半死。英文翻譯過來的意思就是「躺在床上正要睡著了，突然某某某音箱中的虛擬助手向我發(fā)出很大聲讓人毛骨悚然的笑聲... 今晚我要被殺了」。這個時候，如果是我的話，除了把它從樓上扔下去摔個粉碎之外，好像也沒有什么平復心情的辦法了。

圖 1. 用戶對聊天機器人的吐槽

再舉一個例子，在分析用戶使用數(shù)據(jù)的時候可以發(fā)現(xiàn)，排名靠前的功能主要有閑聊、問天氣、播放音樂等。剛接觸這個行業(yè)的時候，我曾認為，既然是被高頻觸發(fā)的功能，就證明這些是用戶的「剛需」。只要對剛需功能做好優(yōu)化，用戶留存度和滿意度自然會大幅提升。后來才慢慢體會到，有些時候，并不是用戶真的最喜歡問天氣和播放音樂，而是其他的功能體驗感實在是差強人意，比較成熟的也就剩下天氣和音樂了。這就牽扯到「七宗罪」中的又一個「罪」：貪婪。用戶總是想得到更多，所以在剛拿到聊天機器人產(chǎn)品的時候，自然而然的會不斷試探其邊界，所以交互的內(nèi)容也會天馬行空，五花八門。但如果用戶得到的都是負面反饋，隨著期望的降低，問答范圍也會縮小到一些成熟和穩(wěn)定的功能上。就好像是新婚之夜，滿懷期待掀開新娘的面紗，卻發(fā)現(xiàn)等待著的是如花。

二、為什么要做聊天機器人

既然聊天機器人效果都做的不好，那為什么還有大量的公司一窩蜂涌入到這個市場？頭部廠商不惜重金做補貼，甚至能做到人民幣兩位數(shù)的售價。尤其像兒童教育聊天機器人，雖然已成為血海市場，仍然還有很多公司前赴后繼進入到這個賽道。

這還要從我們所處的時代說起。我是 80 后，很幸運經(jīng)歷了近 40 年技術(shù)爆發(fā)的 4 個時代，分別是 PC 時代、互聯(lián)網(wǎng)時代、移動互聯(lián)網(wǎng)時代和人工智能時代。而我們現(xiàn)在所處的人工智能時代，也正是 AI技術(shù)發(fā)展歷史上的第三次浪潮。

每一個時代都有其對應的入口級產(chǎn)品。在 80 到 90 年代，個人電腦是最主要的入口，其特點是「運算力改變生活」，個人電腦和 Windows 操作系統(tǒng)，成就了 IBM 和微軟兩個硬件和軟件的巨頭。我至今還記得當時用一臺 486 電腦和 14 寸的球面顯示器，玩仙劍奇?zhèn)b傳的場景。而在隨后到來的互聯(lián)網(wǎng)時代，核心特點是「連接顛覆一切」，人們可以通過網(wǎng)絡隨時隨地進行信息搜索和信息交互，同時也造就了谷歌這樣一個偉大的公司。第三個時代是移動互聯(lián)網(wǎng)時代，移動技術(shù)帶來了兩大變革，一是數(shù)據(jù)利用效率的提升，導致服務發(fā)生了變化，人們可以隨時隨地享受例如叫車、點餐等即時服務，二是交互方式的改變，智能手機（主要是觸屏手機）成為了入口級設備，這個時代中最具有代表性的公司就是蘋果，iPhone 也成為了顛覆性的產(chǎn)品。

當人們跨越到人工智能時代，微軟又提出對話即平臺（Conversation As A Platform）的理念，并稱之為一種交互方式的「回歸」。之所以稱之為「回歸」，是因為從遠古時代起，語言是人類最自然的交互方式。人們通過語言來打招呼、八卦、協(xié)同狩獵，也就拉近了群體中人與人之間的距離。以色列歷史學家尤瓦爾?赫拉利的《人類簡史》甚至把「八卦」提到了非常重要的位置，是人與動物、人與其他史前人類的關(guān)鍵區(qū)別。以前由于技術(shù)的限制，人們不得不通過鍵盤和鼠標與機器進行「對話」，而現(xiàn)在我們具備了「對話即平臺」的條件，可以很好的實現(xiàn)這種最自然的交互方式，完成各種服務。因此，在人工智能時代，語音交互產(chǎn)品也自然而然成為了入口級產(chǎn)品，而聊天機器人就是一個最典型的體現(xiàn)。

因此，為了搶占這一「入口」，無論是技術(shù)巨頭還是創(chuàng)業(yè)大軍，都加入到了本就不寬的賽道中來，就如「千樹萬樹梨花開」一樣，出現(xiàn)了大量的聊天機器人產(chǎn)品。同時在 B 端和 G 端市場，為了顯得自己的高大上，很多大企業(yè)和政府機構(gòu)也都紛紛推出自己的智能問答系統(tǒng)。然而，好奇害死貓，「入口」害死人。現(xiàn)在的聊天機器人已經(jīng)變成了血海市場，哀鴻遍野。技術(shù)的低門檻，產(chǎn)品的同質(zhì)化，再加上頭部廠商的補貼策略，大公司長期虧損，中小型公司的生存更為艱難。尤其是 18 年開始的「資本寒冬」，很多的聊天機器人公司要么關(guān)門，要么轉(zhuǎn)型，這個我們暫時按下不表，后面還有更多討論。

三、聊天機器人是什么

聊天機器人從字面上來講，就是會聊天的機器人。但「會聊天」涵蓋的范圍太廣了。人們總是希望給事物打上標簽，給出定義。因此，對于聊天機器人而言，我們給出幾類角度不同的分類。

首先，從用途和使用場景上看，聊天機器人可以簡單分為功能類和娛樂類。所謂功能類，一般是為了解決某個特定的問題，比如說個人助理、音樂播放、兒童故事、網(wǎng)上購物等。而娛樂類，大多是為了陪伴用戶閑聊。微軟小娜（Cortana）和微軟小冰，分別是功能類和娛樂類的典型代表。

其次，從生態(tài)系統(tǒng)上看，聊天機器人可以分為產(chǎn)品、框架和平臺三類。我們在市場上所看到的，以及日常所使用的都稱之為「產(chǎn)品」，包括純軟件形態(tài)和軟硬件結(jié)合的品類，例如微軟小冰，亞馬遜 Echo、iPhone 上的 Siri，公子小白、小米音箱等。除此之外，為了加速實際產(chǎn)品的研發(fā)，很多公司專門對外提供聊天機器人框架（Framework），以 SDK 或者 SAAS 服務的形態(tài)，供需求方來構(gòu)建特定場景和領(lǐng)域的聊天機器人。典型代表包括支持 Echo 的 Amazon Alexa，微軟的 Luis with Bot 等。另外，一些純軟件形態(tài)的聊天機器人，需要承載其應用的「平臺」（Platform），比如說微信、Facebook 等。這樣就構(gòu)成了整個聊天機器人的生態(tài)體系。

最后，從交互方式上看，聊天機器人可以分為主動交互型和被動交互型兩種，其中，被動交互型又包括閑聊型、任務型和問答型三類。我們接觸到的絕大多數(shù)產(chǎn)品屬于被動交互，即由用戶發(fā)起對話，機器理解對話并作出相應的回應。主動交互可以更好的體現(xiàn)機器人和用戶之間的對等關(guān)系，即由機器人主動發(fā)起，通過共享或推薦用戶感興趣的熱點信息，和人類進行互動，但目前更多的是作為對傳統(tǒng)交互方式的一種補充，并未得到大規(guī)模廣泛應用。從被動交互的三種類型來看，閑聊型主要是進行客觀話題討論，或者用戶對聊天機器人進行一些情感表達，微軟小冰就具有很強的閑聊屬性。而任務型是為了滿足一個特定的任務或者目標，比如說利用 Siri 可以設定鬧鐘、預定餐館等。對于問答型聊天機器人，需要解決用戶對于事實型（Factoid）問答（如 what、which、who、where 和 when）問題的回復，以及非事實型問答（如 how 和 why）的回復。

用戶在和聊天機器人交互的過程中，會夾雜各式各樣的意圖。舉一個簡單的例子，以下是一段對話：

```

Q: 你知道阿楠的電話號碼么？

A: 知道

Q: 那你能告訴我他的號碼么？

A: 可以

```

我們可以看到，這其實是一段無意義的廢話。用戶的意圖是想要阿楠的電話號碼（任務型對話），而聊天機器人的回復完全屬于閑聊型對話。

四、理想和現(xiàn)實

從七十年前的原子彈，到五十年前的粒子對撞機，再到二十年前的基因編輯技術(shù)，技術(shù)的在近百年來有了突飛猛進的發(fā)展。而在人工智能如此火熱的今天，為什么聊天機器人就做不好？這就需要先簡單聊一下人工智能技術(shù)的現(xiàn)狀。

文因互聯(lián)的鮑捷老師曾給出一個人工智能三次熱潮的曲線圖（圖 2），人工智能至今經(jīng)歷了三次大的熱潮。而這一輪人工智能熱潮，是伴隨著大數(shù)據(jù)和深度學習的興起。深度學習技術(shù)最早期的研究起始于上世紀六十年代的感知器，而直到最近的十年，隨著軟件和硬件的成熟，深度學習才取得了爆發(fā)式的進步，在多個領(lǐng)域例如圖像識別，語音識別等都突破了人類最好的成績。火熱的人工智能帶來了很多機會，也帶來了很多問題。資本的大量涌入，使得市場上涌現(xiàn)了一大批 AI 初創(chuàng)公司，同時媒體的大肆宣揚，也使得大眾的胃口和期望被吊得越來越高。普通的技術(shù)成果已無法吸引讀者的關(guān)注，很多媒體就開始用夸張的標題和內(nèi)容來吸引眼球，比如說「人類要被機器人取代」「重磅！機器開始威脅人類」等等。更不用說像 Sophia 這種偽 AI 的出現(xiàn)，使得人們覺得 Sophia 就是人工智能應該有的樣子。而且，就好比 AlphaGo 并不能給人類端茶倒水一樣，在一個特定領(lǐng)域的優(yōu)秀表現(xiàn)，并不能代表 AI 技術(shù)無所不能。又例如，谷歌在 2018 年開發(fā)者大會上演示了一個預約理發(fā)店的聊天機器人，人們在大呼驚艷的同時，自然而然的覺得人工智能技術(shù)應該可以上天入地，做到任何事情，甚至取代人類。

圖 2. 人工智能三次熱潮

這是技術(shù)從業(yè)者的悲劇。羅馬從來都不是一天能夠建成的，技術(shù)的突破也必然會經(jīng)歷一定時間的積累。很多時候，本來應該穩(wěn)步推進的技術(shù)，卻在落地之時，面臨投資者和用戶被吊得足夠高的胃口，不得不去做一些虛假宣傳。比如說：「我的產(chǎn)品可以完美解決雞尾酒會效應」「訂咖啡、購物、訂票，我們的產(chǎn)品都可以幫你做到」等等。然后，就沒有然后了。

因此，人工智能除了經(jīng)典的三大主義（符號主義、連接主義、行為主義）之外，現(xiàn)在又多了第四個分類，叫做媒體主義。

回到深度學習技術(shù)的發(fā)展上來，AlphaGo都能打敗人類最頂尖的棋手，擁有 15 億參數(shù)的 GPT-2 模型已經(jīng)可以做到文本續(xù)寫，為什么深度學習卻沒有真正解決聊天機器人的自然交互？且不說訓練成本的問題，目前技術(shù)能夠做到比較好的基本上都是單輪交互（也就是一問一答），在多輪交互上，除了在某些特定場景可以表現(xiàn)較好（如 Google 開發(fā)者大會上的理發(fā)店預約場景），在開放式聊天中往往會慘不忍睹（這一點我們下一節(jié)會詳細討論）。而單輪交互，在技術(shù)上最簡單的解決方案，是寫一大堆的句子，并使用基本的檢索方法和規(guī)則來選取已經(jīng)寫好的答案來進行回復，甚至可以完全不用深度學習方法。所以才會出現(xiàn)僅通過堆語料就能創(chuàng)造出一個表現(xiàn)尚佳的聊天機器人。

作為從業(yè)者，從技術(shù)的角度上來講，聊天機器人的表現(xiàn)其實已經(jīng)非常不錯了。甚至在某一些特定場景下足以以假亂真了。我們經(jīng)常會被一些廣告營銷電話騷擾，以前還都是真人在和我們溝通，而現(xiàn)在出現(xiàn)了大量的聊天機器人，他們不知疲倦，可以 24 小時*7 天不間斷工作，通過電話語音，甚至很多情況下我們都無法判斷對方是不是機器人。這是因為，在特定場景下，對話可以跳轉(zhuǎn)的狀態(tài)一般都是有限的，可能產(chǎn)生的話題分支，比起圍棋的可能性要少很多，因此，即便是窮舉所有的可能性，也不是不可做到的事情。如果提前設置好對話策略，加上語音合成技術(shù)，完全可以以假亂真。

我們都知道，圖靈測試由英國數(shù)學家阿蘭?圖靈于 1950 年發(fā)明，是指測試者在與被測試者（一個人和一臺機器）隔開的情況下，通過一些裝置（如鍵盤）向被測試者隨意提問。進行多次測試后，如果有超過 30% 的測試者不能確定出被測試者是人還是機器，那么這臺機器就通過了測試，并被認為具有人類智能。2014 年 6 月，一個偽裝成烏克蘭 13 歲男孩的機器人尤金?古特曼，順利的通過了圖靈測試。其實，通過這個測試也用了一些小技巧，比如說「13 歲男孩」，可以裝作自己的思考能力不夠成熟，同時，來自「烏克蘭」可以有效掩蓋其英文水平的不足。但嚴格意義上來說，通過圖靈測試并不能代表機器已經(jīng)具有自然對話的能力。曾看到過一篇關(guān)于圖靈生平的文章，提到圖靈在 1952 年被判犯有同性戀行為，并被迫接受化學閹割，兩年后圖靈自殺身亡。而圖靈測試，其實就是反映了在上世紀 50 年代的英國，每一位同性戀男性必須通過的日常測試：你是否能偽裝成一個異性戀者？根據(jù)圖靈的看法，未來的計算機就像當時的同性戀者，計算機有沒有意識并不重要，重要的是人類會怎么想。

即便是圖靈測試，也可以看做是一個特定的「閉域」，在這個閉域中，聊天的狀態(tài)是預先可以設計的，有很多的策略可以讓對話在這個特定的閉域順暢的進行下去。而很多聊天機器人廠商給自己挖的坑，是要做「開域」（也就是通用域）的聊天。在現(xiàn)有的技術(shù)條件下，這就相當于給自己的產(chǎn)品判了死刑。因為做通用域聊天，就等同于想要模擬人類真實的對話，這在目前是不可能完成的任務。具體緣由我們在下一節(jié)詳細闡述。

五、人是如何聊天的

在人類的聊天中，一句話所包含的文字，所反應的內(nèi)容僅僅是冰山一角。比如說「今天天氣不錯」，在早晨擁擠的電梯中和同事說，在秋游的過程中和驢友說，走在大街上的男女朋友之間說，在傾盆大雨中對同伴說，很可能代表完全不同的意思。在人類對話中需要考慮到的因素包括：說話者和聽者的靜態(tài)世界觀、動態(tài)情緒、兩者的關(guān)系，以及上下文和所處環(huán)境等，如圖 3。

圖 3. 人類聊天中的要素

靜態(tài)世界觀：人類在成長過程中會建立起自己的世界觀，一般跟跟經(jīng)歷和記憶有關(guān)。比如說一個素食主義者可能會非常厭惡談及紅燒肉的話題，又比如提及粉筆劃玻璃，會讓一部分人很不舒服，但對另一部分人卻沒任何影響。同時，對話的過程中也會觸發(fā)一些相關(guān)聯(lián)想，比如提到情人節(jié)，會想到玫瑰花和巧克力，提到下雨天就會想到雨傘等。魯迅在《而已集?小雜感》也曾寫道「一見到短袖子，立刻想到白臂膊，立刻想到全裸體，（略），中國人的想像惟在這一層能夠如此飛躍」。

動態(tài)情緒：表現(xiàn)在交互過程中的表情、動作、語氣等。因為人類的交互過程通常需要接收多方面信息源，在不同語氣、不同表情，所表達的含義有可能完全不同。比如說「我恨你」，在戀人間輕柔的對話中很可能代表「我真的很喜歡你」。

說話者和聽者的關(guān)系：對話雙方是敵人、家人、朋友還是戀人，話語中所表達的意思就會有所區(qū)別。就比如剛剛的例子「今天天氣不錯」，在分手多年的戀人見面時說，很可能就代表「你現(xiàn)在過得好么」。

上下文：相同的詞語和句子，在不同的上下文中也會有不同的含義。「我洗頭去了」用于微信和 QQ 聊天中，很可能就代表「我不想聊了，再見」的意思。

所處環(huán)境：在不同場景下，相同話語會觸發(fā)不同的反饋。如果在廁所和人打招呼用「吃過了么」就會顯得非常尷尬了。

而且，以上這些都不是獨立因素，整合起來，才能真正反映一句話或者一個詞所蘊含的意思。這就是人類語言的奇妙之處。同時，人類在交互過程中，并不是等對方說完一句話才進行信息處理，而是隨著說出的每一個字，不斷的進行腦補，在對方說完之前就很可能了解到其所有的信息。再進一步，人類有很強的糾錯功能，在進行多輪交互的時候，能夠根據(jù)對方的反饋，修正自己的理解，達到雙方的信息同步。在回過頭看開放域的聊天機器人，寄希望于從一句話的文本理解其含義，這本身就是很不靠譜的一件事情。

目前市場上大部分的聊天機器人，還僅是單通道的交互（語音或文本），離人類多模態(tài)交互的能力還相差甚遠。哪怕僅僅是語音識別，在不同的噪音條件下也會產(chǎn)生不同的錯誤率，對于文本的理解就更加雪上加霜了。

六、技術(shù)及發(fā)展進度

在這一節(jié)，我們討論下現(xiàn)有聊天機器人所涉及的技術(shù)，但不會牽扯到技術(shù)細節(jié)。

機器學習和深度學習：機器學習技術(shù)屬于基礎技術(shù)，比如說分類算法可以用于做用戶的意圖分類和情感分類；語言模型可以用于篩選語音識別后的句子是否通順；聚類算法可以用于做用戶的行為習慣分析等等。隨著數(shù)據(jù)量越來越多，可以發(fā)揮深度學習的優(yōu)勢，更進一步提升聊天機器人的基礎技術(shù)能力。

自然語言處理：是聊天機器人語義交互層面的核心技術(shù)。比如說檢索技術(shù)可以選取語料庫中最合適的回復，命名實體識別可以找出句子中的關(guān)鍵信息，如「播放李榮浩的李白」中，李白是指一首歌名。主體識別可以用于判斷句子的主語，例如「我給你唱歌」和「給我唱歌」的主語是不同的。此外，還有句型判斷、實體鏈接、詞性標注、依存分析等各項技術(shù)，綜合運用于對用戶句子的解析。

數(shù)據(jù)庫技術(shù)：通過數(shù)據(jù)庫技術(shù)，我們可以在預先存儲好的大規(guī)模語料庫中，快速檢索相近的句子，也可以對海量的用戶交互數(shù)據(jù)進行存儲并進一步分析。

知識圖譜技術(shù)：是聊天機器人實現(xiàn)認知交互的關(guān)鍵技術(shù)之一，可以幫助聊天機器人進行記憶、聯(lián)想和推理。關(guān)于知識圖譜，我們放到本文的下半部分專門討論。

聲學技術(shù)：包括語音識別、語音合成、聲紋遷移、聲紋識別以及歌聲合成等，為聊天機器人提供了更加豐富的表現(xiàn)力。聲學技術(shù)也牽扯到和芯片、硬件（例如麥克風陣列）的配合。

計算機視覺技術(shù)：通過計算機視覺技術(shù)，可以進行人臉識別、情緒識別，并可以進一步配合語音、語義技術(shù)對用戶語句進行深度分析。

其他技術(shù)：很多聊天機器人產(chǎn)品具備硬件形態(tài)，包括虛擬形象，因此也需要芯片技術(shù)、硬件、全息技術(shù)、美術(shù)和設計的支持。

聊天機器人一定是一個技術(shù)整合的產(chǎn)物，在一個有很多串行模塊的系統(tǒng)中，有個很重要的問題是錯誤傳遞。比如說有 5 個串行模塊，每個模塊的性能都是 95%，最終的結(jié)果卻只有 77%。所以，在設計一個聊天機器人架構(gòu)的時候也需要盡可能避免模塊的串行化。同時，對于多輪交互架構(gòu)，也需要有更加成熟的設計。

Gartner 給出的最新技術(shù)成熟度的圖，也反映了不同技術(shù)的發(fā)展現(xiàn)狀。網(wǎng)上流傳的一句話說到，當某個領(lǐng)域的代表性人物獲得了圖靈獎，也就代表了這個領(lǐng)域輝煌時代的結(jié)束。2019 年 3 月 27 日，ACM 宣布，深度學習的三位創(chuàng)造者 Yoshua Bengio，Yann LeCun，以及 Geoffrey Hinton 共同獲得了 2019 年的圖靈獎。在曲線中，我們也看到深度學習處于曲線的最高峰，并且即將處于下降的趨勢，也在一方面印證了隨著大數(shù)據(jù)紅利的消失，以深度學習為代表的感知智能也觸碰到了天花板。

圖 4. Gartner2018 技術(shù)成熟度曲線

破局

一、產(chǎn)業(yè)現(xiàn)狀

隨著人工智能的第三次浪潮，涌現(xiàn)了一大批聊天機器人公司，其中有平臺型公司，也有產(chǎn)品型公司。從業(yè)務角度上來看，主要分為三類：

2C 公司：主要產(chǎn)出直接面向用戶的產(chǎn)品，例如公子小白、小米音箱、天貓精靈、微軟小冰等；有一些公司還做開放性框架，例如海知智能的如意、百度的 UNIT 等。當然，還有一些公司專門針對聊天機器人推出技能包業(yè)務，比如說故事技能、冷笑話技能、訂票技能、大冒險游戲技能等。

2B 公司：主要做各種場景的落地，比如說金融領(lǐng)域的智能監(jiān)管系統(tǒng)、醫(yī)療領(lǐng)域的醫(yī)療問答助手和診斷助手、銀行柜臺的客服機器人、淘寶店家的智能客服等。有些時候，場景落地也是在跟風，例如各大銀行的智能客服，有一個感覺是別人做了，我就一定要做，這樣才顯得在 AI 上的先進性。但實際效果，大家在體驗之后也會有所判斷。

2G 公司：主要面向政府做政務類的知識庫構(gòu)建和問答業(yè)務。隨著人工智能被寫入政府工作報告，各級政府對于 AI 的落地應用都有比較高的需求。比如說政府服務大廳的引導型聊天機器人、一站式辦事機器人；政府部門的智能搜索引擎和問答系統(tǒng)等。

在 C 端市場，產(chǎn)品是需要挑剔的用戶買單的。正如本文上半部分所說，在目前的技術(shù)條件下，聊天機器人的使用感受遠未達到用戶的期望值，因此，很多 2C 公司在早期融資消耗完畢之后，產(chǎn)品也未得到用戶的認可，從而不得不考慮業(yè)務的轉(zhuǎn)型，走向 2B 和 2G 的賽道。但很清楚的一點是，轉(zhuǎn)型之后，并不一定是技術(shù)好的公司就能接到單子，能否拿到項目，其中的因素也請各位自己體會。

另外，有一個很重要的誤區(qū)在于高估了技術(shù)的作用。誠然，有一些非常優(yōu)秀的學者，或者大公司出來的技術(shù)高管，利用自己的實力和擁有的核心算法，成功的進行了融資和快速發(fā)展，比如說第四范式、三角獸、竹間智能等公司。但大多數(shù)宣稱自己擁有某一項壟斷性技術(shù)的公司，都沒有走到這一步。例如我前年曾經(jīng)關(guān)注過的某創(chuàng)業(yè)團隊，宣稱自己的 NLU 技術(shù)世界領(lǐng)先，包括分詞、詞性標注、依存、命名實體識別等，在其官網(wǎng)上也很自信的提供 NLU 平臺供用戶試用，想要打造一個開放的聊天機器人平臺。但現(xiàn)在再去看其發(fā)展，已經(jīng)開始轉(zhuǎn)向做 B 端的垂直場景業(yè)務了。另外還有一家公司，想用更深入的邏輯仿生技術(shù)打造機器人意識，然而其核心團隊人員已經(jīng)開始大量流失。

在目前的聊天機器人賽道上，很多成功的公司所使用的技術(shù)都不是自研發(fā)的，國內(nèi)很知名的一家代工廠商，通過集成開放的 API 和 SDK，也能夠打造一款低價的兒童聊天機器人，并做了很多 OEM 的業(yè)務。而且隨著 Google、Facebook 等巨頭的技術(shù)不斷開源，技術(shù)的門檻也越來越低，就算是擁有一個世界級領(lǐng)先的單點技術(shù)，也很有可能不會比用規(guī)則匹配和大規(guī)模語料庫拼起來的產(chǎn)品效果更好。

當然，技術(shù)領(lǐng)先，在另一方面，也可以用于提升公司的形象，做更好的 PR，從而獲取更多的融資，吸引更優(yōu)秀的人才。達到一個正循環(huán)之后，可以用足夠多的資源將產(chǎn)品打造的更為優(yōu)秀。

大家常說人工智能的三大要素，包括數(shù)據(jù)、算法和算力。而在聊天機器人的技術(shù)體系下，最關(guān)鍵的三個因素應該是人工、數(shù)據(jù)和算法。而在現(xiàn)階段，人工是大于數(shù)據(jù)，更大于算法的。工程化才是一個產(chǎn)品成功的關(guān)鍵。

二、知識圖譜能解決問題么

近兩年來，隨著 AI 熱度的降低，無論是投資者還是從業(yè)者，都開始關(guān)注另一項技術(shù)-知識圖譜。知識圖譜技術(shù)也是一個融合型技術(shù)，包括數(shù)據(jù)庫、自然語言處理、知識表示、機器學習等等。其最近的火爆程度，可以從國內(nèi)知識圖譜的旗艦會議（CCKS）的參會人數(shù)一窺端倪。CCKS 全稱是全國知識圖譜與語義計算大會（China Conference on Knowledge Graph and Semantic Computing）。CCKS2016 成立之初只有 500 名參會者，這個數(shù)據(jù)到了 2017 年是 600 人，2018 年是 800 人，而 2019 年杭州的會議，預計參會者將突破 1000 人。

作為從感知智能到認知智能跨越的重要基石之一，知識圖譜被寄予了厚望。張鈸院士也提到，「沒有知識的 AI 不是真正的 AI」。拿最新的 GPT-2 算法來看，即使其文章續(xù)寫能力讓人贊嘆，也只是再次證明了足夠大的神經(jīng)網(wǎng)絡配合足夠多的訓練數(shù)據(jù)，就能夠產(chǎn)生強大的記憶能力。但邏輯和推理能力，仍然是無法從記憶能力中自然而然的出現(xiàn)的。學界和企業(yè)界都寄希望于知識圖譜解決知識互連和推理的問題。那么什么是知識圖譜？簡單來說，就是把知識用圖的形式組織起來。可能這樣說還不夠明白，我們舉例子分別說下什么是知識，什么是圖譜。

所謂知識，是信息的抽象，一個很著名的 DIKW 體系，由 Rowley 在 2007 年提出，如圖 5 所示。從數(shù)據(jù)到信息到知識再到智慧，是一個不斷凝練的過程。

圖 5. DIKW 體系

舉一個簡單的例子來說，226.1 厘米，229 厘米，都是客觀存在的孤立的數(shù)據(jù)。此時，數(shù)據(jù)不具有任何的意義，僅表達一個事實存在。而「姚明臂展 226.1 厘米」，「姚明身高 229 厘米」，是事實型的陳述，屬于信息的范疇。對于知識而言，是在更高層面上的一種抽象和歸納，把姚明的身高、臂展，及姚明的其他屬性整合起來，就得到了對于姚明的一個認知，也可以進一步了解姚明的身高是比普通人更高的。最后的智慧層面，Zeleny 提到的智慧是指知道為什么（Know-why）[1]，本文不對此進行深入論述。

圖譜的英文是 graph，直譯過來就是「圖」的意思。在圖論（數(shù)學的一個研究分支）中，圖（graph）表示一些事物（objects）與另一些事物之間相互連接的結(jié)構(gòu)。一張圖通常由一些結(jié)點（vertices 或 nodes）和連接這些結(jié)點的邊（edge）組成。Sylvester 在 1878 年首次提出了「圖」這一名詞 [2]。如果我們把姚明相關(guān)的「知識」用「圖譜」構(gòu)建起來，就是圖 6 所體現(xiàn)的內(nèi)容。

圖 6. 姚明的基本信息知識圖譜

在聊天機器人中使用知識圖譜，我們的期望是能夠解決很多復雜的推理問題，包括常識推理問題。比如說「雞蛋放到籃子里，是雞蛋大還是籃子大」，「蘇大強的大兒子是誰」等等。從而使得聊天機器人的對話更加具有「智慧」，不僅能記憶，還能推理、聯(lián)想和推薦，從感知層面真正跨越到認知層面。

愿望是美好的，但真正將知識圖譜落地卻鮮見成功案例。考慮到成本問題，知識圖譜問答在聊天機器人中的應用還不夠廣泛。況且，一些需求方對知識圖譜還存在不少誤區(qū)。很多企業(yè)和政府機構(gòu)在談項目需求的時候，一上來就說，「我想用知識圖譜技術(shù)，你們能不能把現(xiàn)在的知識庫變成知識圖譜？實現(xiàn)大數(shù)據(jù)的鏈接？」「你們做的問答是不是基于知識圖譜的問答？」等等，其實，知識圖譜問答能不能應用，要綜合考量多方面因素，就拿知識的表示和存儲來說，選用不同的數(shù)據(jù)庫，需要用到不同的知識表示。RDF（數(shù)據(jù)的一種三元組表示形式）的數(shù)據(jù)表示可以選用 Jena 數(shù)據(jù)庫，而圖表示可以選用 Neo4j 圖數(shù)據(jù)庫。對不同來源的數(shù)據(jù)還需要進行大量的數(shù)據(jù)清洗和結(jié)構(gòu)化，甚至還牽扯到紙質(zhì)文檔（例如醫(yī)院的文本病歷）的手工錄入。結(jié)合業(yè)務來看，很多時候傳統(tǒng)關(guān)系型數(shù)據(jù)庫就能解決的問題，完全沒必要用到大規(guī)模圖數(shù)據(jù)庫，否則很容易導致整個項目的成本高、效率低的問題。

Heiko Paulheim 在其文章《How much is a Triple?Estimating the Cost of Knowledge Graph Creation》中，給出了幾個典型的知識圖譜的構(gòu)建成本。其中，上世紀 80 年代開始的也是最早的知識圖譜項目 CYC，平均構(gòu)建一條陳述句和斷言的成本是 5.71 美元，而隨著自然語言處理和機器學習技術(shù)的進步，DBpedia 構(gòu)建每一條的成本降低到了 1.85 美分。即便如此，在真正工程化落地的時候，牽扯到多源數(shù)據(jù)的清洗整合，一個知識圖譜項目的成本還是居高不下。

三、垂直領(lǐng)域的戰(zhàn)略收縮

在人工智能投資火爆的前幾年，我們經(jīng)常會看到估值十億到幾十億的聊天機器人（或智能問答系統(tǒng)）公司。就像渾水沉淀后能看見底下的泥沙，隨著資本的逐漸冷靜，很多公司也進入了艱難的寒冬期。這沒什么不好，真正優(yōu)秀的公司，無論是技術(shù)和商業(yè)模式，都能夠經(jīng)得起考驗。

聊天機器人公司，在戰(zhàn)略收縮的時候，首先要做的是看清自己公司的核心競爭力。最近看了一本書叫做《失去的勝利》，里面提到了德國名將曼施坦因?qū)Χ?zhàn)初期波蘭戰(zhàn)役的回顧和評論。當?shù)聡讶姘鼑ㄌm西部的時候，波蘭軍隊仍然把主力沿著邊境部署，而不愿意放棄西部工業(yè)區(qū)，并收縮到維斯托拉河流域右線重點設防。甚至還寄希望以英法聯(lián)軍的支援，反攻至柏林。結(jié)果可想而知，幻想守住一切，反倒丟掉了一切。

大部分初創(chuàng)公司，應該是集中優(yōu)勢力量突破一個點，等待資本回暖。同時精耕細作一個細分領(lǐng)域，在大公司無暇顧及的垂直行業(yè)殺出一條血路。無論是后期被收購還是能夠獨立壯大，都是比較好的結(jié)果。切忌大而全，什么都想做，做自己擅長的才是最重要的。舉例來說，一些公司利用硬件優(yōu)勢轉(zhuǎn)型打造語音交互芯片，另外還有金融知識圖譜公司從智能投顧轉(zhuǎn)為智能監(jiān)管，還有大批聊天機器人公司，從做純軟件的聊天機器人轉(zhuǎn)為為 B 端客戶提供智能客服解決方案。

而且，對于做平臺這個事情，要單獨提出來聊一聊。自然語言交互平臺，沒有大量的人員和資金支持，是無法實現(xiàn)的。由于沒有辦法進行工業(yè)級產(chǎn)出，導致了大量資本投入換來的只是 Demo 和論文，而不是實實在在的產(chǎn)品。因此，在細分領(lǐng)域做強做好，才是小公司的生存之道。

四、商業(yè)模式和產(chǎn)品的重要性

從技術(shù)到產(chǎn)品落地，還只是萬里長征的第一步，產(chǎn)品在市場上真正被用戶所接受，并能產(chǎn)生良性的流水和利潤，這才是正常的商業(yè)模式。我們看下目前幾個比較火熱的聊天機器人產(chǎn)品。首先是兒童教育機器人，教育、醫(yī)療和金融是一直都很熱的領(lǐng)域。自然而然的，很多產(chǎn)品都會冠以人工智能教育機器人的名號。但兒童教育聊天機器人真正能解決用戶需求么？很明顯不能。大多數(shù)家長還是報以嘗鮮的心態(tài)，給孩子買一個玩具，并沒有寄希望于讓機器人起到「教育」的作用。但畢竟兒童市場是巨大的，中國有 1.5 億 3 到 12 歲的兒童，每年的新生嬰兒數(shù)量也達到了 2000 萬。兒童教育機器人的出貨量在近三年一直保持著 100% 的增長。因此，在這個市場上，影響用戶購買的很重要的一個因素是價格，也就造成了目前整個行業(yè)利潤的持續(xù)走低。隨著更多廠商的加入，紅海市場也逐漸變成了血海市場。另外一個典型的案例是老人陪聊機器人，這種機器人從商業(yè)模式上來看，我認為并不成立。首先，老人們對聊天機器人的接受程度不高，購買力也不強。其次，老人在對話過程中，由于對話速度、連貫性、方言等問題，使得聊天機器人的表現(xiàn)要更差。

最近網(wǎng)上討論的很多的一個典型案例是夸夸機器人。其來源是「相互表揚小組」，這些活躍在 QQ、微信、微博上的社群的目的，言簡意賅又單刀直入：溜須拍馬，相互夸獎。無論是高興的事情例如考上了大學、獲得了獎勵，還是倒霉的事情例如被老板罵，烤糊了面包，在群里都可以得到天花亂墜的夸贊。而有公司還真的將夸夸機器人產(chǎn)品化，但結(jié)果是曇花一現(xiàn)，僅是蹭了一波熱度，卻沒有持續(xù)的用戶留存。其實，夸夸機器人在商業(yè)角度上是不成立的，沒有一個可行的變現(xiàn)路徑。三聯(lián)生活周刊有個評論說到：「人們?nèi)菀诪榭旃?jié)奏的生活所累，更容易在各種新鮮事物面前短暫停留。所以人們也清醒地意識到：來自陌生人的鼓舞與表揚雖然溫暖，但保質(zhì)期卻是極其有限與流于表層的」，因此付費求夸的事情也變得不切實際了。

再來看下 2B 的業(yè)務，真正成功的項目應該是給需求方帶來成本的降低或收益的提升。比如說淘寶店家的客服機器人，一套系統(tǒng)的成本，如果能夠低于將 200 位人工客服降低到 100 位所節(jié)省下來的成本，同時在獲客效果上又有所提升，那就是一個成功的項目。況且，對于開發(fā)者而言，從單一項目逐步變?yōu)?PAAS 服務或 SAAS 服務，所帶來的開發(fā)成本會顯著降低，也就可以為規(guī)模化打下良好的基礎。

剛剛聊了一些商業(yè)模式的問題，那么從產(chǎn)品形態(tài)上，有一句流行的話說的是「技術(shù)不夠，產(chǎn)品來湊；產(chǎn)品不夠，運營來湊」。既然聊天機器人受限于技術(shù)無法達到人類期望值，那么是否可以從產(chǎn)品設計的角度上，讓用戶不去關(guān)注技術(shù)表現(xiàn)本身，而是從其他維度對產(chǎn)品產(chǎn)生粘性？答案是肯定的。做產(chǎn)品的關(guān)鍵在于「高出用戶期望值」，這顯然對于 AI 產(chǎn)品是不友好的，因為用戶期望值太高了，所以要在其他層面上去想辦法。文章一開始提到，產(chǎn)品設計的一個原則應該貼合人類的七宗罪。我們曾經(jīng)獲取過一批來自不同聊天機器人脫敏后的用戶聊天數(shù)據(jù)，其中包含了很多難等大雅之堂的語言。所以有一些成人用品公司開始用對話技術(shù)包裝自己的產(chǎn)品，也算是一種成功的商業(yè)實踐了。

當然，從正常的產(chǎn)品角度而言，如果一個聊天機器人產(chǎn)品的形象和使用感受，超越了聊天本身，給用戶帶來了不同的驚艷感，也可以算得上一種取長補短的方法。正如我們下一節(jié)要討論的聊天機器人的更多形態(tài)，如果聊天機器人被人格化、IP 化之后，用戶也不會僅僅關(guān)注對話，而是會從更多的需求層面產(chǎn)生對產(chǎn)品的粘性。

五、多模態(tài)交互和虛擬生命

在技術(shù)不斷進步的同時，聊天機器人也逐步邁向其下一代范式-虛擬生命。其核心在于模擬生命的主要特征，以多形態(tài)和多模態(tài)進行交互 [3]。設想一下，如果你是蔡徐坤的粉絲，如果有一個聊天機器人具備蔡徐坤的形態(tài)和聲音，并且可以進行交互，那是多么令人興奮的一件事情。同時，在不同的性格和人設下，虛擬生命的交互體驗也會變得更為豐富。

再進一步，除了 IP 化和人格化，多模態(tài)交互能力會進一步增強虛擬生命對用戶的認知和表現(xiàn)力。虛擬生命能夠通過麥克風陣列、攝像頭聽得到、看得見，使其能夠綜合感知用戶意圖。同時，利用知識圖譜，虛擬生命能夠和人以及周圍環(huán)境進行「真實自然」的交流，包括規(guī)劃、推理、聯(lián)想、情感和學習能力，具有非常強的可用性和可交互性。再進一步，通過美術(shù)設計、動作捕捉、全息投影等技術(shù)，虛擬生命可以在不同設備、不同場景下展示不同的形象，除了自然語言交流，還可以進行舞蹈、唱歌等更多樣的體現(xiàn)。

目前日本的 Gatebox 和國內(nèi)的狗尾草智能科技，都提出了聊天機器人的虛擬生命形態(tài)。例如，狗尾草智能科技開發(fā)了世界上第一款結(jié)合了 GAVE 引擎（Gowild AI Virtual Engine）的虛擬生命產(chǎn)品-琥珀?虛顏（如圖 7），搭載 HoloEra 硬件平臺及 360°全息投影，創(chuàng)造一個有情感、可養(yǎng)成、可進化的虛擬存在，但這種存在又可以和周邊世界進行多模態(tài)真實互動，并針對用戶行為習慣形成不同的性格體系。同時，人物還可以換成二次元角色和真實的明星，進一步提升用戶體驗和粘性。

圖 7. 虛擬生命產(chǎn)品-琥珀?虛顏

在這個新的賽道上，相信未來的聊天機器人以及虛擬生命，會以更好的形態(tài)和體驗感呈現(xiàn)給我們。

六、革命尚未成功，同志仍需努力

在這個廣闊的市場上，進步的空間還很大，挑戰(zhàn)還有很多。但有挑戰(zhàn)的事情才有意思，不是么？