為什麼聊天機器人都需要進行深度學習？

大多數科技巨頭都在人工智慧的應用和研究領域大舉投資，希望能在許多人認為不可避免的引領範式轉變之前保持領先。

在這種復興的前沿，得益於硬體、數據可用性和革命性機器學習技術的進步，聊天機器人、計算機視覺和自動導航等領域在短短几年內就取得了巨大的進步。

人工智慧技術的進步正在把以前被認為無法解決的問題變成現實，而這些正影響著我們的日常生活。

隨著人工智慧的顯著增長，新一代的聊天機器人最近湧入了市場，他們承諾未來這個世界上，我們的許多在線互動不會出現在網站或應用程序上，而是在一場對話中。

把這個承諾變成現實，是更好的用戶界面、智能手機的無處不在，以及新的、先進的機器學習技術。

或許，這一波新型人工智慧應用背後的主要驅動因素之一是深度學習，儘管這一種機器學習領域已經存在了大約50年，但它最近已經徹底改變了計算機視覺和自然語言處理（NLP）等領域。

儘管它的表現令人難以置信，但僅靠深度學習不足以解決聊天機器人所面臨的挑戰。

能夠理解語境，消除語言中細微的差別，從而導致截然不同的含義、邏輯推理，以及最關鍵的是理解消費者的喜好和意圖，一個系統必須能夠執行這些具有挑戰性的任務，才能與人類進行對話。

在構建真正強大的聊天機器人時，不僅要用上下文來回答覆雜問題，還要用對話框之外的信息來回答問題。

要想有效地回答問題，機器人需要依賴之前在對話中分享的信息，或者是在機器人和消費者之間的其他對話中。

此外，商業目標和消費者的意圖也會影響機器人所能做出的反應。

如果一個現代的對話引擎希望超越簡單層次的問題，它就必須將深度學習領域中湧現出來的最傑出技術結合在一起，這包括可靠的統計數據、語言學和其他機器學習技術，以及更結構化的經典技術，如語義分析和程序歸納，

建立智能會話系統的第一站是數據。

雖然我們生活在一個不斷生成源源不斷的數據流的時代，但大多數數據都過於原始，無法立即用於機器學習演算法。

特別是深度學習因必須要有大量高質量的數據才能釋放出真正的潛力。

無人監督學習，即機器學習的子領域，致力於從原始數據中提取信息，不受人類的幫助，這可能是一個很有前途的選擇。

在它的眾多用途中，它可以被用來構建一個嵌入模型。

簡單地說，這些技術使人們能夠以一種不那麼複雜的形式來表示他們的數據，從而更容易地發現模式。

雖然無人監督學習在機器學習中已經無處不在，但深度學習提供了額外的創新方式來構建這樣的嵌入模型，從而為藝術表現提供狀態。

這些技術的優化可以減輕許多高質量和昂貴的標籤數據的需要，而這些數據對於人工智慧的聊天機器人來說是很重要的。

然而，深度學習的標準方法是收集一個大型的、高度特定的數據集，隨後用於訓練一個基本靜態架構的網路。

一旦經過訓練，網路就會直接從輸入映射到一個固定的、預先知道的輸出。

儘管這是非常強大的系統的基礎，但這種方法缺乏處理進行現實對話所需的信息所需的靈活性。

因此，讓我們進入真正像人類一樣的聊天機器人的下一個大障礙：用一種內在的世界模式來維持和理性的能力。

我們人類總是（而且通常是下意識的）檢查從我們的環境中接收到的每一件新信息，與世界的內部模型相聯繫——這是一種正常的、不存在的模型，即實體是如何關聯的，我們如何能做出涉及說實體的邏輯推理等等。

如果在開車的時候，我們看到一個球在街上滾動，注意到一個分心的孩子在追逐他們的球時，我們立刻就知道我們應該減速，並保持警覺，

這種直覺建立在對實體如何相互聯繫的理解之上，結合在知識圖譜上建立邏輯連接的能力，並得出一個需要多個推理步驟的結論。

這種自動的、極其寬泛的邏輯，仍然沒有被人工智慧研究人員所理解，也許是真正智能和自主人工智慧的最後一個前沿領域，包括對話機器人。

為了達到這個目標，理性的能力是至關重要的。

最後，將所有問題放在一起是另一個有待解決的問題。

與搜索引擎不同的是，用戶滿足於被關聯排序的匹配列表，而對話引擎必須更加具體。

僅僅使用NLP來識別一組相關信息是不夠的。

它應該能夠解析輸入，分解它，並對用戶做出反應，不僅清晰簡潔，而且與他們的品味高度相關——沖洗和重複。

我們仍處於以人工智慧為中心的對話革命的早期階段，我們可以公平地假設，今天看來無法克服的一些問題，很可能在接下來的幾年裡得到解決。

我們正迅速邁向這樣一個世界，在這個世界里，你將能夠與你的人工智慧助手進行長而複雜的互動，這不僅能理解你說的內容，還能了解你的喜好和風格，從而相應地調整你的體驗。

要做到這一點，我們必須將包括深度學習、統計在內的多個學科融合在一起，構建融合消費者偏好、環境和語言的技術，成為一種智能、靈活的軟體。

本文為作者原創，未經授權不得轉載