編譯|高盛人工智慧行業報告（四）

機器人:用戶界面的未來

機器人是非常具有潛力的範式轉換。在以機器人為中心的世界，用戶體驗從基於點擊的行為 轉向會話(文本或者語音)以及互動從網路或面嚮應用轉向消息或語音平台。換句話說，相比之前的打開三個不同的應用程序分別預約旅行，購買衣服以及參與客戶服務，而現在用戶只需要通過會話提供信息給提供幫助的機器人，從而完成同樣的事情。因此，我們能看到這些對電子商務，客戶支持，員工工作流程及工作效率的廣泛影響。

在最近的 12-18 個月中，一個關鍵驅動因素是大型雲服務和互聯網公司建立並開放了機器學習框架。在 2015 年年末，Google 開源了機器學習演算法庫 TensorFlow,亞馬遜和微軟在這方面也非常活躍，通過提供雲服務支持他們自己的機器學習項目。我們預計這種機器學習平民化的趨勢將會持續激發智能機器人的發展，主要領導者（亞馬遜，谷歌，蘋果，微軟)期望整合會話界面(Alexa, Google Assistant, Siri, Cortana)到他們的各自的生態系統。繼今年三星收購 Viv,我們預計將在三星設備和智能手機生態系統中進一步整合基於 Viv AI 的數字助理。

自然語言處理(NLP)。機器人的期望植根於他們智能或處理自然語言的潛力。因此伴隨著機器學習、自然語言處理的人工智慧技術、計算機理解、以及語義理解興趣和創新的興起，對機器人的興趣也在興起。相比過去的文字處理方式，與基於硬編碼規則集構建的 CTRL+F 函數 操作的處理器相反，NLP 利用機器學習演算法來基於海量訓練數據來學習規則，然後可以將其應用於新的文本集。機器學習的核心原則同樣適用於 NLP，獲取的數據越多，其應用程序就越準確和更廣泛。

雖然 NLP 的早期應用已出現在文本挖掘（例如，法律分析文檔，保險單和社交媒體）和自動問答中，但是神經網路和深度學習模型的優勢正在使 NLP 變得越來越智能化，解決人類語言的歧義問題。Google基於人工智慧系統Tensorflow的自然語言解析模型分析庫SyntaxNet， SyntaxNet 將神經網路運用於歧義問題，一個輸入句子被從左到右地處理，只有當存在多個得分更高的假設的時候，一個假設才會被拋棄。SyntaxNet 模型是谷歌的 TensorFlow 框架訓練過的最複雜的網路結構。

消息平台。機器人的興起與諸如 Facebook Messenger，Whats App 以及面向企業的Slack和 Hip Chat 等消息應用的快速增長同步。消息應用程序提供了一種媒介，通過它，機器人可以與 iOS，Android 和網路上的用戶進行交互。此外，更大的消息應用正在發展成支持多種交互類型的平台。在 Slack 上，企業用戶可能與團隊合作，監控應用程序，創建待辦事項列表 或從同一介面監控費用。Facebook Messenger，能夠利用同一個界面，用戶可以與朋友聊天，提出品牌的支持問題或進行 Uber 預約。

最近的聊天機器人收購或亞馬遜（Angel.aiCEO）和 Google（API.ai）的部分收購，每一個都專註於會話界面技術，突出了公司和投資者在聊天和自然語言處理能力的聯合中看到的機會。根據 Pitchbook 的數據，自 2013 年以來，在 AI/ML，電子商務，SaaS 和網路安全等方面的私人消息公司累計風險投資約 120 億美元，而在 8 年前則約為20 億美元。

事件機器人的廣泛應用已經使得一些公司獲益良多。第一大類的獲益的公司是信息傳播平台，例如Facebook，Slack，WeChat 等等。機器人幫助推動用戶參與度的提升，創造機會驅動平台上的商業活動。第二大類獲益的公司是硬體和基礎設施提供商，其範圍從 GPU 提供商 （NVIDIA）到開源提供商，到數據平台提供商，以及像亞馬遜，谷歌，微軟這樣的雲服務提供商。其中，亞馬遜位置獨特，它具有滿足電子商務需求的能力。另外一些正在挖掘機器人能力的軟體公司包括 Zendesk 和 Salesforce.com，它們把機器人看作是自動化滿足企業客戶需求的一種潛在方式。

數字個人助理。很多公司一直在使用複雜的演算法，機器學習和大數據軟體構建推薦引擎，這些推薦引擎的背後是對客戶數據以及歷史行為的全面分析。這些推薦引擎正在用於影響購買行為，但大部分相同的技術是用於構建數字個人助理，或者能夠基於語音命令完成或自動化簡單任務的機器人。

通過融合推薦引擎的複雜預測和推斷能力，同時結合語音識別軟體，很多公司推出了自己的數字個人助理產品，例如蘋果的 Siri，亞馬遜的 Alexa，谷歌的Google Assistant，微軟的 Cortana。利用機器學習和雲端基礎設施，這些應用程序在收集更多的用戶信息的同時不斷改進，這些用戶信息包括：語音模式，興趣，人口統計，消費習慣，日程，職業，喜歡和不喜歡。大多數（如果不是全部）這些信息通常可以通過軟體監控一個人的智能手機或連接設備（Amazon Echo，Google Home）來收集。隨著這些數字個人助理接觸到更多的數據，通過深入分析它們能夠區分來自不同用戶的類似請求，從而越來越個性化。例如，語音指令「給我看最好的相機」對不同的消費者可能意味著不同的東西。與用戶數據相結合的強大分析引擎可以幫助確定用戶是否喜歡最便宜的攝像機，最高評價的攝像機，或者通過各種特徵組合19 篩選出來的對於該用戶「最佳」的攝像機。

我們看到數據聚合和分析持續推動了人工智慧驅動的數字個人助理的改進。我們也期待像亞馬遜，谷歌這樣的持續創新者能夠繼續完善在購物過程中的使用體驗（Echo，Echo Dot）， 從而更加深入到日常生活中的各種任務當中（Google Home）。

）