竹间智能CTO翁嘉颀：如何打造主动式对话机器人 | 吃瓜笔记

原标题：竹间智能CTO翁嘉颀：如何打造主动式对话机器人 | 吃瓜笔记主讲人：翁嘉颀 | 竹间智能CTO陈铭林 屈鑫 编辑整理5月10日晚，量子位·吃瓜社邀请到竹间智能CTO翁嘉颀，为大家详细讲解了情感计算的设计与应用，并对“如何做一个好的聊天机器人”进行了说明，简明扼要地指出自然语言理解在打造对话机器人的重要性。本期主讲人为竹间智能CTO翁嘉颀，熟悉算法、编程语言、搜索引擎、网络安全以及邮件安全，使用过的语言超过35种。作为AI领域的技术专家，他带领团队负责竹间在AI领域产品研发与技术规划，领域主要涵盖对话机器人、计算机视觉、金融科技等领域。△分享视频完整回放本次分享反应热烈，量子位应读者要求，将详细文字笔记整理如下：人机交互的演变历程人机交互不是现在才有，在三、五十年前就有了，以前的人机交互是指令式的。三十年前的DOS时代，是一行一行命令去打，甚至有些游戏也是用一行一行指令去打，后来DOS有它无法应用的困难性，慢慢变成Windows，人机交互用鼠标，可见即所得。然后出现了手机、平板等用触控式的屏幕，我们不再是用鼠标操作，可能用手指头就能做很多事情，所以现在App大量地取代了Web的一些Application。那未来会怎么发展？两年后、五年后（交互设备）真的变成一个手环、耳机、音箱的时候是怎样的？那个时候没有屏幕、鼠标、键盘，回归到人类最原始的用语音来交互的方式。要使用语音交互就要开始做自然语言理解。自然语言理解在过去二十年间被证明了它一直遇到一些瓶颈，直到深度学习、机器学习出来之后才有了一点点的突破。那能不能用语义理解的方式去理解你这句话的意图是什么，这句话对话的主题是什么，这句话的记忆和情绪是什么，然后慢慢做到一个更精确的回复。语义理解，举例来说，它主要分成三层：最底层是文字上——NLP，“我肚子饿了”和“我想吃东西”这两句话的句法结构不一样，虽然人称都是“我”，那能否正确地把这些句法结构分析出来，句法结构又是什么样子的。第二层是意图的识别，“我肚子饿了”和“我想吃东西”的意图可能是一致的，都代表我要点餐或者帮我推荐一下附近的餐馆，所以它们的意图是一样的。目前大家在做的是第一层和第二层，自然语言理解和意图识别，其实背后还有第三层。第三层比如说，像说我正在跟大家聊天，在介绍人机交互这个内容，突然说我肚子饿，那大家心里是怎么想？会不会觉得这个主讲人是不耐烦的？如果我跟一个女生突然讲我肚子饿，这女生心里会怎么想？她会觉得搞不好，我是不是要约她出去吃饭，我是不是有什么样的不良企图？上述是意图理解背后更深层次的意思。目前基本上全世界没有一家公司能做得好，能做到类似人的这个地步。要做到这个地步，除了意图理解，除了原本的NLP（Natural Language Processing）、 NLU（Natural Language Understanding）以外，还要做到一些情绪、情感的分析，做到整个情境的分析。一开始的聊天机器人也做了很多的引进。国内目前做音箱的公司可能有一千多家或两千家以上，其中绝大部分都是用规则来做的。举例来说，你跟智能音箱说“我不喜欢吃牛肉面”，大部分的音箱会抓到关键词“牛肉面”，所以它就跟我说“好的，为你推荐附近的餐馆”，其实我不是这个意思。如果跟它说“我昨天吃牛肉面，现在拉肚子”，这句话的意图可能是代表我现在不想吃东西，或者是说拉肚子应该怎么办？但是如果用关键词的方法，用模板的方法，它也会抓到关键词“牛肉面”，它又跟我来说“好的，为你推荐附近的餐馆”。并不是说关键词不可以用，关键词的准确度大概还是有70%左右，但它只能解决最简单的那种肯定句数据，句法稍微有一些变化，它是解决不了问题的。2000年前后Knowledge-Based Q&A（以Amazon、Google为代表）这个东西开始出来了，然后再到Apple的Siri，各位如果用过Siri的话，你会发现基本上聊天很难超过三句话，能够跟Siri聊下去的大概是两、三岁的小朋友，他/她会聊得很高兴，但是我们成年人跟Siri根本没办法讲下去。为什么？因为Siri大概相当于一个两岁的小朋友。去年的10月份，2017年10月份Siri在美国做了一个智力测验，她的智商就是一个两岁的小朋友。所以说有没有办法在后面再继续发展，真的变成一个对话式的AI？我是跟你交流，而不再是一问一答。那这也是今天要讲的主要的内容，一个主动式、对话式的机器人要得做到好，大概需要包含哪些部分以及应该怎么做？情感计算的设计与应用我们公司名字叫EMOTBOT（Emotional Robot的缩写，也就情感机器人缩写）。情感计算在人机交互里面到底扮演什么样的地位？我们目前做了4种的语音情绪——高兴、愤怒、悲伤、中性；人的表情我们做了9种；文字情绪我们做了22种，其实22种有点多，但是无论如何不应该是只有正、负、中三种，像画面上这张图，讨厌、愤怒、悲伤、难过、害怕其实是不一样的意思。必须能够分出这些负面情绪不同的东西，才有办法去做正确的反馈。通常文字的情绪是不够的，举例来说，“我高考考了500分”，你看到这一个句子，其实是不知道应该恭喜我，还是安慰我，这时候就要看我讲话的语气，如果讲话的语气是“高考考了500分”（慢速低沉），你一听知道我是悲伤的，可能要来安慰我。所以语音的情绪这时候强度还会大于文字的情绪，如果语音情绪存在的话。那如果把人脸表情的加进来，这就更复杂了，我通常举的例子是，我面带着微笑，跟我同事说“你死定了！”。脸部的表情我在笑，看起来是高兴，但是文字上“你死定了”是愤怒，两个完全相反，那请问一下这时我的情绪是什么？这搞不好连人都搞不懂。通常这个时候我们要去看上下文，如果说前面我们两个在开玩笑，那我突然讲了“嘿嘿你死定了”，那这个应该还是开玩笑。如果前面我们两个在吵架，我突然面带微笑跟你说“你死定了”，这肯定是在威胁你。所以除了各式各样的情绪之外，我们还做到多模态的情感，我把文字情绪、人脸表情跟语音情感整个加在一起，去算出说这个人目前的总情感是什么。那我们可以底下看一段视频。如何做一个好的聊天机器人我们接下来讲情绪情感可以识别之后，还要做哪些东西，可以做出一个好的聊天机器人。首先一个好的聊天机器人，无论如何避不开一些功能和技能：比如问机器人“明天上海会不会下雨？”，“明天后天北京会不