1966 年，一个由 MAD-SLIP 程式语言编写，在 36 位元架构的 IBM 7094 大型电脑上运作，所有程式编码仅有 200 行左右的聊天机器人，被 MIT 的德裔电脑科学家 Joseph Weizenbaum 发明出来，名叫“Eliza”。
“Eliza”和机器学习同期出现，早于经典教材的出版，甚至早于多层神经网络和半监督学习的发明。可以说，在“Eliza”的身上，集中反映了我们对人工智能最初的诉求：在某些场景或工作中，替换人类的角色。于是，关于对话机器人的研发尝试，几乎贯穿了整个人工智能的发展史。
20 世纪是个筑梦的世纪，进入 21 世纪后，人们发现，要推动 AI 发展，不仅要有强悍的学术资源，也要有充沛的产业基础。于是关于对话机器人的探索进入了新的阶段，即由如何通过图灵测试打造类人 AI ，转为如何进入企业生产环节，以最直观的方式实现降本增效。
有报告将这种应用描述为：“将智能对话系统加载在服务场景的对话机器人中，以文本、语音和多模态数字人等产品形式与终端用户交互，应用在客户服务、元宇宙、智能决策、泛交互等服务场景。”
因此，京东、百度、阿里、亚马逊云科技、谷歌等企业纷纷高速推进对话机器人的研发。从 2012 到 2022 的十年间，据统计，已经有 103 家企业（去重）获得投资；2022 年 4 月，法国对话式 AI 公司 Mindsay 被收购，也是这一趋势的集中体现。
但人们也很快发现，要使对话式 AI 具备工业级的服务能力，只像 56 年前它的先辈 Eliza 一样写 200 行代码，是根本不可能的。今天的对话式 AI 要攻克大量技术性问题，尤其是在语音对话方面，技术壁垒可以总结为口语不流利（磕巴、语句断断续续）问题、话语权决策问题、鲁棒性问题。
1 对话式 AI 中语音对话的三大技术壁垒
口语不流利问题
相较于在线机器人，语音对话系统会出现一个特有现象：口语化的表述，通常是不流利的。因为现有的语义理解模型都是基于书面用语等常规文本，而现实生活中，很少有人能一板一眼地与机器人聊天。用户在自然的口语对话中，往往会夹杂着重复、停顿、自我修正等表述特点，例如：
重复：下礼拜下礼拜二三吧好吗。 停顿：呃，就是说，我暂时不感兴趣。 自我修正：可以明天，不是，后天给我送货吧。
以上这种口语中的不流利、磕巴现象，通常会对下游的语义理解造成很大的干扰。而在此类问题的表象之下，是语言作为文化的载体，其本身蕴含的巨大的复杂性。重复、停顿、修正，在不同文化背景、不同地区，都因方言习惯而存在截然不同的呈现方式。甚至，时间也是口语演变的变量之一 —— 在网络时代，几乎每年都会诞生很多俚语，给 AI 识别造成了困难。
话语决策权问题
正确理解不流利的口语，还只是交流的一个方面。于对话机器人来说，更重要的是做出回复。我们平时聊天，很容易判断应该在什么时候接话，而对于智能对话系统来说，判断在合适的时机接过话语权，并且在听者和说话者之间流畅、自然地转换，显然是一件“超纲”的事情。
当前，市面上的常规解决方案是采用 VAD 检测用户静默时长，当用户静默时长超过阈值（比如 0.8s~1s）时，系统就会接过话语权。但是，这种固定静默时长的方式存在一些问题：如用户并未讲完且在思考中，但是静默时长超过阈值，这时系统响应就会过于迅速敏感；而有时用户的交互迅速简明，这时系统仍然等待静默时长达到设定阈值才接过话语权，这时系统响应迟钝，可能造成用户重复回答。
因此，如果想要人机交互更为自然，就不能仅凭声学信号来做判断，还必须要考虑语义是否完整，如果机器能够学会“合理打断”，用户体验会明显提升，但遗憾的是，大多数研究语音识别厂商都不太重视这一点。
鲁棒性问题
除了口语不流利、话语决策权问题，鲁棒性也值得特别关注。
对于高可用系统来说，围绕鲁棒性的设计是必要的、合理的。但对于对话式 AI 而言，这里的鲁棒性所关注的问题，则显得有些“强人所难”。
在常规的语音对话系统中，语义理解模块是基于 ASR（Automatic Speech Recognition，自动语音识别技术）的识别结果进行的。然而由于噪声、背景人声等因素，往往会对 ASR 识别造成干扰，通常表现为出现一些发音相似的识别错误。如何解决噪声的干扰，实现高准确度的识别，就是此处的“鲁棒性”所描述的问题。下方表格是个具体参照：
正确文本/音素 | ASR错误文本/音素 |
|---|---|
嗯鎏金瓶精华成分是什么呢ee en2 l iu2 j ing1 p ing2 j ing1 h ua2 ch eng2 f en4 sh ix4 sh en2 m e5 n i2 | 嗯刘精品精华成分是什么呢ee en2 l iu2 j ing1 p in3 j ing1 h ua2 ch eng2 f en4 sh ix4 sh en2 m e5 n i2 |
不方便往后约b u4 f ang1 b ian4 uu uang3 h ou4 vv ve1 | 不方便完后约b u4 f ang1 b ian4 uu uan2 h ou4 vv ve1 |
声音是一系列信息的集合，所以人耳鉴别杂音不完全靠听，也靠语义联系、经验分析、背景知识。对于机器而言，这无疑是个艰巨的任务。
2 技术攻坚的破局思路及解决方案
关于上述技术挑战，业内也在寻求新的破解路径，其中有两家企业取得了非常不错的进展，足可为业内参考，一家在美国名叫 Google，一家在中国名叫京东。
前段时间，谷歌在 I/O 大会上宣布将 AI 语音助手 Google Assistant 进行全面升级：在开放式处理方面进一步优化了神经网络模型，使其甚至可以理解非连续的、比较口语化的句子。除此之外，谷歌还发布了专为对话应用程序构建的人工智能系统 LaMDA 2 的一些 demo，展示了其在想象力方面、开放且不跑题以及理解复杂任务等方面的特性。
以零售业起家的京东则探索出了与谷歌不同的发展路径，首先在应用场景上，谷歌的闲聊机器人主要针对 To C 业务，以一问一答式的交互场景为主；而京东的智能对话系统以 To B 为主，往往是来自真实场景的具体问题或任务驱动型的对话，其对垂直领域知识的专业度和回答精确度有着更高的要求。
在孵化场景方面，京东也走出了与大部分科技企业不同的路，其主要是从大规模实践中孵化技术，研发更加易用的 AI 技术。
由于京东每天有千万级的对话量，通过和用户间的不断沟通、测试最佳应答方式，依托于京东云的技术能力，推出了业界首个大规模商用的智能对话与交互系统“京东言犀”。此外，模型满意验证、对抗模型改进等核心技术，都需要在真实场景中才能得以验证，上文提到的口语不流利、话语决策权等问题，京东也早在谷歌发布之前从实际场景中洞察到了需求，并加以优化和改进。
而针对这些问题，言犀给出的解决方案是基于语音 语义的联合建模技术。
口语不流利——序列标注
在语音识别的训练过程中，输入的原始框就含有很多不流畅的句子，随后对每个字进行标注分类，并决定这个字保留还是去除。即采用序列标注模型对句子中的每个字进行分类，从而识别句子中需要删除的冗余成分，达到口语顺滑的目的。
为了缓解模型对于标注数据的过度依赖，京东言犀采用自监督学习的方式，通过对大规模的书面流畅文本进行插入、删除等操作，从而生成大量的不流畅文本。同时，还联合语法判别任务，对于输入的文本，从整个句子层面判断是否语法正确（这里认为原来的流畅文本是语法正确的，而构造的非流畅文本则含有语法错误）。
我们可以把它理解成一本言犀专属的“口语词典”，比如“就是说，我暂时不感兴趣”，“就是说”是可去除的口语词，可以将其收集到口语词典中。最后，再将完整流畅的句子“我暂时不感兴趣”，输入下一道模型进行后续的语义理解。
话语决策权——多模态
简单来说，多模态技术就是不再单凭语音信号来判断是否接过话语权，而是分别使用语音、语义以及时间三种不同纬度的特征来判断是否切换话语权。
对于语义特征，言犀会采用 transformer 等各种语言模型，根据上下文来判断当前语句是否完整；对于语音特征，言犀会将音频片段分桢，提取每一帧的特征向量，再将其输入到一个深层的 ResNet 网络，提取其特征表示。如果提取的特征有音调偏低、语速变慢等特点，则代表可能是结尾的最后一个字；此外，还会基于语音片段的时长、语速、声调等时间维度进一步判断，最后通过融合三种不同模态的特征，来判断是否接过话语权。
值得一提的是，针对多模态技术，除了刚才提到的语音 语义外，言犀目前还融入了视觉、图像等技术，以虚拟数字人等方式实现更自然的交互。比如，春节期间推出的客服数字人客服芊言，便是语音识别、自然语言理解、视频驱动等多模态技术融合的成果。
关于多模态技术的研究在近几年逐步流行了起来，具体的落地场景各大厂也仍在摸索阶段。京东对于多模态技术的快速突破得益于何晓冬博士，作为多模态技术的开拓者之一，早在 2015 年的时候，何晓冬就提出了语言 - 视觉深度多模态语义模型（DMSM），以及在 2018 年进一步提出了现在业界广为采用的 Bottom-Up and Top-Down attention（BUTD）跨模态注意力机制，并一直推动和见证了多模态技术的实用化，例如在客户服务、多模态数字人方向均已形成规模化落地。同时也带领团队在 NeurIPS、CVPR、AAAI、ACL 等国际 AI 顶级会议上发表了近 130 多篇相关论文，对比业界通常的研发周期，无疑是非常快的速度。
鲁棒性问题——结合音素的鲁棒语义理解模型
结合音素的鲁棒语义理解模型 CASLU，指的是即使文字识别错误（如上文例子，鎏金瓶—>刘精品），但是其对应的音素基本是正确的（l iu2 j ing1 p），系统就可以作出正确的语义理解。
具体来说，先将音素序列与文本序列分别进行编码，再通过 cross attention 机制，将文本的表征和音素的表征实现有效的融合，利用音素信息来结合它的文本信息做一个文本的增强表示，最后再通过全连接层进行意图分类，最后达到修正错误字的目的。
除此之外，在训练过程中，京东言犀还采用数万小时含有不同噪音、方言的真实场景数据进行迭代；再把正常语境下的句子通过加噪、变速、同混响等方式，变成一种含有噪声或方言的数据再输入到模型里，从而进一步提升模型的抗干扰能力。
3 多场景应用，传递技术的温度
当然，技术方案只是一部分，京东言犀的迭代思路是：从场景中来，回到场景中去。
比如，传统的政务热线，一直被吐槽“打不通、说不清、办不了”，这就对智能对话系统提出了要求：要响应快，能准确识别方言浓厚、断断续续的句子，以及在力所能及的范围内减轻人工客服的压力。为了提高用户满意度、实现降本增效，大同 12345 政务热线与言犀合作，经过运营人员一段时间的数据追踪发现：呼入电话接起率达到了 100%。同时，言犀也自动完成了工单创建、智能匹配至对应委办局、跟踪工单执行情况、自动对市民回访等全闭环流程。
在疫情反复的当下，如何促使全市人民进行健康排查、核酸检测是首要任务之一。北京市通州区政府联合京东言犀，针对近 3 日未做核酸检测的市民进行了超过 50 万人的智能外呼排查，在 5 个小时内，通知、提醒了近 40 万人参与核酸检测，为疫情防控大大减轻了压力。其中，针对北京来自全国各地，口音皆不相同、电话端还存在高噪音等复杂环境问题，言犀利用其深度语音识别引擎以及口语顺滑、话语权决策等前沿技术进行优化，保证通话流畅自然，用科技助力疫情防控。
除此之外，在养老行业，言犀联合天津市河西区的智慧养老服务平台，每天早上 9 点自动给近 5000 名独居老人拨打问候电话，避免其突发疾病或无人照顾等情况。
4 写在最后
数字客服、语音助手、智能外呼... 基于智能对话系统的应用逐渐拓展到了零售、金融、政务、物流、交通等多个行业。
作为人工智能领域的关键技术，对话式 AI 将会成为未来最有价值的领域。中国也正在以场景驱动人工智能技术的迭代与发展，相信在整个产业的共同探索下，中国的人工智能将不断朝着“个性化”进阶，可以针对不同的人都有不同的对应方案，真正做到千人千面。
