Facebook押注下一代交互界面，布局聊天机器人！

早在2015年，聊天机器人便受到了广泛的关注。其中，Facebook推出的M机器人备受瞩目，其目标在于成为一个功能多样、应用广泛的智能助手。从购买物品到安排送礼，再到预定餐厅和计划旅行，M似乎无所不能。当Facebook在湾区对2500人进行M机器人的测试时，结果却不尽如人意。这款软件未能完成要求它完成的大部分任务。

随着对M机器人等的过度热炒之后，随之而来的是一片失望之声。微软首席执行官纳德拉曾表示，“机器人是新的应用”。聊天机器人并不像人们想象的那样善于聊天。它们被训练的范围仅限于特定的话题和任务，无法与人进行自然而流畅的对话。它们只能提供一般性的答复，而无法根据对单词及其含义的一般理解产生自己的反应。

在M测试版之前，Facebook对其宏伟计划进行了调整。尽管其一些自然语言技术已经进入了相对保守的Messenger聊天机器人领域，这些聊天机器人只能做一些简单的事情，如点餐或发送问答信息。美国运通和1-800-FLOWERS等公司仍在使用这种简单的聊天机器人来回答客户服务问题、接受基本订单和提供账户余额。

Facebook的人工智能研究小组已经开始从简单的聊天机器人向更高级的方向发展。Facebook的自然语言研究人员Antoine Bordes表示，过去几年他们一直在探索如何让聊天机器人更好地理解和与人类交流。他们认为，如天机器人能够更好地理解人类的意图并与之交流，那么它们最终可能会成为更好的助手，帮助人们完成各种实际任务，如预订机票等。为此，Facebook投入了大量资金，聘请了自然语言人工智能领域的顶尖人才。他们不仅致力于研究技术本身，还将研究成果分享给整个研究社区，推动其他公司共同构建下一代人工智能产品。这表明Facebook在人工智能领域有着宏大的愿景和战略部署。随着首席执行官扎克伯格提出的新愿景，Facebook的消息应用如Messenger和WhatsApp正在研究如何增加新功能以保持领先地位。这些应用还在探索如何盈利以满足公司的商业需求。为了构建能够随意与人聊天的算法已经成为大型科技公司的重要目标之一。亚马逊谷歌和微软都在这个领域投入了大量的精力。随着神经网络技术的进步和发展各种基于文本的消息应用和语音助手等正在逐步成为现实并改变人们的生活方式和工作方式随着研究的深入进行通往真正的对话式计算机的道路变得越来越清晰然而谁将成为这一领域的领导者还有待时间的检验简单来说Facebook的自然语言研究不仅仅是关于复活M或者改进基于Messenger的聊天机器人而是关乎整个公司的未来走向构建一个能与人进行逼真对话的数字代理人是所有自然语言问题中最具挑战性的任务之一它需要机器具备学习大量单词及其用法和细微差别的能力并在与不可预测的人进行实时对话时灵活使用它们最近几年自然语言处理领域才开始朝着通用知识机器人的方向迈出更大的步伐这主要得益于神经网络的巨大进步这是一种通过大数据分析识别模式的机器学习算法在人工智能的发展过程中人类一直在观察软件在机器学习过程中的表现并通过提供正确答案来训练神经网络然而传统的监督学习方法在聊天机器人的领域往往行不通因为获取大量的对话数据并对其进行精确标注是非常困难和昂贵的因此研究人员一直在寻找替代方法让神经网络能够在没有人类参与的情况下从数据中自主学习减少对训练数据需求的一种方法是向机器传授基本常识如果机器能够了解一些关于世界的基本知识比如物体的相对大小人们如何使用它们以及一些物理定律如何影响它们那么它可能会更好地理解和响应人类的对话需求人类能够自然地做到这一点因为我们拥有广泛的知识和经验来理解世界并与之互动。深度探索人工智能学习的核心奥秘：从观察世界到对话现实

在人工智能领域，我们的大部分学习都是通过观察世界完成的。这一点，Facebook副总裁兼首席人工智能科学家Yann Lecun深表赞同。作为该领域的传奇人物，他自上世纪80年代以来一直在应对人工智能的最大挑战。他强调，我们通过与世界的互动，通过尝试、失败和改正，学到了很多东西。同样，人工智能的学习过程也遵循这一原理。

这种学习模式被称为无监督学习，其工作原理与孩子的成长过程类似。想象一下，一辆自动驾驶汽车就像一个孩子，通过其众多传感器和摄像头收集关于世界的数据。这些数据被大量收集以供机器仔细研究，没有特定的指令或目标要求。相反，科学家们只是要求IT部门处理数据并寻找其中的模式，映射不同数据点之间的关系。

尽管获取必要的数据在许多情况下都是一项艰巨的任务，但在自然语言处理这一AI子领域中，神经网络可以在无需传感器的情况下了解世界。研究人员可以使用大量现有的文本数据来帮助算法理解人类世界。例如，理解两个句子中的“它”指代什么，需要模型了解世界上物体及其相互关系的信息。

随着技术的发展，我们现在已经进入了一个新时代，人工智能不仅能够对文本进行简单的处理，更能够理解其中的深层含义。BERT和RoBERTa模型的出现，标志着自然语言处理领域取得了重大突破。这些模型通过分析大量的文本数据，发现单词和句子的模式，并理解它们之间的基本关系。令人惊奇的是，这些模型甚至开始理解物体之间的关系，仅仅通过语言线索。

LeCun及其团队对BERT和RoBERTa模型进行了优化和调整，显著提高了语言模型的性能。Facebook的RoBERTa模型的表现远优于谷歌的BERT模型，其准确率达到了惊人的88.5%。这代表着一种全新的方式，来教计算机如何交谈和理解人类语言。

尽管取得了这些进展，我们的聊天机器人仍然缺乏真正的常识和对话能力。它们能够理解和生成语言，但仍然无法像人类一样进行真正的对话。为了解决这个问题，Facebook的自然语言研究者们正在尝试在RoBERTa的基础上建立更多的对话特征。他们通过研究实际的人类对话，了解对话的流程和规律，并尝试让机器人避免最常见的对话失败。例如，通过训练机器人记住自己的发言并避免自相矛盾。他们还在研究如何让机器人以更自然、更人性化的方式回答问题，并赋予它们更多的情感表达。

人工智能的学习过程是一个深度探索和理解世界的过程。从观察世界到对话现实，我们正在逐步构建一个能够理解并适应人类世界的智能机器。虽然我们还面临许多挑战，但随着技术的不断进步和研究的深入，我们有理由相信未来会有更多的突破和创新。那些善于利用多元信息的人，往往能够与人类进行更长时间的对话交流。现今的聊天机器人却面临一个难题：它们通常只接受特定领域知识的训练，这限制了它们对话题的广泛探讨。想象一下，当你试图与一个负责送披萨的机器人谈论除了披萨之外的任何话题时，对话往往会迅速偏离主题。

为了突破这一局限，Facebook的研究人员正在积极训练自然语言模型，从众多知识领域中提取数据，并以自然流畅的方式融入对话之中。未来的研究焦点将聚焦于教导机器人如何在适当的时候引导对话回归主题，并继续拓展其知识边界。

开发能够持续学习的聊天机器人是一项巨大的挑战。随着时间的推移，单词的含义会发生变化，新的术语和俚语会在文化中占据一席之地。与此聊天机器人需要具备一定的抗干扰能力，避免过度吸收外部信息。微软Tay聊天机器人的例子就是一个警示：因为从在线对话中学习了太多、太快，它在短短24小时内就变成了输出侮辱性言论的种族主义者。Facebook正在教授其实验性聊天机器人如何从容地吸收人类对话中的知识，并分析语言，以确保机器人的回应既不失智慧也不显无聊。

展望未来，Facebook实验室的进展预示着即时通讯聊天机器人的诞生，这既令人期待又充满挑战。这些聊天机器人将能够进行自然流畅的对话，甚至具备某些类人类的智能技能。最终结果如何，还需时间来验证。Facebook的研究员Jason Weston充满信心地表示：“我们已接近研发出人们可以与之一同对话、真正体现价值的机器人。”