chatbot的原理是什么？

人機對話通常是靠背后的數據庫 & 文本檢索支撐，然而數據庫覆蓋不到海量人類對話怎么辦？還有幾個解決思路：

- 語言模型，可以把它看作各種語言規則的疊加，能夠覆蓋大約20%的問題，但準確度很差。

- 生成式對話，模仿翻譯模型進行的逐字映射，在用于訓練的樣本集內生成效果很好，樣本集外準確度不高。

- 萬金油回復，走完所有流程依然得不到一個好的回復，就拋出萬能隨機語。這種情況下的準確度往往比前兩者還高出些許。

檢索部分利用的是相似度算法，顧名思義，相似度即是比對輸入的一句話與庫中現存文本的相似程度，并取出答案；實現相似度計算，又需要借助切詞、句法分析、實體抽取等等。

那么輸入和輸出之間疊加了如此多復雜的環節，是不是意味著我們就可以得到一個體驗比較好的chatbot了？

答案是NO。

在深度學習技術廣泛運用于視覺領域、聲音領域的今天，文本處理依然存在著難以逾越的技術鴻溝；在處理龐雜的非結構化文本上，機器學習帶來的提升往往不如人工編輯答案來的直接。

而前期對文本數據進行預處理的環節也帶來了巨大損耗，包括文本的清洗、抽取等，更何況現在用戶數據保密性越來越受到重視，獲取高質量的自然對話數據由技術問題轉變成了商務合作問題。

這說明什么？

以目前的技術水平，實現chatbot還是要借助自然對話的語料積累。一個以chatbot作為核心技術創業的公司，必須深諳市場與產品化的哲學，否則很快就會喪失生存空間。

而SNS類公司具備文本積累的天然優勢，例如新浪微博。機器學習算法又不存在門檻。聊天機器人 —— 披著光鮮的AI外衣，實際上做的大部分是臟活累活，雖然可以形成有效的迭代周期，但無法短平快地進行產品定位調整。

短板必須依托技術躍遷才有可能帶來突破。能做出卓越貢獻的通常是MIT，GOOGLE這類研發實力雄厚的機構或公司，能力集成公司只有默默地等待開源代碼。

沒有一點好消息嗎？

這些年來市場對chatbot產品依然保持著旺盛的需求，一個會摔倒會賣蠢的虛擬貓就輕易讓用戶投入上千句對話，那么加入其它能力（功能、問答，甚至人臉識別、語音合成等）之后呢，用戶黏性會提升嗎？

可以，但效果不明顯。而且前提是你的機器人對白顯得沒有那么無聊。打個比方，一個“不無聊”的示例：

用戶：你好

BOT：找我干嘛？

一個“無聊”的示例：

用戶：你好

BOT：你也好

想讓用戶無休止地和機器人聊下去，單純保證準確度是不夠的。這其中包含兩個要素：

準確度是底線。不能總是答非所問，這取決于數據庫的數量與QA關聯度；

有趣的對白。人工編輯答案聊起來反而缺乏激情，即使它準確度足夠高。自然產生的對話往往那么不經意，試想正在撩妹的你和正在撩機器人的你，你會對哪個更上心，你會對一個機器人刻意幽默嗎？

就算一定程度上解決了上述這兩個難題，chatbot還存在一個致命缺陷：

前言不搭后語，邏輯不通 —— 沒有上下文。一個典型的例子：

用戶：你在干嘛？

BOT：我在陪女朋友逛街

用戶：你有女朋友？

BOT：怎么可能，我是女的

對于一些邏輯嚴密的用戶，遇到這種對話會直接放棄。好在我們的用戶并不都是這樣的，如果他們愿意，還是會嘗試順著對話繼續往下聊。

有時候，聰明的PM們也會故意制造問題，讓用戶贏得心理優勢，從而提升CPS —— 平均交互輪次：比如故意輸掉成語接龍、用戶輸入講笑話的指令時，故意不講等等，這些小心機也會起到一些效果，但都無法解決根本問題。

此外，分類問題也很棘手。當用戶輸入一個query時，他到底是想要閑聊呢，還是在認真地提問？機器人很難通過分類將“你爸爸是做什么工作的？”正確地歸類到聊天，而不是知識性問答。我們所指的知識性問答，通常是“人為什么會呼吸”、“天為什么是藍的”這類具有普遍正確性的問題。

看起來，chatbot的未來似乎很渺茫

2015年是人工智能的一次浪潮，站在2017年年初的時間點上來看，浪潮正在衰退。在通用域進行淺嘗輒止后隨之放棄，轉作垂直場景的，如智能家居、車載系統的大有人在。而siri、echo這類產品憑借出色的燒錢能力，即使短期內無法商業化，也可以依托強大的平臺迭代下去。

創業公司用一整年的時間調整策略，摸索的結果是又回到了解決方案提供商的角色。這個意識來得有點晚 —— 市場需求才是決定產品形態的最終導向，而不是愿景。

現實是，chatbot若想獨立產品化，面對的風險非常高。

雖然市場存在大量這樣的需求：無論是實體機器人生產商還是創建了虛擬角色的公司，都想嘗試賦予機器人一枚真正的“靈魂”。實際上讓機器顯得富有“生命力”可以不單靠言語交流來體現，還有故意摔倒、跟著音樂揮舞手臂、搖頭晃腦等等，但讓機器人開口說話依然是最強烈的訴求（商家們多么想迎合大眾對于科幻的期待）。

產品化的思路

chatbot作為一種人機交互方式，圍繞著其他品類的產品運作了起來。收集對話數據、挖掘用戶需求，逐漸形成支撐產品體驗的各種要素 —— 甚至一個好的IP形象，都會讓用戶多花幾倍時間在與虛擬機器人閑聊上。

微軟小冰很早就這么做了：通過塑造蠻不講理的少女形象，以及宣傳中的情感慰藉能力，籠絡了大批閑聊用戶。

但是問題來了，小冰是有套路的，用戶很快會熟悉她的對話套路，然后離開。

為了留住用戶，同時（還是）為了收集數據，小冰從14年起就開始保持每周迭代兩個功能的頻率，支撐至今。在支持中小開發者、微信運營者的層面，小冰的服務也盡量地貼心：可以分析微信公眾號的文章，做到“智能推薦”（盡管顯得還不是非常智能）、識別朋友圈截圖從而輔助官方賬號運營等等...

圍繞chatbot核心，小冰團隊利用一些現有的、成熟的AI能力，來體現少女小冰的“智能”，看起來似乎卓有成效，但是小冰也沒擺脫那個缺陷：“套路”不是人為加上去的，而是天然存在的 —— 數據庫永遠覆蓋不到人類的全部對話，在40%的最常見的聊天內容背后，是無窮無盡的長尾問題...

在認清這個基本現狀后，小冰團隊也不再強調“IQ”的重要性，轉而頻繁提及“EQ”了。說是揚長避短，倒更像是應對技術天花板的營銷手段。

GOOGLE的做法則是做一款社交軟件，把chatbot“嵌入”進去。用戶在與人交流的間隙，ELLO就會打岔進來，或者依據用戶發給對方的照片推薦相關回復，如評論一朵花、一個旅游目的地等。再解決一些叫外賣、查天氣的基本服務，一個具備完整閉環的AI對話產品也就這樣被塑造出來了。

新意總是層出不窮的，但像alphago那樣叫座容易，像“正經”產品那樣獲利就難了。

結語

一個會開口講話、看似能理解你意思的機器人也遠沒有想象中那么神秘。問題就在于規劃宏偉藍圖和迎合市場打造“爆品”之間，似乎總存在一些難以調和。創業公司如何應對，全看其背后的價值觀了。

至少，對于人機對話領域的產品經理而言，也許跟一群像模像樣的geek共事才是最大的收獲：）