我為什麼從技術角度不看好中國的智能音箱

前言：想寫此文因為https://www.zhihu.com/question/267639636/answer/327879566 在這個國內有哪些問答（QA）或對話（dialogue）比較牛的團隊或個人，列下其成果？的回答中有人提到了我。

實在是感覺捧殺，因為自己做的對話的東西太過初步（無法精確自然語言理解），於是想寫寫對話到底現在技術做到什麼樣子了。

------------------正文開始的分割線---------------

最近公司都在做音箱，PR的多，給我發職位邀請的也多（雖然我感覺我並不能勝任），但是往往大家用完會有一種智能智障的感覺（大家可以自行查詢智能智障這四個字）。我來寫寫對於聊天，以及音箱最重要的一個問題自然語言理解。

自然語言理解分為兩個套路：一個是文本匹配，一個是語義解析（Semantic Parsing）；

文本匹配即：給定文本A，B，給一個相似度打分。常見應用搜索引擎，扯淡型聊天機器人。

語義解析即：給定一個文本，把它分析成某特定的邏輯表達式。常見應用是 人類語言-》SQL語句的轉化，以及任務型聊天機器人。

他們最大的不同是啥呢，文本匹配任務往往比較粗糙，他會把北京到上海的機票和上海到北京的機票相似度算的很大，不區分邏輯，而語義解析則不同，它能把它parse成一個邏輯表達式，分清從哪兒去哪兒。語義解析對於精準的理解自然語言是十分重要的，雖然文本匹配可以大面上理解，但是理解的還不夠，不能推理，不能分清我愛你和你愛我的區別。適用於要求精度不高的應用，比如閑聊天，比如搜索引擎。這就導致了，音箱這種完成命令式的傢具，核心技術就是語義解析。

當然不要在這裡抬杠說音箱可以內置個扯淡型聊天機器人～

於是，現在的音箱就會能回答的問題極少（因為程序員要吃飯睡覺，寫不了這麼多規則，也寫不了那麼多API調用），從網上找了找例子

問「有時候有時候我會相信一切有盡頭這首歌」——xx精靈不會通過歌詞來搜歌曲名

問「我手一杯品嘗你的美是什麼歌」——xx精靈說沒找到

說「我喜歡這首歌」——xx精靈貌似不支持收藏歌曲

問「播放鬼吹燈」——不會講有聲書

問「來一個音樂頻道」——不支持音樂頻道

問「播放遼寧的廣播」——在鬼扯

問洛杉磯今天哪一天——只知道北京時間，沒毛病啊

問三個火是什麼字——不支持字典功能

問美好的近義詞——不支持近義詞功能

問床前明月光翻譯——不支持詩詞解釋

問日心說是誰提出的——不支持百科問答

問莫扎特的代表作——找不到

問根號三等於多少——只會1000以內加減乘除，心累（其實是rule寫的太少）

問how do you do什麼意思——答非所問，簡單英文翻譯也不會

問從廣州到深圳路況怎麼樣？——答不上來

所以，現在音箱能幫助大家的還很少。 一個很明顯的例子就是根號三等於多少，這個由於寫rule工程師沒寫就失敗了。。。當然以後隨著功能變多，需要處理的情況就越多，規則就越來越暴露自己的缺陷。

--------------一個例子來詮釋音箱怎麼做------------

舉一個例子：如果現在用戶的輸入是 「給我唱一首周杰倫的歌」，一個智能助手的策略是首先做NLU，分析Domain，Intent，和抓Slot：

輸入：給我唱一首周杰倫的歌。

Domain：音樂

Intent：播放歌曲

Slot： 歌手=周杰倫

此時不同Intent所需要填滿的Slot數量不一樣，且Slot需要人工定義（這也導致了所有智能音箱等服務，從一個領域到另一個領域不是data driven的，而是需要大量人力的）

至於domain和intent都是一個類似分類器的東西可以靠規則或者模型實現，Slot如何抽怎麼填可以用模型Semantic Parsing也可以靠規則來填。這導致了Slot填的時候，往往大領域可以訓練模型，小領域只能寫規則。當然大領域訓練模型的代價並不一定小於給大領域寫Rule。

綜上，所有智能服務設備的瓶頸在兩個地方：如何為每個領域定義不同的Intent和Slot，以及如何把Domain，Intent和Slot Filling識別自動化。這兩個問題現在一個也沒用Data-driven的模式解決。

----------------我是另一個分割線-------------

很奇怪的是，在中國如果找10個做NLP的，基本8個都能說出什麼是文本匹配，但是估計只有一個知道並熟悉什麼是語義解析。包括如果你在知乎進行搜索，文本匹配，你會發現相關介紹一堆，說的也是像模像樣

但是一旦你搜索語義解析呢：

你會發現大部分的語義解析都不是真正NLP裡面定義的語義解析。

更重要的是，中國的學術圈也是做文本匹配的多，做語義解析的少。原因往往是文本匹配應用很成熟，搜索推薦廣告，互聯網三駕馬車都會用到的是文本匹配技術。而像音箱或者智能助手，最後大家也不研究如何語義解析，直接寫規則系統，用一個基於規則的語義解析器來做音箱。

這就導致了音箱的對於語言的理解永遠被正則表達式（規則）束縛，舉步維艱。而Semantic Parsing在國外卻熱的多，無論是Stanford和CMU，他們的NLP一大塊都是做Semantic Parsing，包括Socher也在研究這個問題，而中國研究的卻比較少。所以，國外的音箱在智能上會比國內的好一些（當然也是半個智障）。

總之，面對著一個用工程師血與淚寫出來的規則系統，我真是不抱太大期望，只能說程序員辛苦了。做NLP的程序員繼續follow語義解析的進展，希望有一天這個技術能更成熟，讓智能智障變成智能音箱。

推薦閱讀：