大多数科技巨头都在人工智能的应用和研究领域大举投资，希望能在许多人认为不可避免的引领范式转变之前保持领先。
在这种复兴的前沿，得益于硬件、数据可用性和革命性机器学习技术的进步，聊天机器人、计算机视觉和自动导航等领域在短短几年内就取得了巨大的进步。
人工智能技术的进步正在把以前被认为无法解决的问题变成现实，而这些正影响着我们的日常生活。
随着人工智能的显著增长，新一代的聊天机器人最近涌入了市场，他们承诺未来这个世界上，我们的许多在线互动不会出现在网站或应用程序上，而是在一场对话中。
把这个承诺变成现实，是更好的用户界面、智能手机的无处不在，以及新的、先进的机器学习技术。
或许，这一波新型人工智能应用背后的主要驱动因素之一是深度学习，尽管这一种机器学习领域已经存在了大约50年，但它最近已经彻底改变了计算机视觉和自然语言处理（NLP）等领域。
尽管它的表现令人难以置信，但仅靠深度学习不足以解决聊天机器人所面临的挑战。
能够理解语境，消除语言中细微的差别，从而导致截然不同的含义、逻辑推理，以及最关键的是理解消费者的喜好和意图，一个系统必须能够执行这些具有挑战性的任务，才能与人类进行对话。
在构建真正强大的聊天机器人时，不仅要用上下文来回答复杂问题，还要用对话框之外的信息来回答问题。
要想有效地回答问题，机器人需要依赖之前在对话中分享的信息，或者是在机器人和消费者之间的其他对话中。
此外，商业目标和消费者的意图也会影响机器人所能做出的反应。
如果一个现代的对话引擎希望超越简单层次的问题，它就必须将深度学习领域中涌现出来的最杰出技术结合在一起，这包括可靠的统计数据、语言学和其他机器学习技术，以及更结构化的经典技术，如语义分析和程序归纳，
建立智能会话系统的第一站是数据。
虽然我们生活在一个不断生成源源不断的数据流的时代，但大多数数据都过于原始，无法立即用于机器学习算法。
特别是深度学习因必须要有大量高质量的数据才能释放出真正的潜力。
无人监督学习，即机器学习的子领域，致力于从原始数据中提取信息，不受人类的帮助，这可能是一个很有前途的选择。
在它的众多用途中，它可以被用来构建一个嵌入模型。
简单地说，这些技术使人们能够以一种不那么复杂的形式来表示他们的数据，从而更容易地发现模式。
虽然无人监督学习在机器学习中已经无处不在，但深度学习提供了额外的创新方式来构建这样的嵌入模型，从而为艺术表现提供状态。
这些技术的优化可以减轻许多高质量和昂贵的标签数据的需要，而这些数据对于人工智能的聊天机器人来说是很重要的。
然而，深度学习的标准方法是收集一个大型的、高度特定的数据集，随后用于训练一个基本静态架构的网络。
一旦经过训练，网络就会直接从输入映射到一个固定的、预先知道的输出。
尽管这是非常强大的系统的基础，但这种方法缺乏处理进行现实对话所需的信息所需的灵活性。
因此，让我们进入真正像人类一样的聊天机器人的下一个大障碍：用一种内在的世界模式来维持和理性的能力。
我们人类总是（而且通常是下意识的）检查从我们的环境中接收到的每一件新信息，与世界的内部模型相联系——这是一种正常的、不存在的模型，即实体是如何关联的，我们如何能做出涉及说实体的逻辑推理等等。
如果在开车的时候，我们看到一个球在街上滚动，注意到一个分心的孩子在追逐他们的球时，我们立刻就知道我们应该减速，并保持警觉，
这种直觉建立在对实体如何相互联系的理解之上，结合在知识图谱上建立逻辑连接的能力，并得出一个需要多个推理步骤的结论。
这种自动的、极其宽泛的逻辑，仍然没有被人工智能研究人员所理解，也许是真正智能和自主人工智能的最后一个前沿领域，包括对话机器人。
为了达到这个目标，理性的能力是至关重要的。
最后，将所有问题放在一起是另一个有待解决的问题。
与搜索引擎不同的是，用户满足于被关联排序的匹配列表，而对话引擎必须更加具体。
仅仅使用NLP来识别一组相关信息是不够的。
它应该能够解析输入，分解它，并对用户做出反应，不仅清晰简洁，而且与他们的品味高度相关——冲洗和重复。
我们仍处于以人工智能为中心的对话革命的早期阶段，我们可以公平地假设，今天看来无法克服的一些问题，很可能在接下来的几年里得到解决。
我们正迅速迈向这样一个世界，在这个世界里，你将能够与你的人工智能助手进行长而复杂的互动，这不仅能理解你说的内容，还能了解你的喜好和风格，从而相应地调整你的体验。
要做到这一点，我们必须将包括深度学习、统计在内的多个学科融合在一起，构建融合消费者偏好、环境和语言的技术，成为一种智能、灵活的软件。返回搜狐，查看更多
责任编辑：