近幾年，像亞馬遜Echo和谷歌Home這樣的語音助理的發(fā)展速度，如同火箭一般迅速，估計在2018年就有接近1億個設備在家庭中使用，不僅如此，我們也已經在自動語音識別(ASR)、從文本到語音(TTS)和意圖識別等方面取得了驚人的進步。

在過去幾年里，機器學習，尤其是深度學習，已經成為了人工智能領域中應用非常廣泛的技術。它已經在人臉識別、語音識別和對象識別等領域取得了重大進展，因此許多人認為它將解決人工智能對話的所有問題。然而，實際上它只是我們工具箱中一個有價值的工具。我們需要其他技術來管理有效人機對話中的各個方面。

機器學習特別適合解決在大數(shù)據庫中查找模式的問題，或者就像圖靈獲得者Judea Pearl說的那樣，機器學習實際上是解決曲線擬合的問題。人工智能對話中有幾個問題都很好地反映了這類解決方案，如語音識別和語音合成。該技術也已應用于意圖識別（將人類語言的文本語句轉換成用戶意圖或愿望的高級描述）并取得了很大成功，盡管使用此技術捕獲具有固定形態(tài)或語義敏感而模棱兩可的自然語言時存在一定的局限性。

然而，在計算機對話中確實存在一些不太適合機器學習的問題。人機對話由兩部分組成： l 自然語言理解(NLU)——理解用戶所說的話 l 自然語言生成(NLG)——為用戶制定合理的話術回應 近來，大部分的注意力都集中在了第一部分，但是其中仍然存在很多挑戰(zhàn)，而這些不適合機器學習的原因在于話術回應生成不僅僅是收集和分析大量數(shù)據的產物。在未來幾年，這種持續(xù)、有狀態(tài)的對話挑戰(zhàn)仍然需要更多地關注NLG和對話管理部分的問題。

作為技術人員，我們常常被驅使著試圖用計算機來解決每一個問題。然而，需要注意的是，有些領域，如游戲、娛樂或銷售和營銷，總是希望對計算機回應的聲音和個性進行巧妙的設計來匹配它們的品牌。此外，已經注意到的是，試圖生成全自動自然語言生成可能不是最好的，因為最自然的人類對話不是重復很多以前對話的結果，而是通過考慮當前上下文而形成的。