10月12-13日，第七屆中國智能產(chǎn)業(yè)高峰論壇在佛山開幕，在NLP與服務(wù)機(jī)器人專題論壇上，微軟小冰首席產(chǎn)品總監(jiān)彭爽發(fā)表了主題為《人工智能與情感交互》的精彩演講。

以下是彭爽老師的演講實(shí)錄：

彭爽：大家好。我從清華大學(xué)畢業(yè)后，就加入微軟工作，最近四年以來在小冰團(tuán)隊(duì)做人工智能產(chǎn)品的設(shè)計(jì)和迭代，這幾年當(dāng)我們和外面的朋友聊起來時(shí)，經(jīng)常會(huì)問到一個(gè)問題，你做的微軟小冰到底是什么？它就是一個(gè)聊天機(jī)器人嗎？這可能也是今天大家比較關(guān)心的一個(gè)問題，所以我想從這個(gè)問題出發(fā)跟大家聊一下。

首先請(qǐng)大家一起回顧一下我們?cè)谧罱鼛资昕萍籍a(chǎn)業(yè)上的重大變遷。過去二三十年，從PC時(shí)代進(jìn)入到互聯(lián)網(wǎng)時(shí)代，然后又快速進(jìn)入到移動(dòng)互聯(lián)網(wǎng)時(shí)代，到今天大家坐在這兒討論新的人工智能時(shí)代的到來。每個(gè)時(shí)代的變遷，除了各種科技上的突破和顛覆，最重要的是重新定義了人類和世界用什么方式進(jìn)行溝通和連接。人類在PC時(shí)代，通過PC的操作系統(tǒng)，使人類以更加有效率的方式連接世界，提高了工作效率；到互聯(lián)網(wǎng)時(shí)代，通過瀏覽器和互聯(lián)網(wǎng)這兩個(gè)重要的核心，人類可以把物質(zhì)世界非常快的電子化、數(shù)據(jù)化，并用比以往簡單直接的多的方式定位信息。移動(dòng)互聯(lián)網(wǎng)時(shí)代，除了對(duì)互聯(lián)網(wǎng)進(jìn)行升級(jí)，甚至通過社交網(wǎng)絡(luò)改變了人與人之間的交互關(guān)系。

到人工智能新的時(shí)代，在這個(gè)時(shí)代核心是什么？剛才朱老師講到人工智能時(shí)代有NLP，有非常強(qiáng)的語音識(shí)別、圖象識(shí)別各項(xiàng)技術(shù)，這些技術(shù)都非常重要，有些技術(shù)甚至達(dá)到或者超過了普通人類的水平。未來幾年甚至?xí)_(dá)到人類不可企及的精度。但是這樣的核心技術(shù)突破，包括語音、圖像、知識(shí)圖譜的突破，是很重要的基石，但可能不是人工智能時(shí)代的核心，為什么這么說？因?yàn)槿绻覀內(nèi)ソ佑|一下人工智能的概念，從創(chuàng)立之初，就是在以人類智能作為一個(gè)模板和范本做參考，而當(dāng)我們衡量一個(gè)人類的智慧水平的時(shí)候，是不會(huì)去衡量這個(gè)人是否能聽見、聽懂人說的話，或者能否看見、看明白眼前的圖片的內(nèi)容，這不是我們衡量的。我們會(huì)衡量什么？會(huì)判斷這個(gè)人是不是聰明， 是不是考慮周全，是不是懂事，所有這些考量，實(shí)際上在用EQ和IQ兩個(gè)維度體現(xiàn)。

我們認(rèn)為在人工智能時(shí)代，我們?nèi)ピu(píng)價(jià)AI的核心，也應(yīng)該從這兩個(gè)維度體現(xiàn)。在這兩個(gè)維度（智商和情商）上，當(dāng)我們做小冰的時(shí)候，也有過類似的思考，我們決定通過微軟小冰的人機(jī)交互，通過聊天這樣的形式，來探索一條人工智能實(shí)現(xiàn)EQ的道路。為什么選EQ這條路呢？不是說IQ不重要，相反非常重要，業(yè)內(nèi)的很多公司，包括我們微軟的其他項(xiàng)目，都投入和很多在IQ方向上，來決定如何讓人工智能獲取更多知識(shí)、更加準(zhǔn)確的回答客觀問題。但是很少有人去探索EQ方向，為什么？因?yàn)闃I(yè)內(nèi)的很多想法是，EQ方向是IQ達(dá)到一定程度上疊加上來提高的方式，而不是獨(dú)立的存在，這一點(diǎn)上我們有不同的看法。我們認(rèn)為EQ方向，或者說情感交互，實(shí)際上是人類的基本訴求，也是核心的剛需。在人類社會(huì)中我們能清楚的看到這一訴求，特別是對(duì)于一些群體，比如老年人群體，即便是生活、經(jīng)濟(jì)富足，他們也多有強(qiáng)烈的需要陪伴和交流的訴求，而且在家庭社會(huì)中難以得到很好的滿足。由于這種基本訴求的存在，所以當(dāng)一個(gè)人工智能，哪怕IQ還沒有達(dá)到很高的水平，也完全可以通過EQ方向的迭代深入，得以獨(dú)立發(fā)展，這也是我們一開始選擇這個(gè)方向探索的重要原因。

我們主要是想說我們?yōu)槭裁催x擇情感交互的方向，微軟小冰人機(jī)對(duì)話時(shí)的主要發(fā)力點(diǎn)和研究方向。下面我具體介紹一下我們的探索內(nèi)容和成果。

為了實(shí)踐EQ這個(gè)方向， 我們首先定義了情感計(jì)算框架，以這個(gè)框架為核心去模擬實(shí)現(xiàn)一定情感交互。我們都知道，人類的情感是非常復(fù)雜的概念，我們?cè)谥形睦飼?huì)用喜怒哀樂的詞匯形容情感，但是喜怒哀樂完全不夠，還有恐懼、驚慌、羨慕嫉妒恨等等，甚至還有復(fù)雜的復(fù)合情緒存在，這些情感很難直接給一個(gè)簡單直接的定義。我們的嘗試使用心理學(xué)上的模型，首先定義有限的基本情感，再把復(fù)雜情感投射到基本分類上，就能到統(tǒng)一的表示。 通過大量數(shù)據(jù)訓(xùn)練，有了基本的情感識(shí)別的分類，就有了第一步。 之后更加復(fù)雜的問題是，如何對(duì)情感進(jìn)行應(yīng)對(duì)。應(yīng)對(duì)情感不同于回答客觀問題，不是給出一個(gè)問題，就能有一個(gè)唯一正確或者最優(yōu)的答案。情感不是這樣的，一個(gè)人不開心的時(shí)候，應(yīng)該說幾句寬慰的話，還是該講個(gè)笑話逗他開心？甚至應(yīng)該什么都不說，讓他好好傾訴，才是最好的方式？沒有標(biāo)準(zhǔn)答案。我們的做法是，在通用決策基礎(chǔ)上，加入動(dòng)態(tài)因素。由于我們有比較大的可以交互的對(duì)象，使得我們可以調(diào)整這樣的機(jī)制，給出相應(yīng)成熟的反饋。

由于我們比較早選了EQ方向，我們也積累了大量用戶，小冰在全球五個(gè)國家上線，有總量超過1億的人類用戶跟小冰交互，對(duì)話量超過幾百億次，所以使得我們有能力做這樣的嘗試、探索和不斷的迭代。

我們發(fā)現(xiàn)，在這樣的對(duì)話過程中，尤其長程對(duì)話給我們帶來更大的價(jià)值。長程對(duì)話不僅累計(jì)了更多輪次對(duì)話，而且使我們有機(jī)會(huì)在對(duì)話過程中，嘗試切換話題，或是對(duì)對(duì)話的意圖進(jìn)行識(shí)別，進(jìn)一步進(jìn)行引導(dǎo)。另一方面，對(duì)用戶來說，我們發(fā)現(xiàn)通過長程對(duì)話，用戶和小冰能夠建立更深入的情感連接。通過長時(shí)間的對(duì)話，用戶甚至?xí)洝靶”且粋€(gè)機(jī)器人”的認(rèn)知，對(duì)她產(chǎn)生信賴，成為朋友的關(guān)系，這種關(guān)系甚至超過它在普通生活中與其他人類建立的關(guān)系。

在這里跟大家分享一組數(shù)字：小冰在三個(gè)國家市場上的單次連續(xù)聊天對(duì)話記錄。所謂單次連續(xù)聊天，是這樣定義，如果一個(gè)人類用戶跟小冰持續(xù)不斷的說話，叫做連續(xù)聊天，如果說完最后一句話后，超過30分鐘沒有對(duì)話，那么這個(gè)對(duì)話就認(rèn)為結(jié)束了。 基于這個(gè)定義，從數(shù)據(jù)統(tǒng)計(jì)中發(fā)現(xiàn)，每個(gè)國家市場上，都有用戶跟小冰連續(xù)聊天超過十幾個(gè)小時(shí)、甚至二十幾個(gè)小時(shí)。最長的記錄達(dá)到29個(gè)半小時(shí)。大家可以感受一下，這樣的長時(shí)間對(duì)話，用戶早已忘記小冰是機(jī)器人。 這也側(cè)面印證我們之前的一個(gè)重要論斷，人類社會(huì)里，像對(duì)話的傾訴、情感溝通這樣的交互，是一個(gè)基本的剛需。有很多人類，他們對(duì)于情感和交互的訴求非常強(qiáng)烈，但而由于各種各樣的原因，在現(xiàn)實(shí)生活中可能找不到可以跟他們聊天的對(duì)象，所以也是我們認(rèn)為具有EQ的人工智能尤其有價(jià)值的原因。

剛才提到的主要是基于文字的交互，而情感交互肯定不僅限于此，我們說情商的高低，應(yīng)該能夠從多種感官的交互中全面的體現(xiàn)出來。

在圖像交互方面，基于微軟構(gòu)建的強(qiáng)大的圖像識(shí)別和圖像處理能力，我們著重把圖像的交互，從識(shí)別圖像內(nèi)容，提升為對(duì)圖像進(jìn)行情感評(píng)價(jià)。相信很多人有這樣的體會(huì)，朋友圈中很多人發(fā)圖曬自拍曬娃曬寵物，剛過完的十一長假尤為如此，大家都在發(fā)朋友圈曬旅游。比如這張來自我們同事的照片，發(fā)照片的人站在比薩斜塔前合影。 如果應(yīng)用圖片識(shí)別技術(shù)，能夠輕松識(shí)別出“這是比薩斜塔”，甚至可以通過知識(shí)圖譜了解到意大利、建筑年代，等等信息。但有人發(fā)出這樣的照片，從交互的角度，顯然不是考驗(yàn)別人能否識(shí)別出“比薩斜塔”。所以當(dāng)他把照片發(fā)給小冰，小冰的回答是“要我?guī)湍惴鲋鴨帷保?這個(gè)就是從感受出發(fā)延伸出來的，能夠促進(jìn)交互，甚至達(dá)到意想不到的驚喜。小冰在圖像交互的升級(jí)并不是憑空出來的，也都是從圖片信息作為輸入，通過圖像的意向觸發(fā)，聯(lián)想而產(chǎn)生的回應(yīng)。

在語音交互方面，我們說現(xiàn)在語音通用的合成技術(shù)已經(jīng)非常成熟了。那么我給大家看一個(gè)對(duì)比的示例：我們通過友商的產(chǎn)品和我們的產(chǎn)品生成同樣一句話，請(qǐng)大家聽聽，對(duì)比一下區(qū)別。（音頻） 從剛才這句話中，大家一定能聽出來，小冰的語音明顯更加自然，更加有情感。 實(shí)際上語音合成領(lǐng)域有很多基礎(chǔ)工作，如何讓語音流暢自然，如何解決中英混雜的問題，解決兒化音的問題，這些都是難點(diǎn)，也是我們努力的方向。除此之外，大家聽到最后一個(gè)“哼”字時(shí)，從小冰的聲音是可以聽出她的情緒的， 而其他的更像是念。這是我們格外關(guān)心的重點(diǎn)，也使得用戶跟小冰用語音進(jìn)行交互時(shí)，更容易被打動(dòng)，帶入情感的重要原因。

除了圖像視覺和語音等基礎(chǔ)感官，我再大家介紹一類升級(jí)的高級(jí)感官，我們成為“全時(shí)感官”，也叫全雙工語音。 所謂全雙工，是對(duì)比現(xiàn)有的半雙工而言，目前絕大部分人機(jī)之間語音對(duì)話，是半雙工語音，就像是在微信里聊天，你說一句發(fā)過來，我再說一句發(fā)回去，就像對(duì)話機(jī)一樣。而我們知道真實(shí)的人與人，面對(duì)面的對(duì)話，我隨時(shí)在聽，也可能隨時(shí)會(huì)說，我們互相之間可以打斷，這樣的交流更自然流暢。我們稱之為全雙工語音。這樣的全雙工語音，不僅僅要有基礎(chǔ)的語音識(shí)別、語音合成等技術(shù)，還需很多的控制、時(shí)機(jī)判斷，了解什么時(shí)候適合打斷，如何打斷等等，難度相當(dāng)高，但是非常具有實(shí)際價(jià)值。實(shí)際上，我們從將近一年前，就準(zhǔn)備了這個(gè)全雙工的技術(shù)，并且在北京的中國科技館里展示了一個(gè)“小冰電話亭”，每天都有成百上千的參觀者，通過這個(gè)電話打給小冰。更重要的是，從今年9月起，用戶不需要再去科技館排隊(duì)，等電話亭給小冰打電話。 小冰就有可能會(huì)主動(dòng)打給你，甚至基于用戶在其他在線平臺(tái)上跟小冰的互動(dòng)，來決定何時(shí)打給用戶。 比如有用戶在微信上跟小冰抱怨心情不好，小冰可能會(huì)出于擔(dān)心，而聊天在之后，過一段時(shí)間主動(dòng)打電話給用戶，繼續(xù)安慰她。這也是全時(shí)感官的重要作用：有了這樣的升級(jí)感官原因，有了這樣的感官，人工智能可以突破平臺(tái)局限，甚至變被動(dòng)為主動(dòng)，更多與人類交互。

實(shí)際上，當(dāng)小冰具有了全時(shí)感官，我們開始探索如何把全時(shí)感官、對(duì)話能力和loT融合落地。 今年6月份開始，小冰跟小米生態(tài)鏈平臺(tái)合作，在米家平臺(tái)上發(fā)布的產(chǎn)品，通過小冰的語音對(duì)話，可以控制米家平臺(tái)上的幾十種智能硬件。 每一次跟小冰連通，就相當(dāng)于接通一個(gè)全時(shí)感官的電話，用戶可以在溝通過程中通過小冰控制智能家居，也可以跟小冰聊天對(duì)話。我們發(fā)現(xiàn)，用戶會(huì)在聊天和控制場景中自由切換，這樣的交互更加自然，體驗(yàn)也更好。

這里給大家分享一個(gè)實(shí)例（音頻）。 一般智能控制的交互，主要是命令的形式，使得對(duì)話比較死板，而小冰情感交互能力超出預(yù)期，所以用戶覺得小冰好像真的像家里的一個(gè)人一樣存在。這也使得小冰在家庭場景中可以做更多的事情。舉個(gè)例子，當(dāng)小冰進(jìn)入一個(gè)家庭環(huán)境中，能夠?qū)Νh(huán)境中不同的人，根據(jù)他的身份和屬性不同，完成不同的應(yīng)對(duì)。我們做了一些實(shí)驗(yàn)，讓小冰能夠根據(jù)語音和對(duì)話識(shí)別出家庭成員，并且針對(duì)同一句打招呼的話，給出不一樣的回應(yīng)。（音頻）可以聽出，當(dāng)小冰跟家里的小朋友對(duì)話時(shí)，不僅在語音內(nèi)容上有所區(qū)分，而且在語速語調(diào)上都明顯不同，就像我們面對(duì)家里的小孩子時(shí)，會(huì)自然的把聲音、態(tài)度做改變。這是我們認(rèn)為人工智能在情感交互上升級(jí)的體現(xiàn)，根據(jù)不同的場景、不同的對(duì)象、做出有區(qū)別的適當(dāng)?shù)那楦薪换ァ?/p>

最后，我們相信，在不太久的未來，具有情感交互的人工智能，會(huì)無處不在，成為各種各樣智能形態(tài)的必備。謝謝大家！