一、简介
“对话式人工智能”一词，启发了人们利用人工智能技术，使计算机解决方案能够以自然、互动的方式与人类沟通。它可以应用于多种不同场景，如客服聊天机器人、虚拟助手和通信系统等。它理解和回应人类语言的能力，彻底改变我们与机器、软件和应用程序的互动方式。
不论是通过文字、语音或其他形式的沟通，甚至包括视频或图像，对话式人工智能正在改变我们与数字世界或现实世界进行交流的方式。
对话式人工智能在我们的日常生活中变得越来越普遍。不论是在个人层面还是在职业层面，从电子商务网站上的客服聊天机器人，到我们手机上的虚拟助手或连接车辆中的智能语音系统。其潜在应用非常广泛，包括自动化例行任务、提高客户服务效率等等。一个意想不到但非常相关的对话式人工智能用例是在医疗保健领域的应用。一些健康中心正在使用聊天机器人对患者进行分类和提供个性化的健康建议，从而使医生能够专注于更复杂的病例。
随着技术的不断进步，我们在各行各业和不同的场景中看到更广泛的对话式人工智能应用。
二、对话式人工智能简史
早期发展和里程碑
聊天机器人或旨在模拟与人类用户对话的计算机程序的开发可以追溯到 1960 年代。事实上，技术史上第一个被引用的聊天机器人是 ELIZA，它于 1966 年由麻省理工学院 (MIT) 的 Joseph Weizenbaum 开发。ELIZA 旨在模仿心理治疗师的语言模式，可以与人类用户进行简单的对话。它是聊天机器人的首批示例之一，为开发更高级的对话式 AI 系统奠定了基础。
这些早期的聊天机器人相对简单，只能处理有限数量的预编程响应。随着时间的推移，聊天机器人变得更加先进，现在能够响应更广泛的输入。
随着机器学习(ML)、自然语言处理(NLP) 和自然语言理解 (NLU) 技术的出现，聊天机器人已经发展成为更高级的对话式 AI 系统。这些系统能够以更自然、更直观的方式理解和回应人类的语言，甚至可以进行更具互动性的对话。最重要的是，他们现在能够随着时间的推移学习和适应。因此，他们变得越来越有效率。他们往往越来越被接受，并且从那里开始，越来越多的人要求他们。
为了说明这一点，OpenAI（现在非常著名的 ChatGPT3）于 2022 年 11 月推出的 Chatbot 在短短五天内就突破了 100 万用户。Netflix 用了 41 个月，Facebook 用了 10 个月，Instagram 用了 2.5 个月……
今天，对话式人工智能系统被用于大量不同的环境中，远非它们在早期仅限于增强的常见问题解答功能。他们正在为彻底改变我们与数字世界交互和交换信息以及执行增值操作的方式做出贡献。这些系统使人们更容易、更方便地访问信息和完成工作。
创新的目的是改进现有的产品、流程或服务，或者创造新的产品、流程或服务，以更好的方式满足客户或社会的需求。它包括提高效率、降低成本、提高质量或开发新功能。对话式人工智能也不例外。
为了追溯这项技术所走的道路，以下是对话式 AI 发展史上的一些重要里程碑。它们展示了这些系统及其不断增强的能力所取得的令人瞩目的进步：
- 1960 年：ELIZA 是第一个被引用的聊天机器人，由麻省理工学院的 Joseph Weizenbaum 开发。
- 1972 年：PARRY，一种模拟偏执狂个体思维的自然语言程序。因此，它总是误解他人的动机。帕里是第一个通过图灵测试的人。
- 1997 年：爱丽丝。（人工语言互联网计算机实体）是一种自然语言处理聊天机器人，由 Richard S. Wallace 开发。它在 2000 年的年度图灵测试竞赛中以“最人性化的计算机”获得了勒布纳奖。
- 2005 年：Apple 的虚拟助手 Siri 发布，由法国科学家 Luc Julia 博士共同创立。
- 2010 年：IBM 的 Watson（由 90 台服务器和 21.6TB 数据提供支持）参加了游戏节目 Jeopardy！并击败人类冠军。
- 2014 年：Cortana 在微软的 Build 开发者大会上首次亮相。直接集成到 Windows Phone 设备和 Windows 10 PC 中。
- 2014 年：Facebook 推出 M 以面对 Siri 和 Cortana。M 是一个虚拟助手，它使用机器学习来协助完成任务。
- 2016 年：Google 发布了 Google Assistant，“Hey Google”！，一款适用于 Android 设备的虚拟助手。
- 2017 年：带有 Alexa 虚拟助手的亚马逊 Echo 设备广受欢迎。
- 2018 年：OpenAI 发布了 GPT-2，这是一种具有生成类人文本能力的大规模语言模型。
- 2022 年：OpenAI 发布 GPT-3。它可用于语言任务，例如翻译、摘要、问答和文本生成。它甚至可以执行编码和翻译等任务，而无需对这些任务进行明确的培训。
- “很久以前，在一个很远很远的星系……”：C-3PO，一个主要为礼仪和礼仪而编程的人形机器人，旨在通过“六百万种交流方式”与有机体互动。在已探索的宇宙中也广为人知，他帮助卢克·天行者和他们的反抗军击败了帝国并恢复了银河系的自由。但那是一个完全不同的故事。
各行业的使用现状
谷歌的 BERT、OpenAI 的 GPT-3 和微软的 Transformer 等大规模语言模型的改进能力有能力从根本上改变会话人工智能领域，并使更高级的虚拟助手、聊天机器人和其他通信设备的开发成为可能系统。
许多不同领域都存在非常有趣的用例。其中，让我们注意，例如：
- 虚拟助手：例如 Apple 的 Siri、Google Assistant 和 Amazon 的 Alexa，正变得越来越普遍，并且能够通过语音或基于文本的交互执行各种任务。这些系统使用 NLP、NLU 和机器学习技术来理解和响应用户请求。他们开始学习和改变，提高他们的沟通能力。
- 客户服务聊天机器人：聊天机器人被广泛用于客户服务行业，以处理日常查询并向客户提供信息。这些系统能够全天候 24/7 处理大量交互，并且通常可以比基于规则的决策过程的人类客户服务代表更快地解决简单问题。
- 语言翻译：有许多语言翻译系统（Google Translate 或 DeepL，仅举几例）使用对话式 AI 来实现口头或书面交流的实时翻译。这些系统可用于各种环境，例如国际商务会议或日常生活，促进使用不同语言的人之间的交流。
- 教育：也有许多教育平台使用对话式人工智能为学生提供个性化的学习体验。这些系统能够适应个别学生的需求和能力，并提供量身定制的指导和反馈。例如，Carnegie Learning 使用 AI 和机器学习来帮助学生对数学和世界语言形成更深入的概念性理解。算法研究学生的习惯以个性化他们的学习体验。
- 医疗保健：在医疗保健行业，对话式 AI 被用于对患者进行分类并建立初步诊断。聊天机器人可以提供症状检查并推荐行动方案，例如寻求进一步的医疗护理或在家自我护理。这些系统还可用于安排约会和补充处方。在英格兰，国家卫生服务局于 2017 年宣布与 Babylon Health（一家健康应用程序公司）达成协议，使用基于临床数据的算法驱动的聊天机器人，根据报告的症状在两分钟内对患者进行分类，无需人工干预。
- 银行业：在银行业，聊天机器人被用来处理日常查询并协助完成账户管理和账单支付等任务。一些银行还使用对话式人工智能为客户提供个性化的财务建议和建议。
- 保险：在保险行业，对话式人工智能被用来协助处理简单的任务，包括理赔处理和保单管理。正如银行所做的那样，保险公司也在使用聊天机器人为客户提供个性化的推荐和建议。
- 零售：在零售行业，聊天机器人在向客户提供产品推荐、订单跟踪和许多简单的客户服务请求方面非常有用。它们还有助于提供个性化的购物体验，并为个别客户量身定制营销活动。
- 人力资源：AI 驱动的 Chabot 在执行招聘任务时非常有帮助，例如回答常见问题解答、根据报价和简历筛选候选人、安排面试、提供更新以及收集和整理简历。这减少了招聘人员的工作量，并使他们能够将更多时间花在需要同理心等人际交往能力的任务上。前 10,000 次对话的结果表明，Mya 与 92% 的候选人有效互动。
三、对话式人工智能的类型
对话式 AI 领域由不同的主要组件组成，这些组件以特定特征区分。
聊天机器人是简单的计算机程序，旨在模拟与人类用户的对话，更可能以问答模式进行。在某些方面，它们可以比作稍微复杂的 FAQ 系统。它们可以集成到消息传递平台、移动应用程序和网站门户中，为客户提供基本服务或信息。例如，零售网站上的聊天机器人可以帮助客户浏览网站、推荐产品以及回答有关运输和退货的问题。
虚拟助手是会话式人工智能系统，旨在协助完成范围更广、更精细的任务，例如检查余额信息、确定商品是否有库存、评估订单状态、跟踪发货、安排约会、设置提醒、处理计算、与应用程序交互或提供各种信息。
可以通过各种设备访问它们，包括智能手机、智能扬声器和个人计算机。例如，苹果的 Siri 和亚马逊的 Alexa 都是虚拟助手的例子。他们的通信能力与自动化功能相结合。
语音助手是由语音命令激活的对话式人工智能系统。它们可用于控制其他设备、播放音乐和提供信息。它们也可以称为“声控助手”、“语音助手”、“口语界面”、“语音识别软件”或简称为“智能音箱”。随着智能音箱设备的出现，它们越来越受欢迎例如Amazon Echo、Google Home、Apple HomePod，语音控制的AI助手技术可以与其他智能设备集成，如家电、汽车等，实现对这些设备的语音控制。
语言生成 AI 系统范围内还包括其他形式的对话式 AI。它们能够产生类似人类的文本或语音，可用于广泛的应用，例如语言翻译、自动写作和文本摘要。该列表在不断增长。
四、对话式人工智能的好处
2016 年，Gartner 预测：“到 2020 年，普通人与机器人的对话将超过与配偶的对话”。知道这个悲惨的预测至少在 2023 年没有实现，让我们现在看看对话式 AI 如何改善客户服务、提高效率和生产力，增强企业的用户体验并节省成本。
对话式人工智能以多种方式为聊天机器人提供优质服务
虚拟助手等解决方案具有知识库，而聊天机器人通常依赖常见问题解答文件。因此，聊天机器人从有限的脚本库和问答组合中提取信息。因此，这种方法仅限于产生预定的答案。
另一方面，所谓的“智能”或“智能”虚拟助手经过预先训练，知识面广，可以提供更丰富的对话基础。
他们倾向于解决问题，而不仅仅是回答简单的问题。例如，保险领域的智能数字助理正在成为数字顾问，陪伴客户并在他们提出索赔或跟进事件的过程中推荐下一个最相关的步骤。
最后，通过机器学习算法使用对话技巧、数据和模式分析，智能数字助理能够确定客户需求，并可以无缝地将他们引导到适合他们的服务。
对话式人工智能的主要好处之一是改善客户服务
聊天机器人、虚拟助手和语音助手可用于回答客户问题、提供信息并帮助进行 24/7 故障排除。它还可以限定请求并在必要时将其重定向到人工操作员。
这提高了整体客户满意度，在某些情况下甚至可能提高忠诚度，因为客户能够快速有效地获得所需的帮助。例如，据 JuniperResearch 称，到 2022 年，零售、电子商务、银行和医疗保健领域的聊天机器人预计每年可节省超过 80 亿美元的成本。
对话式人工智能还可以提高工作场所的效率和生产力。例如，虚拟助手可以帮助安排会议、设置提醒以及执行其他会占用宝贵时间和精力的任务。这可以提高生产力并减少员工的工作量。
对话式 AI 也是一种产生更加个性化和引人入胜的用户体验的方法。例如，可以训练聊天机器人和虚拟助手了解用户的上下文和偏好，并提出个性化建议或提供定制信息。这可以提高用户参与度和满意度。顺便说一句，员工满意度作为客户满意度的对应物，也是可以通过对话式人工智能和相关智能自动化流程实现的目标。
了解全球公司每年在客户服务电话上花费超过 1 万亿美元的事实；很容易理解，对话式 AI 确实代表了降低成本的真正机会。例如，聊天机器人和虚拟助手可用于自动执行重复且耗时的任务，从而减少对人工的需求。这可以降低成本并提高客户服务效率。此外，对话式人工智能可以帮助企业识别和瞄准高价值客户，从而增加收入。
五、对话式人工智能的挑战与局限
NLP 和 NLU 限制
自然语言处理和理解是人工智能的子领域，处理计算机和人类之间的自然语言交互。这些用于分析和理解人类生成的文本和语音数据的系统可能会受到人类语言的复杂性和可变性的挑战。这无疑使得在许多情况下难以理解语言数据的含义和意图。
例如，您是否知道当今世界上有超过 7,000 种语言在使用？就说话者的数量而言，汉语是最重要的，它本身就有 13 个变体。阿拉伯语有 20 个。换句话说，估计 80% 的在线内容仅以以下 10 种语言中的一种提供：英语、中文、西班牙语、日语、阿拉伯语、葡萄牙语、德语、法语、俄语和韩语。
这清楚地解释了一个事实，即自然语言系统的一个重要限制是处理惯用语表达，因为自然语言充满了习语、俚语和其他非文字表达形式。这些成语和俗语往往有多重含义，要根据上下文来理解。更不用说语言的技巧也取决于说话者的语调和意图，甚至是他们的手势或面部表情。从技术上讲，所有这些都可以通过视频获取并通过适当的 AI 算法进行分析。
除了口头语言的差异之外，NLP 的主要限制之一是处理歧义。事实上，自然语言通常包含多种可能的解释，人工智能系统很难确定正确的解释。例如，如果客户写道：“我的订单需要帮助”，聊天机器人可能会问：“您的订单有什么问题？” 但它可能无法理解客户是在寻求帮助来跟踪他们的订单，还是他们对收到的产品有疑问，或者他们是否想取消订单。
当然，NLP 系统很难处理讽刺、讽刺和否定形式的使用。这些形式的比喻语言通常用于间接传达意义，从所使用的词语中并不能立即看出这一点。
一致的研究发现，即使是最先进的 NLP 系统仍然难以理解习语和比喻语言或用相同的词暗示的不同感受。计算机要真正像人类一样流畅地理解和解释人类语言，可能还有很长的路要走。
个性化和定制困难
个性化和定制是对话式 AI 的关键方面，因为它们允许聊天机器人、虚拟助手和其他对话式 AI 系统理解和响应个人用户的独特需求和偏好。然而，实现真正的个性化和定制可能很困难，因为它需要人工智能系统对用户有深刻的理解，更不用说“深刻的感受”，并能够相应地调整其行为和反应。
处理大量数据以进行个性化和改编是一项重大挑战。事实上，有必要通过培训和完善人工智能系统来了解用户的需求和期望。
开发更强大的 NLP 的另一个主要障碍是数据可访问性。在处理共享包含个人信息的文档的限制时，情况变成了道德雷区。以临床领域的电子健康记录 (EHR) 来说明敏感主题的想法。必须谨慎处理数据，包括用户偏好、交互历史、人口统计、银行、行政或健康信息。
无论如何，提供真正个性化的体验需要谨慎处理用户的数据和隐私。事实上，用户可能不愿意向 AI 系统提供个人信息，并且可能不愿意与似乎对他们了解太多的 AI 系统进行交互。例如，看看我们有多不情愿，即使只是提供我们的电子邮件地址或电话号码，或者在打开相机时也是如此。
另一个挑战是处理人类行为的内在复杂性。随着时间的推移，个人可以改变他们的行为、偏好，甚至他们的个性；这使得人工智能系统很难跟上用户的步伐并提供真正个性化的体验。但说实话，人类代理面临着同样的困难。
在这方面，情绪分析可以提供很大的帮助。情感分析是自然语言处理 (NLP) 的一个子领域，涉及使用 AI 算法和方法从口头文本、书面文本或身体动作或面部表情中识别和提取主观信息。
此信息可以包括文档或演讲的整体情绪，以及该人表达的更具体的情绪和观点。情感分析中使用的技术主要基于词法分析、句法分析和 ML 算法（例如支持向量机和神经网络）。
情感分析可用于增强对话系统的功能，方法是让对话系统检测并响应用户在输入中表达的情感。例如，如果机器人能够检测到用户正在表达沮丧、不耐烦或不满，它可以以解决用户情绪的方式做出响应并尝试解决问题。
情感分析可能有助于监控用户反馈并了解用户的整体体验，这可用于进一步改进对话系统。
最近的研究表明，对于拥有庞大客户群的行业，客户关怀以及产品和服务的个性化是最重要的人工智能用例。您知道呼叫中心最常见的做法是在 20 秒内接听 80% 的电话吗？这使团队承受着维持良好客户满意度的压力。这个压力问题可以通过机器人释放等待队列端压力的简单请求来解决。这些行业包括旅游、酒店、消费品、零售和电信。
虽然基于人工智能的个性化背后的技术正在改进，但仍然很难以最佳方式设计它，而且大多数公司仍远未提供真正的个性化体验。
潜在的偏见
偏差是当算法由于机器学习过程的错误假设而产生系统性偏差结果时出现的现象。不幸的是，人工智能具有人类偏见的倾向，无论它们是有意识的还是无意识的。这会导致种族主义、恐同、厌恶女性或任何其他类型的歧视行为。
这就是人工智能系统中的偏见如何做出对某些人群具有歧视性或不公平的预测或决定。这在对话式 AI 的背景下可能尤其成问题，因为这些系统通常用于做出决策或提供可能对人们的实时决策产生直接影响的信息。
数据和算法：偏差的两个主要来源
数据
也许对话式 AI 中最重要的偏见来源是用于训练系统的数据。当数据不能代表系统将要服务的人群时，可能会导致系统做出对某些人群不公平或歧视的预测或决定。此外，根据历史数据训练的对话式人工智能系统可能会延续过去存在的偏见，但应该予以纠正。
这是一个众所周知的例子。不幸的是，2018 年，亚马逊为分析求职者简历而创建的招聘引擎被发现在招聘过程中对女性存在偏见。发生这种情况是因为招聘算法是根据过去十年提交的简历进行训练的，其中大部分属于男性。当审查该算法时，发现它会自动歧视女性。
算法
对话式人工智能的第二个偏见来源是系统的设计和实施方式。例如，如果聊天机器人旨在提供客户服务，那么它应该能够理解并响应所有客户的需求，无论他们的背景或特征如何。但是，如果 Chatbot 不是为处理不同的语言、口音或方言而设计的，则可能会使某些人群难以与 Chatbot 进行交流，并降低其效率。
算法本身的设计可以重现人类行为的偏见。加州大学伯克利分校 2019 年的一项研究发现，“金融科技贷方”拒绝拉丁美洲人和非裔美国人面对面申请的频率比他们在相同条件下拒绝非少数族裔申请的频率高出约 6%。一项研究表明，在 2009 年至 2015 年期间，贷方拒绝了大约 100 万份在没有歧视的情况下本应被接受的申请。
不幸的是，这些算法的设计似乎复制了这种歧视。
研究发现，语言模型容易出现相同形式的偏见，包括性别、种族和年龄偏见，这些偏见会影响这些系统的性能及其产生的结果。这些偏见应该用简单的方法来解决，包括更好的数据管理、算法透明度和更严格的监管。
如果有必要提醒它，算法是缺乏人性的，比如常识，尤其是同理心。
道德考量
与偏见问题直接相关的是，在处理对话式 AI 时，道德考量至关重要。这些系统正在成为客户与品牌或公司之间的新用户界面，就像员工一样。因此，他们应该以有尊严和适当的方式行事。
随着对话式人工智能系统变得更加复杂并融入社会，确保以公平、透明和负责的方式开发和使用它们非常重要。事实上，2021 年在华盛顿特区，国会议员要求企业评估用于医疗保健、住房、就业或教育等领域的自动化决策系统。法律要求雇主使用外部顾问进行独立评估。该法律确保他们的算法不会面临基于性别、种族或种族的偏见行为的风险。
系统不应根据种族、性别、年龄或其他特征歧视某些人群。本着同样的精神，确保它们是透明的至关重要，这样人们才能了解系统如何做出决策并可以提供反馈或提出疑虑。
使 AI 尽可能透明需要能够解释如何以及为何做出基于 AI 的决策。基于人工智能的决策过程必须符合并代表公司的价值观和道德规范。
另一个同样重要的考虑因素是数据隐私和安全。对话式人工智能系统依赖于大量个人数据的收集和分析。以保护个人隐私和安全的方式处理和存储数据至关重要。
多年来，所有利益相关者就道德原则达成了普遍共识。对话式 AI 必须安全、公平且对所有人都有益。它必须透明和负责，必须尊重个人的隐私和安全。必须将道德考虑纳入人工智能（包括数字助理）的整个开发和部署过程。
六。对话式人工智能的未来
预测的进步和发展
近年来，对话式 AI 取得了许多进展，许多专家认为，这项技术将继续发展，并在未来变得更加复杂。事实上，根据 IDC 研究总监 David Schubmehl 的说法，“对话式 AI 工具和技术市场在 2020 年显着增长……/……IDC 预测到 2025 年整个市场的收入将接近 79 亿美元”。
最重要的进步之一是自然语言处理 (NLP) 和理解 (NLU) 能力的提高。最近的进步导致系统更加准确并且可以理解更广泛的语言。
另一个重要的进步是深度学习技术的发展，例如神经网络。这些技术使得在大量数据上训练 AI 系统并随着时间的推移提高它们的性能成为可能。该领域的最后一大步是由 OpenAI 使用 ChatGPT 执行的，ChatGPT 是一种大型语言模型 (LLM)，经过大量数据训练，可以最准确地预测句子中接下来出现的单词。根据斯坦福大学的说法，“GPT-3 有 1750 亿个参数，并且在 570 GB 的文本上进行了训练 [making it] 能够执行它没有明确训练的任务，比如将句子从英语翻译成法语，几乎没有训练示例” .
对话式人工智能领域的其他大公司包括谷歌、亚马逊、Facebook、微软和苹果等公司。他们都在大力投资对话式人工智能，并正在开发范围广泛的产品和服务，包括虚拟助手、聊天机器人和智能扬声器。另一方面，也有一些小众玩家，例如 OpenAI，专注于开发更安全、对人类有益的 AI。这些参与者正致力于开发尖端的对话式 AI 技术。
微软完全理解 OpenAI 的价值及其解决方案的潜力。据报道，2023 年 1 月 10 日，他们计划在一轮融资中向 OpenAI 投资 100 亿美元。这将使 OpenAI 的价值达到 290 亿美元。
对话式 AI 的未来发展包括更多地使用 AI 支持的个性化和定制，以获得更量身定制的用户体验。另一方面，解决方案需要提高生成自然语言的能力，以实现更像人类的交互。这将导致更有效和准确的响应。第三，使用人工智能支持的情绪分析有望提高系统理解情绪并做出相应反应的能力。最后，还预计对话式人工智能系统将更多地集成到物联网(IoT) 中。他们很快就能控制和管理家庭和其他环境（包括商业和工业生态系统）中的各种设备。
对行业和社会的潜在影响
对话式人工智能的出现和智能通信系统的普及预计将在未来几年对社会产生重大影响。以下是一些潜在影响的示例：
随着对话式 AI 系统变得越来越复杂，它们有望通过 24/7 全天候对客户查询提供更快、更准确的响应来改善客户服务。对话式人工智能系统有望变得更加个性化和引人入胜，为用户提供量身定制的体验。
对话式人工智能系统将通过自动化重复性任务和减少人力需求来提高生产力和效率。理想的目标是让员工专注于需要人类技能的更复杂的任务，例如创造力、同理心、批判性思维或道德意识。他们还被期望为简单的查询提供更有效和准确的响应。这些改进将减少查找和访问信息所需的时间和精力。
如果你关注悲观的科幻小说般的预测，你会担心人工智能将开始接管许多曾经由人类完成的工作。其中一些预测认为人工智能技术的发展将导致广泛的失业和社会动荡。更不用说机器人接管世界了。
仔细观察对进步的恐惧和对变革的焦虑，就会发现每一项创新都会产生恐惧。第二次工业革命引入了电力等新能源形式，也带来了后来证明是毫无根据的恐惧。机器使用的增加将导致熟练工匠和工匠的工作机会减少。现实情况是，虽然一些工作确实由于机器使用的增加而变得过时，但也创造了许多其他工作，例如运输和制造等工厂工作。这同样适用于所有颠覆性的技术飞跃。
我们可以预见，人工智能技术系统将变得越来越复杂，甚至越来越像人类。这将使企业能够为用户提供更加个性化和引人入胜的体验。最后，它将有助于自动化更复杂的任务并为人类工作者节省时间。
七、结论
随着自然语言处理和机器学习的进步，机器越来越有可能以一种感觉自然的方式回应人类语言。这导致了广泛的新应用和更高级的人机交互形式。
然而，尽管有这些潜在的好处，但要充分发挥对话式 AI 的潜力，还必须克服许多挑战。最大的挑战之一是开发能够以始终符合上下文的方式理解和响应人类语言的系统。这不仅需要对单词的含义有深刻的理解，还需要能够以更微妙的方式解释使用这些单词的上下文、意图和情感。
对话式 AI 的另一个限制是理解和响应开放式问题或模棱两可的查询的能力。有时人类使用的语言和词汇很难被系统理解并导致错误的答案。
更复杂的是，对话式人工智能系统还需要能够根据不完整的信息做出决策。这需要能够以适合特定环境的方式处理不确定性，这似乎更像是一种人类技能，而不是机械技能。至少到目前为止。
