我讲的内容可能跟刘博士有一部分是重复的。因为之前我们一直做语义理解，语音识别厂商一直在做语音，后来大家发现它们密不可分，所以一直在融合。我们现在在找语音方面的一些合作伙伴，语音厂商也往语义方面去做。
人工智能，对于普通的群众来说就是变形金刚，就是终结者。可是在产业界，我们就会想到自动驾驶，还有机器识别，还有类似的智能交互，还有AlphaGO。人工智能其实不是全能的，只是在某一个方向、某一个方面去解决一定的问题。我们怎么去定义人工智能？现在人工智能没有一个非常明确的定义，没有非常明确官方的定义，因为人工智能的范围实在是太广了。我们选了两个比较有代表性的，一个是斯坦福大学教授说的，人工智能是关于知识的学科；另一个是MIT说的，人工智能就是研究如何使电脑去做过去只有人才能做的智能工作。
人工智能是1956年诞生，1957年达到了第一次高峰，当时就已经提出了“神经网络”这些概念。1970年，据说人们对人工智能希望太高，如果说想要的东西实现不了，失望就会越大，人工智能进入了第一次的低谷。到了1986年，我们认为人工智能进入了第二次高峰，一直到了2000年还是一个低谷。最新的一轮，是从2014年开始，但实际上应该是从2006年左右在深度学习方面就有一些进展，因为深度学习相关的突破，特别是在语音识别方面。
为什么这轮人工智能能够起来？我们认为有三个因素。第一是计算能力的发展，比如CPU、GPU、FPGA等；还有是大数据；再有是算法的进步。关于量子这方面，我们有一个参考的数字，大家可以看下。现在的量子计算已经在二十几种算法上能够证明可以达到指数级，或者平方级的加速。比如一个300倍整数的分解，万亿次经典计算机可能需要15万年，但是万亿次量子计算机可能需要1秒钟。
我们前面提到了除了计算能力和大数据之外，算法是一个很重要的原因。机器学习有五个学派，这边列了一下。最近新出了一本书《大演算》，我们前面看到的五个机器学习的流派，每一个流派都有自己的核心思想，都可以解决一类的问题。《大演算》提出能不能把五个流派的思想融合起来，解决所有的问题，到目前为止还是一个设想。现在的机器学习有一个问题，针对每一个任务，必须要有相应的数据，才能训练出来解决这个任务的一个模型。在实际应用中，如果想适应所有可能的情况，这是做不到的。就像刘教授讲的一样，终身学习可能也是一个类似的概念，希望让机器自己去学习、去成长，可以去累计学习更多的知识，形成自己的知识体系，甚至有可能形成自己的思想。
算法是所有的一切？我们认为是不对的。深度学习的算法被证明在很多方面可以起到非常大的作用，但是并不能解决所有问题，至少必须依赖数据才能解决一定的应用。我们认为算法、数据、系统是密不可分的关系，最终才能够形成一个产业应用。
智能现在主要从三个方面来说，第一是计算智能，通过相关的统计分析可以实现。第二是感知智能，包括语音，还有传感器，各种各样的模式识别方向。第三是认知智能，这是最困难的，必须有语言知识、常识，还有推理相关的问题。
知识从哪里来？我们认为知识主要从几个方向获取，第一是进化，如果说一辈子不给他任何教导，学会的东西就有限，科学证明很多知识跟遗传是有关系的。所以通过进化，从生物的角度，很多知识是可以继承下来的。第二是经验，你去尝试做很多事情，做了之后可以获取经验，这个经验就有可能形成你的知识，形成到知识结构里面去。第三是文化，通过看书学习，或者通过受教育，通过各种各样的方法，得到你想要的知识，形成自己的知识体系。最后，如果说源算法能够实现，可能计算机可以实现知识的自动学习归纳过程，现在可以做一些辅助或者要求不是非常高的自动学习的方法。
各个科技巨头都投入AI的研究，国内的巨头也在进行投入，各个IM平台都在引入Bots开发的平台。
这是几个IT的咨询机构，他们对人工智能市场价值的评价。比如，埃森哲认为2035年人工智能会让生产率提高40%；麦肯锡认为，2055年50%的工作会实现自动化；Gartner认为，2020年85%的客户服务都由人工智能来。现在国家把人工智能作为一个国家战略。
人工智能可以做什么事情？现阶段来说，从基础资源这方面，计算能力还有数据，是人工智能发展必不可少的基础。在上面会有自然语言的处理，还有问答、语音、各种各样的技术，可以形成各种各样的产业运用。
我们的主题是“智能交互”。从我们的角度，我们2004年开始一直在做聊天的机器人，一直到了2010年，尝试在商业领域用智能问答解决一些问题，比如在智能客服领域做了比较多的工作。这两年因为有很多竞争对手出来在做类似的事情，我们在思考智能交互的方式未来会怎么发展？我们可以把智能交互划成三个层次，第一，基础交互可以解决一些简单、明确和重复的问题，比如普通的聊天问答，或者是简单的问题。第二，上面一个层次就是领域交互，因为会有非常多领域的逻辑和专用的词，需要在领域里面去解决交互的问题。第三，会有更深入的特定场景下复杂问题的处理。
基础交互主要需要包含问法识别、自动纠错、敏感词过滤、通用聊天等方面，比如，多种问法识别。比较成功的问答系统，需要识别各种不同的问，不管用户怎么问，都要能够准确识别他的意图。现在有几种不同的方式，有的通过搜索引擎的方式去做，有的通过关键字的方式去做，不管怎么样，都要想办法去解决用户不同问法识别的问题。第二是模糊问题的引导。有时用户意图并不非常明确，需要做出一定的引导。第三是通用聊天的知识。我们日常对话的这种方式，通用聊天用深度学习的模型，用一些训练数据，就可以实现比较通用的聊天的支持，不管怎样都能够组织出一个答案出来。然后是自动纠错。实际应用中，比如写了错别字，或者用了拼音，会有自动纠错的功能。最后是敏感词过滤。生产系统的应用，特别是在中国，如果没有敏感词过滤的功能是不行的，因为正式应用的话一定会有强烈的要求。
领域交互需要行业的经验，还有行业专用术语，专用的服务流程。
深度交互将来在智能交互上需要解决的，第一是多人对话的问题；第二是动态场景的问题；第三是多句组合意图；第四是深度推理；第五是有序问法；第六是知识图谱；第七是多意图理解；第八是意图推荐；第九是自动上下文；第十是动态载入。
这是比较详细一点的图，就不再讲了。
多轮对话，有一个例子，你去完成某一个事情，需要给你反复的交互多轮，才能得到所有的信息，最终帮你去办理业务，这是多轮对话的事例。动态场景，跟机器人交互时，比如进入了一个天气的场景，会实现自动地上下文、自动地处理与天气相关的信息。比如订票，识别到你进入到订票的场景，订票需要的出发地、目的地、时间、预定票的类型等信息，都必须通过主动地跟你交互，收集到后才能完成后续的处理。还有是多句组合意图，刚开始并没有实际的需求，之后根据交互内容可以识别出实际的需求。
需要实现一定的推理，比如他问你贵阳的气温是多少？接着又问比上海低多少？除了上下文处理之外，还需要取出上海的温度，然后与贵阳的温度做一个对比；后面又问比遵义高多少？但实际上遵义是比它低的，回答就会说“比遵义低2度”。
基于知识图谱的推理。现在的知识图谱可能准确率不是非常高，但是可以解决一定的问题。在实际应用中，你去做一个非常通用的知识图谱是不现实的，但是如果在一个限定领域里，通过一些知识图谱的方法，以人工辅助的方法去建立知识图谱，利用相关信息可以实现很多的推理，就像人物关系的推理。
这个也是一个示例，比如问华为生产商的总裁是谁？会找到是任正非，通过知识图谱可以实现一定程度上复杂关系的推理。
还有多意图的理解。他说“把空调打开，并且调到28度，把电视关了”，这里面有三个意图，怎么准确识别三个意图，并且把每一个意图都处理掉？需要一些方法去处理。有时一句话里有多个意图，但是需要有一个主要意图，可能说的两个意图是废话，只有一个是主要的，这个需要其他的方法处理。
还有自动上下文的关联，我们用了一种比较取巧的办法，即把知识用一个文体的形式去组织。在一个领域之内，可能会有一个比较通用的文体，把相关的属性全部继承过来，去做后续处理时，会把文体相关属性的关系都带进来，就可以形成自动的上下文处理机制。
下面这张图是我们在做一个医疗项目时遇到的问题，在医院里治疗某一种病都有不同的治疗方法。不同的病症，不同的治疗方法，有不同的参考价格。如果问治疗肝癌最经济的方式是什么？可以通过这个表格自动地找出来是哪一个。如果医院在某些信息有更新，只要更新这张表格，交互系统不需要做任何变动，就可以实时更新这些信息。
我前面讲的是自然语言处理，或者是语义相关，智能人机交互将来要实现的是全渠道、多模态的人机交互、综合文本，还有视觉和语音相关的信息，还有体感......形成综合的人机交互，在最终的结果中才能实现跟人一样的交互体验。
智能交互可以用在哪里？第一个方向是用在聊天机器人上，比如2004年时做的聊天机器人，还有小冰。第二个方向是语音助手、智能个人助理。第三个方向是智能客服机器人，不仅做简单的问答，我们在很多方向都在扩展，可以用在员工的培训、员工坐席内部的管理、员工服务。还有推荐营销、电话导航、电子渠道的智能客服，等等。还有智能机器人产业应用，现在还是初始阶段。还有智能车载、智能家居、一些智能终端，以及智能礼品。现在小朋友用的玩具，或者是早教的设备，也可以加入这种内容。还有智能办公，跟内部系统去做集成。还有智能法务，我们也会做一些探索的应用。还有在医疗方面，用自动的方法去做诊断，在中国是很难推行的，因为国家除了医生之外不允许提诊断这个事情，用智能方法只能做一些预诊，或者是给医生做一些辅助。还有在智慧城市方面相关的一些应用。
我也做一下广告，小i机器人一直在做一些语义理解，或者智能交互方面的事情，从2010年做商业化应用的探索。我们是做语义理解的引擎，实现自然语言的分析、深度的语义理解；还有知识推理，结合上下文和场景的信息，去做一些动态的答案生成，我们所有的一切都依赖于知识。
这是我们提出的知识组织的方式——知识的模型。
现在我们的系统在正式商用时，很多时候还是需要人去参与，让知识库有比较高的质量。在用户的实际生产系统中，他们会要求不能出任何错误，特别是像建设银行、民生银行，如果交互时机器人回答了骂人的话，或者是语气不太对的话，这就是一个生产事故，这在生产中是不允许发生的。这些情况我们都需要人去整理，避免这些情况的发生。我们现在的机器学习只是做一些辅助的手段，减轻工作量，人最终确认之后才用到生产系统中去。
我们现在主要以知识为核心，用相关的自然语言处理，或者是其他的方式，拓展到一些具体的应用。
（本报告根据速记整理）
