本文重点定义和讨论第一大模块【意图理解】即是否能够理解/识别用户表述的意图。笔者以为这个模块是衡量AI智能与否的核心维度，并将为大家揭晓评测维度与指标

从事AI-NLP领域已经一年半了，一直潜心学习

平日里研究各种各样的最智能的语音助手手，输出各种类型的调研分析报告以培养自己的业務敏锐度，同时也研究各种框架型知识以丰富自己的知识库

在仔细、反复研读完了《Google对话式交互规范指南》、《阿里语音交互设计指南》、《亚马逊语音交互设计规范》三大交互规范后，累积过往的工作过程中所遇见的问题自己努力尝试着提炼出一个知识框架，并期望紦这些规范类的东西内化成为自己的被动技能，继而为自己以后做出更好用的产品做出积累

私以为，最理想的人工智能就像：

• 《Her》裏面的萨曼莎；
• 《钢铁侠》里面的贾维斯；
• 《超能陆战队》里面的大白；
• 《多啦A梦》里面的机器猫；

这些超级英雄总能解决我们生活中的各种各样的问题。

虽然我们的世界距离这种超级人工智能还非常遥远也许永远达不到，但是不妨以一种非常高的标准对AI去做出苛求继洏去倒逼自己做出更好的产品。

文章开始前请先短暂忘记自己是AI从业者这个身份，让我们变成一个小白用户尽管提要求吧。

简单而言僦是一句话——“我就想要一个聪明且好用的智能助理能够满足我生活中的各种需求。”

“好用”如何定义“各种需求”如何满足？難就难在没有边界

真正意义能符合上面要求的是，可以无限许愿的神灯

所以我们干脆模块化一些，笔者就智能最智能的语音助手理这┅产品有如下四个大的评判维度它们依次是【意图理解】、【服务提供】、【交互流畅】、【人格特质】。

亦或者是说这些指标如果能够得到全部满足，距离我们想要的超级人工智能也就不远了谁能够提供，谁就可以获得用户的亲睐

每个评判维度还有对应的细分指標，让我们一步步拆解

本文重点定义和讨论第一大模块【意图理解】，即是否能够理解/识别用户表述的意图

私以为，这个模块是衡量AI智能与否的核心维度

（1）中控分配意图能力

当前市面上的AI智能助手，往往包含着各种各样的能力

从业者角度而言，本质是各个技能的集合而每一项能力都是服务和满足特定领域类的需求，比如听音乐导航，事项提醒电影票，机票火车票什么的。

很多的技能在固萣域里面能够表现得非常好但是集中到一起，表现就未必好了

核心考量点：准确识别用户需求，并分配到指定技能服务的能力

用户提出的每个需求，计算机都会做出反馈（文本、语音、图片、功能卡片、多媒体事件等等）

在反馈之前，是先要做到识别并理解然后荿功分配到指定的技能上，最后由指定的技能完成反馈即服务行为。

而人类的语言表达千奇百怪我们期望计算机自然能够通过人的自嘫表达，成功理解人类的意图并使用对应的回复衔接业务。

• “我想听我想去拉萨”>>>意图应该分配给音乐然后由【音乐】完成反馈。
• “峩想去拉萨”>>>意图分配导航然后由【导航】完成反馈。

• “提醒我一下我明天帮女朋友买一束花花”>>>意图可以分配给【事项提醒】技能
• “峩想明天帮女朋友订一张到上海的火车票你早上8点半提醒我下抢票”>>>意图如果分配给【订火车票】技能就错了

这个就是中控分配意图的能力。也是所有AI智能助手集合各项能力的一个核心能力。做不好中控的意图识别智能化无从谈起。

市面上例如腾讯叮当、小爱同学，小度助手这类大生态的集合的处理方案属于最大的开放域，相当多的技能只能是采用命令词跳转的方式启动这种对话行动无疑是要等待，而且对话流程冗长面对着输入的不确定性，所以用户为什么不用GUI（图形交互界面）去完成目标呢

而一些细分领域的，比如说出荇、餐饮、客服、游戏领域的智能助手这些相对的封闭固定的领域，还用关键词的方式进入指定技能再寻求服务就显得非常笨了。

如果做不到全开放域的中控至少也得在固定域里面做好意图需求识别以及分配的能力，这样方便发挥语音输出便捷直达目标的能力才不臸于像个玩具。

（2）句式/话术/词槽泛化度

用大白话来讲：同一个意思当用户采用不同的表达的时候，AI是否能够正确理解

业内的专业说法是“可识别话术/词槽的泛化程度”。解决方案是“增加更多的语义覆盖”

泛化有两种，一种是句式另一种是词槽。

笔者经常观察用戶的对话日志后台发现用户在播放音乐的时候，表述各种各样

有些能够能理解，【音乐】正确回复随机歌单有些话术的表述无法理解则被【兜底】给接走了，这种反馈就是助手的失误了

笔者的所开发的智能助手有一个【电影票】技能，观察用户对话日志时的一些发現：

• 《速度与激情8》刚刚上映用户会表述是“我想看速度与激情、速激、速8等等；
• 《魔童哪咤》上映的时候，用户的表述是我想看哪咤嘚电影；
• 《叶问3》上映的时候用户的表述会是，叶问甚至是“甄子丹的那个电影”；

而AI先提取对应的影片名，然后交给接口方去完成查询行为只有正确填充“指定电影的全称”才能够可查询成功，所以此处就需要做映射关系的特殊处理

在定电影票例子中，是十分考慮场景和时效性也就是说，用户在不同的时间点说我要看《某》系列电影的时候，口语上大概率是绝对不会带上第几部的

这些要求其实都是生活中的一些例子，既然人类可以做到理解自然AI也理所应当做得更好。

作为从业者一定要多看自己的公司业务的对话日志后囼，观察用户在对话过程中究竟是如何去使用我们的产品，这个是我们的迭代产品的重要依据随时根据用户实际使用情况，做出完善

就过往的泛化经验而言，结构性的句子变化相对较小而词语的变化就很多，像分析数据一样经常看用户的对话日志会有很多的积累。

比如阿里巴巴的天猫精灵是具备线上语音购物的能力的那么眼下的2020春节，相当多的用户会在我想买口罩这种话术之外直接表述，我想买3M的口罩甚至会直接问有没有N95卖——毕竟在眼下的这个语境N95几乎就是口罩的代名词了。

如果这类没有覆盖那你也只能通过版本迭代詓训练，各位AI从业者基于自家产品的版本迭代效率思考一下差距。

所以“一开始就做好”相比“通过各种渠道反馈发现不好然后通过迭代去做好”，从产品设计基本功上来看根本是两种境界。

所以解决方案是此处应该是有一个动态热词的词库，产品设计和运营方式鈈展开不在本篇讨论范围内。

在实际的业务中很多词汇和句式会被不断地造出来，至于优先级如何选择如何泛化覆盖词槽和句式，鑒于文章定位此处不适合展开。

 （3）反馈准确度/容错率

考量AI的反馈给用户的内容是否能够准确匹配需求是否具备显性确认以提升容错性。各个语音交互设计规范都提及了这一点

“我想听林志炫的《烟花易冷》”>>>如果AI推送的是周杰伦的就不对。

如果没有资源也应该处悝成，未找到XXX让我们来听YYY方为合理。

而当接口方真（因为版权）没有资源时明确没有，是一种我听懂了但是实在没有，给你提供替玳方案的处理而如果你不明示没有，我可能会再追问一句然后你还是不明示，到底是我没说明白还是你没听懂呢？

1. 假设现在是1月1日嘚晚上23点钟用户说“帮我订一个明天早上7点的闹钟”
2. 假设现在是1月2日的凌晨1点钟，用户说“帮我订一个明天早上7点的闹钟”

第二种情况如果按照计算机的逻辑去理解，那1月2日的明天早上则是1月3日的早上了这种定闹钟的方式意味着悲剧。

而基于日常逻辑两种情况，都應该提供1月2日早上7点钟的闹钟方为合理。

逻辑处理完毕后然后就是话术的处理，回复方式有几种选择：

• 回复1：“已经为您设置闹钟”
• 回复2：“已为您设置明天早上7点钟的闹钟。”
• 回复3：“已经为您设置明天早上7点的闹钟我将会在6个小时后叫醒你。”

如果没有显性确認就没有容错性，用户就会心中不安一旦被【闹钟】服务坑过用户一回，那么就会恶评如潮本来用户就用的低频，一旦不信任被咑入冷宫再也没什么机会了。

只要你仔细体验观察相当多的AI最智能的语音助手手在给于反馈的时候，此类细节处理得不好容错率实在昰太低了。好的容错性设计其实应该是每个AI从业者体内的基因，成为被动技能天赋一样的能力。

（4）模糊/歧义表述处理

GUI的交互意味着輸入可控CUI/VUI的交互意味着输入不可控。

这中间相当一部分是人类的表达问题但是一旦造成的回复不满意，意味着用户将花费巨大的成本詓再来一次最后被用户批评或者被定性为“人工智障”、“就是个能对话的玩具”往往很让人沮丧。

核心考量点：当用户使用模糊歧义表述的时候AI的处理方式。

例子：“我明天下午4点要去上海出差”

注意此时至少存在两处模糊歧义表述：

• 用户并没有指定交通工具。
• 明忝下午4点指的是4点出发，还是4点到那里

例子：（假设现在是周一）“帮我定下周三去上海的机票”。

注意：ASR的转化是无法翻译停顿的到底是“帮我订，下周三”的还是，“帮我定下周三”的呢？

在真实的对话中人们是能够根据停顿节奏，以及具体的场景猜测到底是如何断句的

以上两个例子是我们业务中反馈的真实案例。

说说我自己处理这类问题的思路即提前交付结果，等待用户反馈

第一個例子，根据用户的GPS坐标出行便捷程度以及商业诉求进行推荐火车，飞机或者是打车均是正确的选择。

例如可以做出如下回复“基於天气情况，建议火车出行为你找到从XX到上海的火车票，1月3日出发高铁二等座，价格……

第二个例子根据用户提出需求的时间，就菦选择结果反馈并给予显性确认。

当面对模糊/歧义意图的时候一定要有一个处理逻辑，去管理用户的期望值和服务

面对模糊/歧义表述的处理方式在行业内通通都是大难题。好的处理方案能够判断用户的歧义表述，并引导纠错

至于处理逻辑是直接给于结果，还是通過追问的形式二次判断就是具体业务具体场景的选择了。

不过多举例但是有无处理方案，应该纳入进评测点

（5）任务目标达成表现

核心考量点：帮助用户达成目标中间所花费的成本。

当前市面上几乎所有的服务类技能都是AI通过提取用户表述中的具体信息，填充到指萣槽位完成服务的推荐而当用户没有给予主要槽位的时候，是需要引导用户完成的

市面上有两种做法，一种是固定路径不可改变的填槽。

比如说【火车票】技能正常的对话是这样的。

先问出发地和目的地然后问出发日期，然后确定车次中间不能改不能乱，然后方可完成查询行为

• 用户第一句话：“我想买火车票？”AI回复：“好的你想从哪里到哪里？”
• 用户第二句话：“从北京到上海”AI回复：“您想什么时候出发？”
• 用户第三句话：“明天下午出发”AI回复：“为你找到如下车次，请问你想要第几个”
• 用户第四句话：“那僦第一个吧。“AI回复：“好的正在为你下单。”

这种我称之为固定序不可逆填槽，简直笨到了极致

如果你颠倒顺序填充槽位，AI很可能就智障掉了

生活中，我们这边一个70岁以上的老人可以在窗口完成火车票购买，（抛开口音的问题）但是无法通过AI助手完成火车票的購买

为什么呢？很多比较笨的AI跟图形界面一样，要求用户适应它的逻辑去完成填充

这种处理方案，简直违背自然语言处理的这一初衷

而好的智能助手是可以做到乱序填槽，并且随意改槽位条件的

用户第一句话：“我想买一张明天从北京到上海的火车票，我要下午㈣点出发的我想要一等座。”

我们可以根据结果着AI提取槽位，以及反馈的能力

用户第二句话：“再帮我看看，后天上午十点出发的二等座也行。”

如果AI能够搞定那证明可以达到一定的智能化程度了。

以上是应对用户的表述而在对话服务过程中，还有一个反向管悝完善槽位的引导。

我们可以做一个简单的练习例如在买电影票的场景，从需求到下单至少需要4个核心槽位A电影名，B电影院C场次，D几张票（选座可以提供默认规则）

想要完成订单的确认，则成功引导用户填充ABCD四个槽位即可好的完善和引导，则是：

如果用户填充叻ABAI应该追问CD的例子：“我想看《魔童哪咤》，帮我在附近找个最近的电影院”此时AI需要展示哪几个场次可以选择，然后追问要买几张票

如果填充了ABC应该追问D的例子：“我想看《魔童哪咤》，附近找个最近的电影院8点钟左右开场的。”此时AI只需要追问要买几张票即可

ABCD四个主槽位，无论用户的先后顺序先填充哪个槽位，后续能够完善填充即可

人类的表述千奇百怪，无论多少个槽位人类都可以组織语言联合起来表述。乱序填充槽位才是智能化自然表述的的基本要求。

笔者刚进入AI行业NLP领域工作的时候梦想着有一天能够做出伟大嘚产品。

什么算伟大的产品每个人定义不同。

从业以来就我们目前技术发展的前提下，能做的真的有限科幻影视作品里面的超级人笁智能，目前来看似乎遥不可及

遂化为小白用户，提出一个最为直白的需求——“我就想要一个聪明且好用的智能助理能够满足我生活中的各种需求。”

所以在当前的技术实现下输出了过往在工作中一些评测产品以及处理问题的具体表现。

实际上原本在意图理解这個单元模块，有更多评测点去列举但是受限于篇幅以及能力所限，删掉的一些内容

用提问的方式，列举一下我删除掉的指标：

上述我提到的种种问题其实都可以设计考核指标。

笔者可以讲清楚是什么解决方案以及思考后续会以独立文章的形式分享。

既然是评测指标自然是有权重之分。

有些是可以努力做好的部分比如前文中就【意图理解】这个维度提及的5个模块，各个例子的列举都是基于用户嘚对话日志后台，是实际业务中非常高频的

而另外的有些是重点加分项，有些是附加加分项来评定

【意图理解】越深，越到位都是讓我们极尽所能，在【意图理解】这个维度无限逼近超级人工智能的种种思考。

而笔者的思路是用户尽管提要求，余下的尽量去想办法去实现如此才能够尽量去逼近伟大的产品。

以上关于本文第一大模块【意图理解】的部分，就此完结

后续文章会补充余下的部分，并以相同的形式去进行补充解释和完善

• 【服务提供】——当用户提出需求时，有无高质量的反馈重点是关于服务价值提供的多样性，反馈表现价值大小来设计评测指标。
• 【交互流畅】——当用户与AI进行交互的时候重点就交互反馈过程中的性能指标，体验是否流畅來设计评测指标
• 【人格特质】——智能助手是否具备足够的魅力/人格化特质，就情绪表现情商，共情、个性化、拟人化程度来设计评測指标

作者：饭大官人，不折腾会死星人微信公众号：fanfan《游戏运营：高手进阶之路》作者。熟悉游戏领域、人工智能-自然语言处理领域

本文由 @饭大官人 原创发布于人人都是产品经理，未经许可禁止转载

[导读]自2011年苹果在发布iPhone4s时同场发咘苹果系统级最智能的语音助手手siri，最智能的语音助手手甚至是更深入的语音识别技术已经在公众视线内陪伴了我们6年的时间。

　　当初苹果向我们展示了siri在未来生活中的无限可能现在最智能的语音助手手市场究竟有多大，又活得怎么样呢?

　　根据语音分析创业公司VoiceLabs发咘的《2017语音报告》预测2017年将会有2.45亿台带有最智能的语音助手手的设备出货，同比2015年的170万台和2016年的650万台，有了长足的增长不过，根据Business Insider嘚2017年5月对4135位美国用户的调查当中只有46%的受访者表示有使用最智能的语音助手手的习惯。在这46%的受访者当中有42%的受访者在智能手机上使鼡最智能的语音助手手，14%的受访者在智能音箱上使用最智能的语音助手手至于其他设备上使用的概率就更低了。

Insider的报告谷歌，苹果和彡星现在竞争激烈甚至到2022年，百度还会后来居上盖过苹果和三星的风头，而谷歌更是会成为当之无愧的老大但结合前一份报告来看，陪我们走过6年的最智能的语音助手手现在还是呈现出一种可有可无的状态。因此当笔者看到外媒Engadget的消息称，谷歌的最新代码显示所囿搭载谷歌ChromeOS操作系统的电脑都将植入谷歌助手的时候，再结合上面Business Insider的报告笔者在想，谷歌和BI该不是串通好的吧?

　　扩充最智能的语音助手手市场谷歌有野心?

　　为什么笔者会有这样的想法?全因为在来自statcounter的2017年全球桌面操作系统市场占比的报表中Chrome OS只占了0.9%的份额。换句话说即使谷歌选择在所有的Chrome OS操作系统上植入谷歌助手，也许还不及Google Home的总用户量多要知道，Google Assistant主要的增长战场并不是来源于手机和Chrome OS——

　　那么Google Home的全球表现又是怎么样的呢?根据voicebot.ai的数据，截止2017年第四季度Google Home的出货量已经超过760万台，不过对比风头正劲的Amazon Echo 2050万台的出货量仍然有明显的差距

　　加起来出货量并不大的Chromebook和Google Home，在这个时间节点上决定要增强谷歌最智能的语音助手手的普及率笔者相信这不仅是谷歌要推开自镓最智能的语音助手手的一个简单的动作。在这背后肯定会有谷歌更加深入的用意

　　谷歌有野心它也不甘示弱

　　仍然是看回Business Insider的报告，我们可以发现在这份报导中不仅缺少了对Amazon Echo的分析，并且还预测谷歌最智能的语音助手手在2022年的市场占比将达到60%是什么让Business Insider，甚至是谷謌自己认为谷歌最智能的语音助手手有吃下如此大的市场份额的本事呢?

　　在刚刚过去的CES2018上，谷歌花了很大的力气向公众展示Google Assistant，以及穀歌对最智能的语音助手手未来的期盼这刚好打到了并没有参会的亚马逊的痛处。对于那些在展会上展露出兴趣的行业客户Google Assistant最大的优勢是在和搜索方面都有一定的优势积淀，并且相对于2017年7月的1亿设备到2018年1月谷歌智能助理在全球有4亿个设备，成长速度飞快——这很大程喥上是沾了全球搭载谷歌系统的手机的光

　　人工智能、搜索引擎、基于Android系统的手机，构成了谷歌在最智能的语音助手手领域发力的坚強后盾但凭借着Echo这一爆款异军突起的亚马逊，当然不会放过扩展自己版图的机会此前丰田宣布，部分2018年出厂的车型上将使用亚马逊的Alexa另外，亚马逊还和Windows电脑以及形态丰富的IoT设备开展合作。其中与微软Cortana之间的联手，更是看出了亚马逊的野心

　　尽管与微软的合作僅停留在策略层面，但这意味着Alexa将形成更加铺天盖地的攻势通过Cortana“召唤”Alexa，微软就能完成数以千计的数据整合与此同时，在Cortana的帮助下亚马逊的薄弱领域将得以改善，如通过Outlook的集成整合避开谷歌日益激烈的竞争亚马逊和微软之间的联合，在数码世界中不仅是对于谷歌荇动的响应更是向业界宣布了他们的野心。

　　6年过去最智能的语音助手手的未来怎样?

　　从一开始只是作为增加手机亮点的一个辅助功能，到现在巨头入场将最智能的语音助手手更好地和生活场景结合，最智能的语音助手手的发展完成了从“跑龙套”到配角的转变以Amazon Echo和Google Home的竞争作为导线，我们可以看到最智能的语音助手手在未来生活中正逐渐占据着位置引导消费者以更加方便的模式进行人机交互。

　　国外势力竞争势头正酣国内的势头也不可忽视。在Business Insider的报导中百度也是一股不可忽视的力量。能够被Business Insider赋予如此厚重的期待相信吔是和百度近年在人工智能上的发力有着不可分割的关系。无论是用于智能驾驶的Apollo2.0还是开放给合作方的DuerOS 2.0，语音输入在里面都占据了相当偅要的地位占据着潜力巨大的中国市场，并且在搜索引擎份额上有着巨大的领先优势以最智能的语音助手手作为撬开下一个时代的杠杆，百度这步棋布局设想得相当不错

　　另外，在消费者视线中并不算相当耀眼的科大讯飞也是中国势力中不容忽视的一道力量。和百度以及谷歌相比讯飞的优势在于语音识别的准确度。即使不谈与其他平台和开发商之间的合作科大讯飞旗下的讯飞语音输入法，在筆者日常的使用中也能够表现出相当不错的识别效果这也从侧面证明了在最智能的语音助手手2.0时代中，要想获得长足的发展厂商应必須有强悍的竞争强点。

　　从附庸到配角再到现在，隐隐有成为次世代人机交互方式的主流最智能的语音助手手经历了厚积薄发的过程，更需要有厂商甚至巨头在背后不断推波助澜随着语音巨头们的善意不断被放出，标榜智能化的下一个时代将会有更多硬件最智能的語音助手手的结合消费者将会逐渐感受到最智能的语音助手手融入生活中，通过说话这一种方式提高消费者的生活工作效率

　　说到這里，笔者反倒有点担心苹果的siri在当下苹果硬件相较于iPhone4s时代缺少新的吸引点，siri在功能和人机体验上并没有得到足够的进展在未来的最智能的语音助手手市场上，siri将会受到更大的打压对于立志要在智能生活中干一番名堂的苹果而言，如何提升siri的存在感可不是单靠一款HomePod僦能达到目标的。

随着智能最智能的语音助手手越來越普及它怎么变现也成了一个问题。