關于圖靈測試你了解多少？

人機交互這件事，看起來簡單，卻是人工智能王冠上最耀眼的一顆明珠。目前看來，嚴格意義上的圖靈測試離我們還相當遙遠，不過通過交互方式和產品上的創(chuàng)新，一個在特定領域內可用的合格助手，或許已經在向我們招手了。

十年前，我在微軟研究院語音組混日子?；欤皇俏业闹饔^意愿，卻是客觀事實：當時，我們做的“人機交互”離實用太遠，別人都認為我們是編了個故事來騙工資的。有一回，跟同學聊起我們的愿景：“將來，您對著電腦，樂意怎么說怎么說，那邊不光嗯啊嗻是，有來言就有去語，回答的還得像話…”正說著，他樂成桃狀打斷了我：“你說的這不是跳大神，讓狐仙附了體了么？”

這當然是戲言，因為建國以后就不許成精了。覺得這事兒扯的，要怨您就怨一位前輩的老先生——圖靈。是怹在人工智能八字還沒一撇的時候，提出了這個終極測試方案：將人與機器隔開，前者通過一些裝置（如鍵盤）向后者隨意提問。多次問答后，如果有超過30%的人不能確定出被測試者是人還是機器，那么這臺機器就通過了測試，并被認為具有人類智能。

于是，通過圖靈測試，就成了所有人工智能科學家和偽科學家的最高目標。這兩年人工智能大火，號稱通過了圖靈測試的產品，也如雨后春筍般一抬腳踩死一片。最近的一次，是谷歌在I/O大會上演示的Deplux，據(jù)說“部分通過圖靈測試”，這倒還算中肯。

看起來，圖靈的棺材板快壓不住了，我們是否已經到了突破圖靈測試的奇點了呢？我正在一頭霧水之際，突然有天晚上，黑暗暗霧沉沉，圖爺托兆給我，對我言道：“這事兒，還離著六扔（見注1）多遠吶！現(xiàn)傳爾秘籍一部，望爾潛心習學，授眾生以三法門！”你道哪三個法門？且看下文分解。

圖靈測試是不是人機“對話”？

理解概念，要把握其內涵和外延。圖靈測試的內涵很清楚，就是用機器替代人，進行信息交互；不過其外延有些不清，頗多可變通之處，比如那個“一些裝置”。時下的相關產品，交互或用文字，或用語音，對于信息溝通來說，這樣的裝置夠用么？

我們知道，對人類來說，文字僅僅承載著內容的溝通。而人人信息交互，內容溝通大概只占20%，情感溝通要占到80%

。計算廣告群里的九千歲講了個生動的例子：當年他給女朋友打電話，信息量最大的，就是對方拿起電話那一聲“喂”，這個“喂”就為今天幾個鐘頭的會談定下了基調。

情感溝通，要理解的就不僅僅是文字，還包括語音、表情、肢體語言等等。所以，兩個在知乎上吵得不可開交的人，打個電話沒準就成了基友；而真正重要的面試、會議，還是必須面對面進行。沒有對這些副語言現(xiàn)象深入的研究建模，即使完美地解決了文字和內容溝通的問題，也離真正有效的人機交互相去甚遠。

因此，人機“交互”絕非人機“對話”，我認為真正理想的圖靈測試，就算不能聲情并茂地反饋用戶，也至少應該能察言觀色，有效解讀用戶的副語言。將來用上機器女友了，人家“喂”了一聲，你還不知道怎么接下碴兒，那還不等著回家跪電路板？

顯然，這樣去限定圖靈測試的話，我們現(xiàn)在仍然束手無策。飯要一口口吃，先降低下難度，僅僅考慮利用文本或語音跟機器聊天的場景，我們今天看到的Siri、小冰、Alexa、叮咚音箱等，都是這樣的人機對話系統(tǒng)。那么，是否在人機“對話”的情形下，通過圖靈測試已經指日可待了呢？

既然不用理解副語言現(xiàn)象，人機對話的關鍵，當然就是理解自然語言了。自然語言理解和人機對話，是認知智能領域的核心問題，要了解它遇到的困難，要先從目前人工智能的實用方法說起。

人機對話，到底難在哪里？

今天所有實用的人工智能產品，都是用的“弱智”（見注2）方法。簡單來說，就是湊答案：準備一大坨標注好的數(shù)據(jù)，然后用大量機器堆上去狂撩，直到把答案湊個八九不離十。至于問題的內在邏輯和簡約規(guī)律，今天的AI既無心顧及，也無力解讀。

“弱智”方法在數(shù)據(jù)充沛的領域，可謂所向披靡：無論是語音識別、人臉識別，還是機器翻譯、各種棋類，機器都已經接近乃至碾壓真人了。且慢！機器翻譯都快解決了么？翻譯可比聊天要難吧？不然，機器翻譯這個問題，答案是比較好湊的：找到足夠多的語言對數(shù)據(jù)，把詞譯過去跟麻將牌一樣碼好了，再調整一下順序即可。人機對話則不然，我們要找到對方語言里的關鍵信息，把它轉化為動作，再把動作的結果反饋回去。這些關鍵信息處理的過程，是要經過統(tǒng)計意義上的推理過程的。

說到推理，當然離不開句子表達內容以外的背景知識。比如你問機器：“直徑為10的球體積是多少？”機器就得會球的體積公式才算得出來。當然，微積分、背古詩、查法典這樣的知識，對機器來說總是可以解決，因為有大量書本上的語料可供學習，按照弱智大法湊答案即可。難就難在，這世界上還有大量的知識，根本沒地方學去。

直覺上，人的知識來自于六歲以后的學習。實際上，絕大部分知識都來自于六歲前神奇的積累過程。只不過，這些知識太普通了，連半傻子都知道，所以被大家都選擇性地遺忘了。這種人人皆知的事情，姑且把它叫做“常識”，舉兩個例子您就明白了：

小明面對著你 =>

你瞧不見小明的后腦勺

一瓶礦泉水被我喝完了 =>

瓶子變輕了

就這個呀？這玩意也算知識？您別拿村長不當干部，沒有這些常識的支撐，自然語言推理是進行不下去的，不信您看看下面這兩句：

爸爸快抱不動兒子了，因為他太胖了

爸爸快抱不動兒子了，因為他太虛弱了

后半句的這個“他”，在上下兩句指代的對象是不同的。顯然，沒有常識的支撐，這兩句不好理解。悲催之處在于，這些常識，在所有人類積累的語料當中，是不存在的。您想想，有人要編纂一本專著，里面寫的全是這樣的“深奧”知識：

有孤王坐金殿脊背朝后

頭沖上腳沖下臉沖前頭

走三步退三步如同沒走

兩只手伸出來十個指頭

那讀者還不得罵著街把作者押送到精神病院啊？對此，郭德綱老師和其它曲藝界同仁給了個專業(yè)術語，叫“大實話”。

沒有了語料、也就是數(shù)據(jù)的支撐，“弱智”方法是沒辦法獲取這些常識的。所以，甭管誰說他的對話系統(tǒng)通過了圖靈測試，你也別問它化學方程，也別讓它背誦古文，就找?guī)讉€這樣的真?弱智問題問上一問，它要能答出來我是茄子。

那么人類的常識在六歲前是怎么獲得的呢？對于這樣的學術問題，我只能嚴肅地回答你：問村長去！

人機交互要不要模仿人人交互？

看起來，我們離通過圖靈測試，還真有六扔多遠。那么，從應用的角度看，人機交互這件事真的遙不可及么？這倒也未必。

從開始探索人機交互，我們就想當然地認為，把人人交互的那一端由人變成機器，就是人機交互的理想模式了。于是，我們設計出來的機器人，也都是倆肩膀扛個腦袋，四肢五官齊備，用語言的方式跟對面的人類交流，再加上對常識一竅不通，怎么看怎么像個二傻子。

問題出在哪兒了呢？人類的信息交互，最高效的輸出方式是“說”，也就是音頻通道；最高效的輸入方式是“看”，也就是視頻通道。如果你對面是個真人，那沒辦法，雙方都只能靠說輸出信息，這就形成了語音為主的交互方式。而靠語音的人機對話，是這樣的畫風：

我想訂一張明天去上海的機票

為您查到：6:35海南航空HU7611，票價480元；6:50吉祥航空HO252，438元；6:50廈門航空MF8178，票價…

我去你大爺?shù)陌桑?/p>

別樂，就算對面不是機器是個真人客服，這種交互也同樣令人抓狂，有過電話訂票經歷的朋友都有體會，只不過對著活人您不好意思罵街罷了。

既然對面是個機器人，就沒必要如此拘泥了。實際上，機器的交互方式，應該跟我們“相反”而不是“相同”：你輸出信息靠說，機器人接受信息就得靠聽，這沒錯；你輸入信息靠看，那機器人輸出就別靠說了，何不在一塊屏上展示出來呢？這樣，不但信息輸出效率提高了很多，而且用戶只要在展示的信息底板上做選擇題，就算用語音輸入也大為便捷。

所以，真正適合人機交互的機器人，最好有個視頻輸出的設備，近了靠手機就可以，遠了怎么辦還值得探討。這個概念，就是訊飛的胡郁老師講的“強視覺呈現(xiàn)的語音交互”吧。這種模式下的交互方式，已經跟人人交互有了質的區(qū)別，未知之處很多，需要我們深入探索。當然，可以確定的是，機器人絕對應該拋棄人形，以避免用戶用人的眼光和標準來評價它。

人機交互這件事，看起來簡單，卻是人工智能王冠上最耀眼的一顆明珠。目前看來，嚴格意義上的圖靈測試離我們還相當遙遠，不過通過交互方式和產品上的創(chuàng)新，一個在特定領域內可用的合格助手，或許已經在向我們招手了。

另外，由于計算機對海量信息的檢索和處理能力遠勝人類，或許可以讓機器助手輔助人人交互，這樣既能大大提高內容溝通效率，又能發(fā)揮人的情感溝通優(yōu)勢，這沒準是目前更加可行的產品路線。