十年前，我在微软研究院语音组混日子。混，不是我的主观意愿，却是客观事实：当时，我们做的“人机交互”离实用太远，别人都认为我们是编了个故事来骗工资的。有一回，跟同学聊起我们的愿景：“将来，您对着电脑，乐意怎么说怎么说，那边不光嗯啊嗻是，有来言就有去语，回答的还得像话…”正说着，他乐成桃状打断了我：“你说的这不是跳大神，让狐仙附了体了么？”
这当然是戏言，因为建国以后就不许成精了。觉得这事儿扯的，要怨您就怨一位前辈的老先生——图灵。是怹在人工智能八字还没一撇的时候，提出了这个终极测试方案：将人与机器隔开，前者通过一些装置（如键盘）向后者随意提问。多次问答后，如果有超过30%的人不能确定出被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能。
于是，通过图灵测试，就成了所有人工智能科学家和伪科学家的最高目标。这两年人工智能大火，号称通过了图灵测试的产品，也如雨后春笋般一抬脚踩死一片。最近的一次，是谷歌在I/O大会上演示的Deplux，据说“部分通过图灵测试”，这倒还算中肯。
看起来，图灵的棺材板快压不住了，我们是否已经到了突破图灵测试的奇点了呢？我正在一头雾水之际，突然有天晚上，黑暗暗雾沉沉，图爷托兆给我，对我言道：“这事儿，还离着六扔（见注1）多远呐！现传尔秘籍一部，望尔潜心习学，授众生以三法门！”你道哪三个法门？且看下文分解。
图灵测试是不是人机“对话”？
理解概念，要把握其内涵和外延。图灵测试的内涵很清楚，就是用机器替代人，进行信息交互；不过其外延有些不清，颇多可变通之处，比如那个“一些装置”。时下的相关产品，交互或用文字，或用语音，对于信息沟通来说，这样的装置够用么？
我们知道，对人类来说，文字仅仅承载着内容的沟通。而人人信息交互，内容沟通大概只占20%，情感沟通要占到80%。计算广告群里的九千岁讲了个生动的例子：当年他给女朋友打电话，信息量最大的，就是对方拿起电话那一声“喂”，这个“喂”就为今天几个钟头的会谈定下了基调。
情感沟通，要理解的就不仅仅是文字，还包括语音、表情、肢体语言等等。所以，两个在知乎上吵得不可开交的人，打个电话没准就成了基友；而真正重要的面试、会议，还是必须面对面进行。没有对这些副语言现象深入的研究建模，即使完美地解决了文字和内容沟通的问题，也离真正有效的人机交互相去甚远。
因此，人机“交互”绝非人机“对话”，我认为真正理想的图灵测试，就算不能声情并茂地反馈用户，也至少应该能察言观色，有效解读用户的副语言。将来用上机器女友了，人家“喂”了一声，你还不知道怎么接下碴儿，那还不等着回家跪电路板？
显然，这样去限定图灵测试的话，我们现在仍然束手无策。饭要一口口吃，先降低下难度，仅仅考虑利用文本或语音跟机器聊天的场景，我们今天看到的Siri、小冰、Alexa、叮咚音箱等，都是这样的人机对话系统。那么，是否在人机“对话”的情形下，通过图灵测试已经指日可待了呢？
既然不用理解副语言现象，人机对话的关键，当然就是理解自然语言了。自然语言理解和人机对话，是认知智能领域的核心问题，要了解它遇到的困难，要先从目前人工智能的实用方法说起。
人机对话，到底难在哪里？
今天所有实用的人工智能产品，都是用的“弱智”（见注2）方法。简单来说，就是凑答案：准备一大坨标注好的数据，然后用大量机器堆上去狂撩，直到把答案凑个八九不离十。至于问题的内在逻辑和简约规律，今天的AI既无心顾及，也无力解读。
“弱智”方法在数据充沛的领域，可谓所向披靡：无论是语音识别、人脸识别，还是机器翻译、各种棋类，机器都已经接近乃至碾压真人了。且慢！机器翻译都快解决了么？翻译可比聊天要难吧？不然，机器翻译这个问题，答案是比较好凑的：找到足够多的语言对数据，把词译过去跟麻将牌一样码好了，再调整一下顺序即可。人机对话则不然，我们要找到对方语言里的关键信息，把它转化为动作，再把动作的结果反馈回去。这些关键信息处理的过程，是要经过统计意义上的推理过程的。
说到推理，当然离不开句子表达内容以外的背景知识。比如你问机器：“直径为10的球体积是多少？”机器就得会球的体积公式才算得出来。当然，微积分、背古诗、查法典这样的知识，对机器来说总是可以解决，因为有大量书本上的语料可供学习，按照弱智大法凑答案即可。难就难在，这世界上还有大量的知识，根本没地方学去。
直觉上，人的知识来自于六岁以后的学习。实际上，绝大部分知识都来自于六岁前神奇的积累过程。只不过，这些知识太普通了，连半傻子都知道，所以被大家都选择性地遗忘了。这种人人皆知的事情，姑且把它叫做“常识”，举两个例子您就明白了：
小明面对着你 =>
你瞧不见小明的后脑勺
一瓶矿泉水被我喝完了 =>
瓶子变轻了
就这个呀？这玩意也算知识？您别拿村长不当干部，没有这些常识的支撑，自然语言推理是进行不下去的，不信您看看下面这两句：
爸爸快抱不动儿子了，因为他太胖了
爸爸快抱不动儿子了，因为他太虚弱了
后半句的这个“他”，在上下两句指代的对象是不同的。显然，没有常识的支撑，这两句不好理解。悲催之处在于，这些常识，在所有人类积累的语料当中，是不存在的。您想想，有人要编纂一本专著，里面写的全是这样的“深奥”知识：
有孤王坐金殿脊背朝后
头冲上脚冲下脸冲前头
走三步退三步如同没走
两只手伸出来十个指头
那读者还不得骂着街把作者押送到精神病院啊？对此，郭德纲老师和其它曲艺界同仁给了个专业术语，叫“大实话”。
没有了语料、也就是数据的支撑，“弱智”方法是没办法获取这些常识的。所以，甭管谁说他的对话系统通过了图灵测试，你也别问它化学方程，也别让它背诵古文，就找几个这样的真・弱智问题问上一问，它要能答出来我是茄子。
那么人类的常识在六岁前是怎么获得的呢？对于这样的学术问题，我只能严肃地回答你：问村长去！
人机交互要不要模仿人人交互？
看起来，我们离通过图灵测试，还真有六扔多远。那么，从应用的角度看，人机交互这件事真的遥不可及么？这倒也未必。
从开始探索人机交互，我们就想当然地认为，把人人交互的那一端由人变成机器，就是人机交互的理想模式了。于是，我们设计出来的机器人，也都是俩肩膀扛个脑袋，四肢五官齐备，用语言的方式跟对面的人类交流，再加上对常识一窍不通，怎么看怎么像个二傻子。
问题出在哪儿了呢？人类的信息交互，最高效的输出方式是“说”，也就是音频通道；最高效的输入方式是“看”，也就是视频通道。如果你对面是个真人，那没办法，双方都只能靠说输出信息，这就形成了语音为主的交互方式。而靠语音的人机对话，是这样的画风：
我想订一张明天去上海的机票
为您查到：6:35海南航空HU7611，票价480元；6:50吉祥航空HO252，438元；6:50厦门航空MF8178，票价…
我去你大爷的吧！
别乐，就算对面不是机器是个真人客服，这种交互也同样令人抓狂，有过电话订票经历的朋友都有体会，只不过对着活人您不好意思骂街罢了。
既然对面是个机器人，就没必要如此拘泥了。实际上，机器的交互方式，应该跟我们“相反”而不是“相同”：你输出信息靠说，机器人接受信息就得靠听，这没错；你输入信息靠看，那机器人输出就别靠说了，何不在一块屏上展示出来呢？这样，不但信息输出效率提高了很多，而且用户只要在展示的信息底板上做选择题，就算用语音输入也大为便捷。
所以，真正适合人机交互的机器人，最好有个视频输出的设备，近了靠手机就可以，远了怎么办还值得探讨。这个概念，就是讯飞的胡郁老师讲的“强视觉呈现的语音交互”吧。这种模式下的交互方式，已经跟人人交互有了质的区别，未知之处很多，需要我们深入探索。当然，可以确定的是，机器人绝对应该抛弃人形，以避免用户用人的眼光和标准来评价它。
人机交互这件事，看起来简单，却是人工智能王冠上最耀眼的一颗明珠。目前看来，严格意义上的图灵测试离我们还相当遥远，不过通过交互方式和产品上的创新，一个在特定领域内可用的合格助手，或许已经在向我们招手了。
另外，由于计算机对海量信息的检索和处理能力远胜人类，或许可以让机器助手辅助人人交互，这样既能大大提高内容沟通效率，又能发挥人的情感沟通优势，这没准是目前更加可行的产品路线。
标签：