作者
王焕超 腾讯研究院研究员
到了今天，已经很少有人会把“智能语音助手”当回事，更多人把它看作是“智障”的同义词。
自苹果的Siri在2016年发布以来，相关技术一轮又一轮地革新，模仿者一个又一个地出现。 但智能助手的智能化程度，并没有我们想象中提升得那么快。
不断失望之后，我们的要求也越来越低，除了让它帮忙订一个明早8:00的闹钟或打开某个App，已经别无他望。
最近热播的《爱，死亡和机器人》第2季，在第1集中也告诉了我们一个智障的语音助手会带来多严重的后果： 在清洁机器人“发疯”并开始无差别攻击之后，女主人打电话给智能客服，不但没能解决任何问题，反而一直在添乱，最终靠人的力量才勉强逃出生天。 啊，难道说，我们未来仍然要承受这么智障的语音助手吗？
好在事情出现了转机。 美国时间2021年5月18日，一年一度的谷歌I/O大会如期而至。 在一众产品和技术之间，LaMDA并不起眼，但它却可能是智障语音助手的拯救者。
LaMDA究竟是什么？
LaMDA的全称是LanguageModel for Dialogue Applications，简单而言，它是一种能力更强的语言模型，适用于对话应用程序。
与前辈BERT、GPT-3一样，LaMDA也基于Transformer架构。 后者是谷歌公司于2017年发布并开源的神经网络架构。 利用该架构生成的模型，可以被训练阅读一组单词（比如一句话或一个段落），并且关注这些单词之间的联系，然后预测接下来会是什么单词。 [1]与其他模型不同的是，LaMDA在对话方面接受了更多训练。
在展开介绍之前，我们需要仔细想想，现有的语音助手为何如此“智障”？
智障的根本原因是技术能力不足，具体表现为“文不对题” ——不能给我们想要的答案，这一点相对还好解决，只要加大训练量就能逐渐优化。 但另一个更难以解决的问题是，语音智能助手只会孤立地理解我们提出的问题，并且孤立地给出答案。 换句话说，你不能指望它联系上下文语境，跟我们进行长时间的“连续对话”。
要知道，我们在现实中的对话场景是完全开放性的，经常是从一个主题出发，延伸到另一个主题，最后在完全不相关的主题结束。 比如，我们见到一个朋友，常常以“你吃饭了没？ ”打头，聊到前几天推出的一款新游戏，最后打算周末约一场电影。
现实对话的开放性特征，使之成为机器学习领域最难解决的问题之一。 它涉及到一项很重要的能力，即自然语言理解（NLU），要求AI能够进行语义语境情感的判断，这是比自然语言处理（NLP）还要复杂的能力。
而现在大多数智能助手，往往按照狭窄的、预先定义好的对话路径被设计，并不能进行开放对话、连续对话。 这就是它们看起来还相当智障的原因。
而LaMDA就针对这一问题进行了技术突破。 LaMDA基于谷歌2020年的一项研究[2]，这项研究显示，基于Transformer架构的语言模型在经过对话训练后，能够谈论几乎所有话题。
在训练的过程中，LaMDA发现了开放式对话与其他形式语言的细微差别。 它最为核心的，就是进行“开放域”（Open Domain）对话的能力。 而这项能力的重要依托，就是相比于现有的对话模型，LaMDA更能理解对话的语境。 它可以通过阅读句子或段落来“破译”对话意图，发现单词之间的关联，并能预测接下来可能出现的单词，从而做出合乎语境的回答。
在这样的能力支撑下，LaMDA能够和人在无穷无尽的话题转换中聊下去，进行长时间的开放性对话。 用谷歌官方的话来形容，就是“能够用自由流动的方式，谈论无穷无尽的主题”。
从“冥王星”到“纸飞机”
在本次谷歌I/O大会上，LaMDA充分展示了强悍的对话能力。 [3]演示环节中，LaMDA扮演了冥王星的角色，与用户进行对话。
在示例场景中，LaMDA能够根据用户的提问作出精准回答，而且还能够将一个主题，引向另一个主题，不断推进对话。 这种主题的过渡并不突兀，显得自然而合理。
当被问到： “你希望大家了解你的哪一面？ ”
它这样回答： “我希望人们知道我不仅仅是一颗随机的冰球（random ice ball），我实际上是一个美丽的星球。 ”
对于“冥王星之前是否有过到访者”的问题，LaMDA也能给出准确的答案。 它甚至还贴心地提醒用户，如果要访问冥王星，需要带上大衣，因为它非常冷。
这种对话给人的感觉，就像是在和一个知识渊博的朋友聊天。 虽然话题天花乱坠、不断涌现，但LaMDA总能接住话茬，并且自然而然地展开对话。
在另一个演示中，LaMDA也展现了高超的对话能力。
在这个演示中，LaMDA扮演的角色是一架纸飞机。 当用户问，你曾经最糟糕的着陆地点是什么？ 它回答说： “可能是一个小水洼（puddle）。 ”
当被用户问到： “一架真正好的纸飞机的秘诀是什么？ ”
它主动追问用户： “‘好’是什么意思？ ”，体现了足够的灵活和机敏。
用户回答： “我关心距离（distance）。 ”LaMDA进而围绕“如何优化纸飞机的飞行距离”这一话题，分享了相关知识。
要知道，LaMDA的这些回复都不是预先设定的，而是自然生成的。 这也就意味着，LaMDA不必再经过专门的训练才能进行另一次对话，也不会作出重复的回答。 这样的能力确实令人惊奇。
这两个示例中，仅凭寥寥几语就能看出LaMDA使问题应答更有意义了，而这就是理解对话语境能力带来的结果。 在这样的能力辅助下，LaMDA表现得相当理智和机敏。
谷歌公司也表示，理智和特异性并不是LaMDA所追求的唯一品质。 他们还注重洞察力、幽默感等能力。 与此同时，谷歌也非常关注事实性问题，也就是LaMDA的回答是否符合事实。 [4]毕竟对于一个语音助手来说，有趣很重要，正确更重要。
LaMDA的前路仍然遥远
无论是更先进的AI还是更智能的聊天机器人，谷歌在过去几年一直在着力促进AI如何更好地与人类沟通。
皮查伊在演讲中提到，语言的丰富性和灵活性正在使其成为人类最伟大的工具之一，同时，它也成为计算科学的最大挑战之一。 虽然现在LaMDA可以根据对话语境提供建议和答案，让对话不违和地进行下去，但它仍在研发初期，想要达到AI助手的功能，还需要时间的磨合。
问题是，提升AI助手的对话能力，究竟有什么意义？ 至少对于谷歌而言，这项能力作用重大，因为谷歌的很多重要产品都与信息检索有关，它们都基于对计算语言的解读，无论是翻译能力，还是对用户检索信息的理解。 如果谷歌能让AI更好地理解语言，那么它就能改进相关的核心产品，比如Google Search、Assistant和Workspace。 “它甚至可以将搜索变成对话，更自然流畅。 ”皮查伊如是说。
当然也不单单是对谷歌一家公司，对话能力的进步突破，无疑会给所有涉及到人机对话的领域带来全新想象力。
但语言的丰富性、灵活性以及随之伴生的复杂性，无疑使这项工作成为极大的挑战。 可以说，面对这样一个困难领域，LaMDA的能力还称不上成熟。 在现实运行中，它仍可能出错，给出荒谬的回应。
比如，在扮演冥王星的演示案例中，它就说到自己跳得很高（jump really high），经常练习翻转动作，并且很乐于用它最喜欢的球——月球来玩接球游戏。 这些回答显然是违背常识的。
除此之外，作为语言模型，LaMDA也无可避免地面临一些AI的老问题。 比如它可能会被滥用或者传播偏见。 算法偏见是个极为复杂的问题，既可能源于算法结构设计，也可能是训练数据集的问题，它的本质是社会偏见在算法层面的延伸。
如谷歌所言，“语言可能是人类最伟大的工具之一，但像所有工具一样，它可能会被滥用。 接受语言训练的模型可能传播这种滥用行为——例如，通过内化偏见、反映仇恨言论或复制误导性信息。 即使它所训练的语言经过仔细审查，模型本身仍然可能不被善用。 ”[5]
当然，LaMDA还会面临许多意想不到的现实风险。 比如被违法犯罪分子用于网络欺诈，类似的新闻已经屡见不鲜。 更仿真的对话能力，也就意味着更强大的欺诈能力。
即便在技术层面，LaMDA也有更大的优化空间。 目前，LaMDA主要是围绕文本对话进行构建的，在未来，LaMDA可能会兼容其他的媒介形态，包括图像、音频、视频等等。 这可以寄希望于同在本次大会发布的MUM（多任务统一模型），未来人机交互手段或许会因这两项技术而出现革命性的变化。
LaMDA的具体作用如何，还待进一步观察，毕竟Google之前有过黑历史（2017年，Google发布了餐厅订位服务AI Duplex，后来被发现背后有真人帮忙完成[6]）。 不过，人们和AI进行更自然、开放的对话，相信已经不再遥远了。
