田有為：突破數字人與人之間的交互壁壘

2022-08-03 09:43

來源：澎湃新聞·澎湃號·湃客

元宇宙概念問世至今，虛擬世界正在緩慢拓展至現實世界。交通、醫藥、建筑等與我們生活息息相關的領域都在發生緩慢變化。服務作為各行各業的目標之一，連同服務業本身也都在向虛擬方向發力。

服務的本質是給客戶提供一個滿意的有價值的感受，它可能是一個有效的信息，也可能提供了一份愉悅的體驗。若具體到客服行業，云問科技的虛擬人產品線顧問田有為表示：“客服的本職工作是給客戶提供相對準確的信息，即把相關的學習類型，數據類型，以一個比較合理的搭配方式，更高效易懂地傳給客戶。”

從0到1學習交流

田有為表示：“從無法交流到能夠隨地而談，AI也需要經歷人類的學習、理解、思考和補充四大過程，對應到AI層面就是知識搭建、語義理解、語義處理和自主學習。”

知識搭建即學習，但它不是圖圇吞棗，直接灌輸給計算機的方式，而是一個緩慢有序的過程。一般情況下，在數字人客戶服務層面，知識搭建可以分為三個維度。

首先是界面式地簡單寒暄，比如我們與智慧大屏中的虛擬人進行簡單的交流，問題通常為“你好嗎，今天天氣怎樣等。”其次在特定的業務場景下，如銀行咨詢或酒店預定，能夠進行一問一答的交互。最后在更具象的層面，如處理復雜的多人交互時，就對AI系統的處理能力，包括語義理解和語言處理的要求就會很高。

語義理解則注重如何讓AI讀懂客戶在說什么，在做什么。無論是文本客服，還是語音客服，都需要讓AI知道客戶的話中含義。田有為表示：“若學習是基礎，那么理解就是關鍵。”云問科技就利用了中文分詞算法、詞泛化、句向量、拼音標注等技術，將客戶反饋的話術拆分為機器或軟件能轉化的結構化數據、可操作的對象，實現抽象概念的理解。

語言處理即知識匹配，AI要在理解客戶的需求意圖之后，結合現有知識庫的信息材料，得出最優解，并從客戶話術、情緒、喜好等方面綜合出發，給出現階段最合理的應答或推薦。

自主學習可以理解為是一個反饋的過程，田有為表示：“對于客服行業，或數字人客服來說，可以將反饋問題整理為三點，分別是回答錯誤的問題、無法應答的問題、更好的應答話術。”

AI數字人對話的四大模型

知識搭建、語義理解、語言處理和自主學習四個功能即為云問科技搭建的語義中臺。但在實際對話中，對當前環境、現有信息的感知和擴展能力，以及對同類信息的收集整理舉一反三能力等也尤為重要。

對于AI端或虛擬數字人，它們就需要深度學習，理解環境等內容，進行組合、訓練，創建各種模型，包括意圖模型、推薦模型、抽取模型和情緒模型。

意圖模型必須在特定的機構或者業務場景下，根據客戶反饋的信息判斷客戶的需求，如飯店點單場景，用戶說“我要吃飯了，菜單給一下”，這些信息對于機器人而言是可以被“理解”的。然而，一旦存在部分客戶以不同的說法進行反饋時，此時的AI系統或數字人是無法處理的。因此意圖模型應用場景較廣，但應用面不高。

推薦模型可以借助用戶畫像層面來理解，比如在訪客的認證系統之上，我們根據面部識別，確認客戶當前身份后，獲取他們的歷史交互數據，并在用戶畫像的標簽或屬性的加持下，向其推薦感興趣的話題，或展示他們最喜歡的狀態。

抽取模型則一般應用在多輪交互等比較復雜的業務過程，除去簡單的一問一答對話，多輪交互需要與多方系統對接，獲取對方系統數據基礎，在此基礎上，與訪客進行交涉溝通。

情緒模型也很重要，田有為認為：“對于虛擬人或數字人來講，它的重要程度非常高。因為你必須能夠讀懂客戶的情緒，才能給出相應的反饋。”這些反饋可以是面部上的一個反饋，也可以是動作上的反饋，畢竟人與人之間的交互，光憑口說是無法進行一個完全的感知。

突破數字人與人之間的壁壘

即使虛擬數字人能夠從0到1學習交流，也在不斷地訓練相應的模型，但數字人與人之間仍然存在壁壘和差異。

首先是感應差異，目標受限。對于人來說，我們在視覺、聽覺和味覺等方面的感知是非常明顯且直接的，我們也可以很好地感知到溝通雙方情緒、狀態、心情等。這些對于AI的物理檢測來說，很難做到。

并且，AI系統是由人類設計的，它的所有智慧來源于它的設計團隊，且囿于設計團隊的目標，無法擴張。一旦突破現有環境，目標適應性就大大降低。比如將商場入口處的虛擬人轉移到其他場景下，虛擬人的原有目標或者服務機制將被破壞，它需要被重設一套機制才能“正常”運行，非常被動。

其次，機器和人還有一個最大的鴻溝就在于邏輯易懂情緒難分。人和動物都存在感覺感受感知，他們的行為中充斥著大量的情緒因素，即便在本能和行為層面，也都容易受到情緒影響。但是AI數字人不行，盡管它有強大的計算與存儲能力，使得結構化的事物和信息是能夠在極短的時間做到非常好的處理，但它的情緒區分別表達還很簡單。