不止是片单！接下来我们大概要为机器设计灵魂了

2016-12-21 10:43:00

我们一直试图制造更加智能化的东西。当我们谈及体验的时候，一直在强调情感化设计，为什么？人就是情感动物，正如同我在之前的文章《情感｜设计的三个层次，帮你重开情感化设计的大门》中所说，情感和情绪是帮助人同外界进行快速交互、沟通的有效机制，甚至我们绝大多数的交互，都是在本能和行为层面。

我们使用情感在进行沟通。我们希冀App能像人一样同我们交互，符合用户认知的行为召唤，模拟现实世界的微交互和动效，这些都让APP更加“有人样”。

我们一直试图让给机器注入灵魂。难道不是么？

当我们谈及2016年我们所追随的设计趋势的时候，想到的更多的会是微交互、无限滚动、扁平化2.0、VR甚至信息图。其中，以微交互、动效为代表的许多UX技术都是以“人”的角度作为出发点，并且以“鲜活”、“生动”作为设计的方向。在这其中，最为“富有人性”的应该就是ChatBot了。

Chatbot并不是什么新概念，俗称聊天机器人，早在上世纪60年代的时候，就已经有MIT的教授作过类似的东西。

回溯历史，从图灵机到电脑，从PDA到智能手机，孤独的人类在试图创造便捷的工具的同时，从来未曾放弃制造更加聪慧的伙伴。

明显的趋势

和VR、AR 这类大热的新兴领域相同，Chatbot已经成为了互联网和投资的新宠。也许在普通用户眼里，Siri 还不够“成功”，但是它的实际功用和潜在价值让各大科技公司、创业团队都眼热。今年3月，微软在每年例行的Build 大会上推出了 Bot Framework ，随后而来的4月，Facebook 在 F8大会上展示了全新的Messenger 平台，然后是5月的Google I/O大会，会上发布了 Google Assistant、Allo Messenger 等应用和套件，而Amazon 也不愿落于人后，开放了Echo 智能音箱背后的AI 平台 Alexa 。

这些大型科技企业代表了Chatbot 的发展方向，那么紧随其后的是来自世界各地的创业团队。这些创业团队的Chatbot类产品和服务横跨多个平台，垂直到多个不同的领域：保险代理、虚拟助手、客户服务、虚拟买手、机器人平台，等等等等。VentureRadar 将截至今年6月的最热的Chatbot领域的创业公司列举了出来：

这些深入多领域推动ChatBot 发展的公司为我们展现了聊天机器人的巨大潜力，拿到大量融资的创业企业也证明了投资机构对于这一领域的巨大信心。

相比于VR和AR，单纯的Chatbot 似乎距离我们熟知的图形化界面要更遥远，但是它和广泛意义上的“设计”的概念却更加贴近。虽然类似Chatbot 这一的产品早已有之，但是如今我们的探讨的Chatbot 却比当年的粗陋的AI更加智能。

智能的证据

如果将Chatbot 和人工智能（AI）完全割裂开来看，是不合理的。但是目前我们所能接触的Chatbot 少有能够上升到人工智能的程度，正是因为人工智能（AI）的要求之高，从事这方面研究者少有直接拿人工智能来指代自己的研究工作的。

此时，就不得不提一下图灵测试了。

图灵提出了一种测试机器是不是具备人类智能的方法。即假设有一台电脑，其运算速度非常快、记忆容量和逻辑单元的数目也超过了人脑，而且还为这台电脑编写了许多智能化的程序，并提供了合适种类的大量数据，那么，是否就能说这台机器具有思维能力。

为消除人类心中的偏见，图灵设计了一种“模仿游戏”即图灵测试：远处的人类测试者在一段规定的时间内，根据两个实体对他提出的各种问题的反应来判断是人类还是电脑。通过一系列这样的测试，从电脑被误判断为人的几率就可以测出电脑智能的成功程度。

复杂的人类语言是人类传递信息表达思想的核心手段，模仿游戏就是围绕着测试者能否判断出机器和人类的语言而进行的。

而图灵的传记电影《模仿游戏》[ed2k]就正是因此而得名。

实际上，2014年6月7日在英国皇家学会举行的“2014图灵测试”大会上，聊天程序“尤金·古斯特曼”（Eugene Goostman）首次“通过”图灵测试。

我们现在所探讨的Chatbot 有多少最终能通过图灵测试我们难以得知，但是随着数据挖掘、机器学习等技术的推进，深度学习的算法的技术成熟，计算机的智能化进程已经大踏步地前进了，今年3月 Google 的 Alpha GO 战胜李世石就是一座里程碑。

不过在另外一部电影《机械姬》[ed2k]当中，图灵测试化作一个揪心的赛博朋克寓言，悲剧收场，引人深思。

全新的交互

自然语言的处理是Chatbot 所面临的最大的障碍之一。和我们常见的UI界面的UX设计不同，UI的可控性和内容的明确性更高，但是自然语言的逻辑、含义、语法、情绪、意图要比图形化界面复杂太多，

“李雷，下午去烧烤，去不去？”
“我去，不去！”

目前常见的做法，是将自然语言解构，提取出关键词，分析其中的词性、状态，猜测用户的意图和情绪，配合其他的信息内容，匹配用户分类模型，根据算法来给予反馈。

如果是涉及特定领域的Chatbot，需要专业性较强的知识库和针对性较强的模型。但是如果是类似Siri 这样开放式、不限定内容的Chatbot，就需要极为丰富的知识库和大量的模型，用以匹配复杂多变的内容。近年来进步明显的深度学习的算法让开放领域的Chatbot 更容易被用户“养成”。

还是以Siri为例，开放式的Chatbot 投入成本高昂，用户使用的目的性非常模糊，需求常常不明确，黏性较低，除了少数类似苹果这样的大厂会持续跟进推动之外，剩下的大多都是玩票性质的。

垂直到特定领域的Chatbot 本身就具备场景化、专业化的特征，目前接受天使投资并且影响力靠前的Chatbot 初创公司大多数都是这种类型。但是在这种目的性很强的语境下，Chatbot 需要具备更强的分析和识别能力，除了专业性的知识，还要能够清晰地理解用户的意图，给予针对性的解答。

开放式的Chatbot 适用范围更广，所面对的用户群体更大也更多变，合理的运用之下，无疑可以产生不可估量的价值。这个时候的Chatbot 可以是一个平台化的产品，给予适当的权限和功能支持就是一个强大的操作系统，而交互上使用的就是自然语言。这就是一个全新的交互界面了。

回忆一下电影《星际穿越》[ed2k]中的人工智能吧，这些具备人工智能的机器人能够良好的同交互对象使用自然语言沟通，在确保了机动性和功能性的同时，还拥有独特的性格。原本可以人形化设计的AI 在电影中被刻意异化为巨大的金属块，时刻提醒使用者，它们并非人类。

技术的壁障

自然语言输入的首要障碍就是语言的识别的问题。且不说中国八大方言体系下多如牛毛的分支，即使同样说的是普通话或者英文，千奇百怪的口音也会对信息的正确录入产生影响。当然，如果语料库够丰富，这个问题可以一定程度上得到缓解。

所以，目前许多相关的Chatbot 都依然采取的是文字输入的方式，彻底回避到语音识别的问题。从UX的角度而言，这样的服务反而不如专门的APP来得实用。

当用户提出了问题之后，Chatbot 通常需要解构自然语言，获取关键信息。目前自然语言解构通常是借助NLP技术来实现，也就是神经语言程序学 (Neuro-Linguistic Programming) 的相关技术。NLP发展道路上不断吸取逻辑学、心理学、哲学等其他学科的观点并用以整合形成自身的学术论点，这种包容的结合带给了NLP作为一个学术的逻辑体系。NLP 可以用来解构语言、思维和行为上的习惯，但是这门依然在不断发展、包容性极强的学科本身的缺陷也很明显，现在Chatbot 有限的识别度就是证据。

不过Chatbot 的实现方式并不一定非得是解构-提取-排序-匹配模型的方式来实现，Chatbot还可以以类似人类学习语言的方式，通过语料库或者深度神经网络技术来模拟、生成语言模型，这种“养成”式的Chatbot 需要大量的语料库来支撑、优化，它通常学习性更强，不会犯语法和表述上的错误，可以更加自如地应对预设外的问题，规避人为设定带来的不确定性，维护性更好。目前Google 的 AlphaGO 就是基于此技术发展而来。