圖靈測試離我們還有多遠？

十年前，我在微軟研究院語音組混日子。 混，不是我的主觀意願，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，跟同學聊起我們的願景：“將來，您對著電腦，樂意怎麼說怎麼說，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，他打斷了我：“你說的這不是跳大神，讓狐仙附了體了麼？”

這當然是戲言，因為建國以後就不許成精了。 覺得這事兒挺扯的，要怨您就怨一位前輩的老先生——圖靈。 是他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，前者通過一些裝置向後者隨意提問。 多次問答後，如果有超過30%的人不能確定出被測試者是人還是機器，那麼這台機器就通過了測試，並被認為具有人類智能。  

於是，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，也如雨後春筍般湧現，甚至可以一抬腳踩死一片。 最近的一次，是谷歌在Google I/O大會上演示的Deplux，據說“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，還離著六扔多遠吶！現傳爾秘籍一部 ，望爾潛心習學，授眾生以三法門！”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，對於信息溝通來說，這樣的裝置夠用麼？

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，內容溝通大概只佔20%，情感溝通要占到80%。 計算廣告群裡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“餵”，這個“餵”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，還是必鬚麵對面進行。 沒有對這些副語言現象深入研究建模，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，就算不能聲情並茂地反饋用戶，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“餵”了一聲，你還不知道怎麼接茬儿，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。 那麼，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裡？

今天所有實用的人工智能產品，都是用的“弱智” 方法 。 簡單來說，就是湊答案：準備一大坨標註好的數據，然後用大量機器堆上去狂撩，直到把答案湊個八九不離十。 至於問題的內在邏輯和簡約規律，今天的AI無心顧及，也無力解讀。

“弱智”方法在數據充沛的領域，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麼？ 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據，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裡的關鍵信息，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，是要經過統計意義上的推理過程。

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”方法湊答案即可。 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，人的知識來自於六歲以後的學習。 實際上，絕大部分知識都來自於六歲前神奇的積累過程。 只不過，這些知識太普通了，連傻子都知道，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，你瞧不見小明的後腦勺

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？ 您別拿村長不當乾部，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

後半句的這個“他”，在上下兩句指代的對像是不同的。 顯然，沒有常識的支撐，這兩句不好理解。 悲催之處在於，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，裡面寫的全是這樣的“深奧”知識：

有孤王坐金殿脊背朝後

頭衝上腳衝下臉衝前頭

走三步退三步如同沒走

兩隻手伸出來十個指頭

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術語，叫“大實話”。

沒有了語料、也就是數據的支撐，“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，就找幾個這樣的真·弱智問題問上一問，它要能答 出來我是茄子，那就挺厲害的了。

那麼人類的常識在六歲前是怎麼獲得的呢？ 對於這樣的學術問題，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。 那麼，從應用的角度看，人機交互這件事真的遙不可及麼？ 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。 於是，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，怎麼看怎麼像個二傻子。

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……

我去你大爺的吧！

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，遠了怎麼辦還值得探討。 這個概念，就是訊飛的胡鬱老師講的“強視覺呈現的語音交互”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，由於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，又能發揮人的情感溝通優勢，這沒準是目前更加可行 的產品路線。