“这项技术将以我们难以理解的方式改变世界”

一位评委和部分Alexa Prize第三届大赛决赛团队围绕竞赛意义、疫情影响以及社交机器人的未来展开讨论。

2020年8月4日

人类是社会性生物，对话是连接彼此的纽带——它让我们能够与重要的人分享从平凡到深刻的一切。在疫情导致隔离的时代，许多对话转移到了线上，但它们提供的连接依然至关重要。那么，当对话中的人类参与者被社交机器人取代时会发生什么？与AI助手进行有意义的对话意味着什么？这种对话如何证明其价值？它能否提供独特的连接体验？

下届Alexa Prize挑战赛申请开启 某中心Alexa Prize团队鼓励所有感兴趣团队在2020年10月6日太平洋时间晚上11:59前申请第四届大赛。

今年比赛的参与者正是被这些问题驱动。某中心近期宣布埃默里大学团队赢得2020年Alexa Prize。我们采访了该团队、本届比赛评委以及来自捷克技术大学、斯坦福大学、加州大学戴维斯分校和圣克鲁兹分校的其他决赛团队代表，探讨他们的参赛动机、COVID-19对工作的影响以及社交机器人面临的机遇与挑战。

Alexa Prize社交机器人挑战赛3获奖团队访谈

问：参加今年比赛的灵感是什么？
莎拉·菲尔沃克（埃默里大学Emora团队负责人）：我们有一群对对话系统研究感兴趣的学生，其中一些人曾参加过往届Alexa Prize。我们都知道这个比赛为相关研究者提供了独特机会。使用Alexa设备平台部署社交机器人令人兴奋，因为每天能获得数百个与真实用户的对话，这能快速验证我们的假设和策略是否提升了系统性能。

玛丽莲·沃克（加州大学圣克鲁兹分校Athena团队导师）：我们的自然语言与对话系统实验室主要研究对话管理和语言生成。对话式AI极具挑战性，我们希望能在此领域产生研究影响。该领域近期发展迅猛，Alexa Prize提供了在大量用户中测试前沿技术的机会。

问：社交机器人的哪些潜力令您兴奋？
休·豪伊（评委）：这项技术将以难以理解的方式改变世界。当前人机交互是瓶颈——我们需要花费大量时间告诉计算机要做什么，而它们通常只执行一次就会忘记所学。未来，更多琐事将自动化，释放人力解决更大问题。它还将通过消除语言障碍、帮助残障人士来团结人类，最终让需要的人都能使用这项技术。

金浩·崔（埃默里大学导师）：据报道美国有超过4400万成年人存在焦虑或抑郁等心理健康问题。我们相信开发能安慰人的创新社交机器人可帮助那些害怕与他人交谈的患者。虽然AI如何传递关怀等人类情感令人疑惑，但人类早已通过艺术和音乐等创作安慰自己。我们的愿景是推动AI这一人类最伟大发明，帮助个体探索内心，更积极地看待自己并对世界产生更大影响。

问：实现这些潜力的主要挑战是什么？
阿比盖尔·西（斯坦福大学联合队长）：当前社交机器人难以理解冗长复杂的对话，限制了深入讨论话题的能力。改进需要理解用户具体需求——不仅是话题类型，还包括对话形式。另一重要挑战是让用户掌握更多主动权。目前社交机器人为保持对话在其能力范围内往往主导对话。提升灵活性将使机器人更有用且吸引人。

莎拉·菲尔沃克：对话系统研究领域的一大挑战是建立评估对话方法性能的最佳实践。研究社区目前使用多种评估策略判断新方法的效果。另一挑战是对话不仅是模式匹配问题——在任何话题上进行来回对话需要根据对话伙伴的新信息规划目标实现，同时依赖大量世界知识来充分理解对方言外之意。

问：COVID-19大流行对工作产生了什么影响？
尤里克·尤拉斯卡（UCSC团队成员）：疫情最直接的影响是社交机器人不能忽略这一动态形势，必须承认这一新发展，因为这是当时大多数人讨论的话题。我们让Athena在对话开始时提出该话题，同情用户的处境但避免沉溺于负面 aspects。部分用户反馈表示，在直接社交互动受限时期，能与社交机器人进行有趣互动令人感激。

凯慧·梁（UC Davis）：我们注意到用户对热门话题的反应存在明显差异。例如疫情前，许多用户讨论喜爱的体育赛事、旅行经历或周末计划时反应热烈；疫情爆发后，更多用户表示无法观看体育比赛或旅行。因此我们调整话题以适应形势，增加了隔离期间的生活经历讨论（如饮食变化或每日散步保持健康），并增强了通过积极倾听表达共情的安慰模块。

问：哪些NLU、对话管理、对话式AI等领域进展令人期待？
扬·皮切尔（捷克技术大学）：基于Transformer的模型如今能生成连贯的长篇文章甚至完整故事，令人兴奋。但它们在训练和运行时需要大量计算资源，且在处理不断变化的世界信息时仍具挑战性。

阿比盖尔·西：作为NLP研究者，我们对该领域的飞速进展感到惊叹。自2018年上届Alexa Prize以来，特别是大型预训练语言模型在语言理解和生成方面取得了颠覆性进步。该比赛为我们提供了独特机会，将这些主要经过整洁明确任务测试的技术呈现给真实用户，面对所有混乱现实！我们特别探索了使用神经生成模型与人聊天的可能性——在2018年这些模型表现普遍较差，未被任何决赛团队采用，但今年已成为我们系统的重要支柱。

莎拉·菲尔沃克：将常识知识和推理融入对话系统是当前对话式AI最有趣的方向之一。许多常识知识并未明确记录在数据集中，而是人们通过物理经验或推断习得，因此目前缺乏便捷的实现方式。尽管已大量尝试探索语言建模方法在对话代理中的潜力，但即使使用海量对话数据集和复杂模型，在常识信息处理上仍成败参半。我期待出现更明确建模这类常识知识的对话方法和资源。