Facebook虛擬助手M的原理，以及它的野心

人工智能的現實是：蘋果的虛擬語音助手 Siri 十分糟糕，多數時候她完全不知道你在說什么。即使當 Siri 識別出你的問題，有時也會用一個包含了網頁鏈接的頁面作為回應，并不會直接告訴你答案。

原因在于，蘋果的語音助理是建立在舊技術之上的。但即使 Siri 升級到最新的人工智能，她也遠遠不如有血有肉的真助理。人工智能在過去的幾年有了十足的進步，但它距離智能仍然有很長的路要走。

“M”是 Facebook 目前正在研發的全新虛擬助理，它也印證了這一點。

這一語音助手建立在 Facebook 即時通訊應用 Messenger 之上。根據雷鋒網消息，M 于本周三亮相，舊金山灣區的數百名用戶開始測試這一功能了。毫無疑問，這是 Facebook 為了與 Siri、Google Now 和微軟的 Cortana 競爭而交出的答卷。不過，根據 Facebook 的描述，它能夠執行更廣的任務，你能向 M 下達指令，幫你訂晚餐，規劃下一個假期等。

這是因為 M 會讓人工智能在人類的協同下，回應你的問題。Wit.ai 的創始人 Alex Lebrun 表示：“人工智能試圖做一切事情，但它需要受到人類監督”。雷鋒網曾介紹，Wit.ai 是 Facebook 收購的一家人工智能創業公司，幫助開發了 M。

在這個由人工智能驅動私人助理的大環境下，M 的誕生似乎是一種倒退。Facebook 才剛剛公開測試，目前還不清楚這種人機合作的方式，在擴展到更多普通用戶身上時能否跟上步伐。雖然這是一個違反直覺的方式，但實際上 M 可能更加智能的人工智能。

Facebook 的想法是，人類不僅僅能回答人工智能無法回答的問題，而且從長遠來看，有利于提高它們能力。如今的人工智能，都至少需要獲得人類的一些訓練。如果你想要一個系統能自動識別 YouTube 視頻中的貓咪，首先人類必須告訴它貓咪是什么樣，而且還必須標注各種貓科動物的照片，提供其他必要的數據。通過人類對 M 提供支持，Facebook 正在以異常復雜的方式做這類事情。

新的“舊技術”

具有諷刺意味的是，Wit.ai 提供的依然是很老的人工智能技術。這一技術基于兩個算法——條件隨機域和最大熵分類器。這兩個算法已經服務于這個高科技世界十多年了。不過，這種方法為 M 在找到更好的人工智能技術之前，提供了跳板。

Lebrun 于2013年成立了 Wit.ai，之后開發了一個AT&T公司用于與客戶溝通的數字代理。Wit.ai 提供了一種可以幫助軟件程序員開發類似于 Siri 系統的服務，其可以識別語音，并在一定程度上理解自然語言。這一服務正是基于上述所說的舊算法，但它不需要像蘋果和 Google 一樣，收集大量的語音數據就可以學會識別語音。

負責 Messenger 的 Facebook 副總裁 David Marcus，之前曾想擴大 Messenger 的使用范圍，產生更多收入，之后他接觸到了 Lebrun 和他的公司。今年一月 Facebook 收購了這家僅有10人的創業公司，收購金額不詳。Marcus 表示，Facebook 拿下了“在全球人與人工智能交互中做的最好的團隊之一”。不過當時，Lebrun 并不清楚 Facebook 要做什么。

約三個月后，他們團隊產生了開發一個運行在 Messenger 之上的虛擬助手的想法，但它不會是另一個 Siri。首先，它主要是通過文字溝通，而不是聲音。其次，它也會回答一系列更復雜的問題。Lebrun 表示：“如今有很多的人工智能助手，如 Siri、Google Now 和 Cortana，但應用范圍有限。我們希望開始做一些更加雄心勃勃的事情，給人們他們真正想要的答案。”

人類也需擔當

當你向 M 提問，人工智能會理解你的問題，并制定相應的回應。但它不會將結果發送給用戶，系統會先將結果發送給人工智能“培訓師”——也就是 Wit.ai 團隊的員工。培訓人員經過審核，再決定為你提供所要尋找的內容。

根據 Lebrun 的說法，該人工智能可以自動完成大部分簡單的工作，例如講笑話。對于更復雜的任務，比如預約駕駛考試，人類會在其中擔當最繁重的工作，并會真正向目標公司預約。

在有人為參與的任務中，人類會因特定的問題應該如何回答，產生相應的操作路線圖，每一步都會被記錄下來。未來，這些數據可以幫助推動基于深度學習而產生的更先進的系統，基于深度學習的人工智能會通過機器的龐大網絡分析信息，這些網絡就像是在模仿人類大腦中的神經元。

這種神經網絡已經被證明在識別圖像、識別語音、定向廣告，甚至是指導機器人擰上瓶蓋等方面極為有效。Facebook 現在使用神經網絡來識別照片中的面部，確定哪些內容可能是你想要在新鮮事中看到的。采用了 M 之后，它的目的就是將技術進一步在產品中應用。

知道的越多，不知道的也越多

那么為什么不從一開始就用神經網絡開發 M 呢？如果沒有正確的數據，神經網絡將無法提供如此強大的服務。有了幾千個數據點，你就可以開始建立一個模型，之后采用這一模型，就會得到更多的數據，一旦你有了一百萬個數據點，就會得到一定程度的深度學習能力。

正如 Lebrun 所描述的那樣，這是一個非常宏大的計劃。即使將神經網絡混合進去之后，Facebook 將在未來幾年繼續使用人類參與這項計劃。隨著 M 的不斷使用，它就需要更多的數據才能繼續提升。你知道的越多，你不知道的也越多。人工智能做的越多，也就有更復雜的任務需要去做。

隨著 M 的使用范圍擴大到越來越多的用戶，就需要越來越多的“培訓師”。Lebrun 預計其培訓人員的數量將會隨著用戶的數量的增長而增長，這會帶來的負擔將是巨大的。Messenger 目前有7億人在使用。

但同時，即使 Facebook 能夠保持系統持續運行，人工智能可能不會像 Lebrun 所期望的那樣快速進化。數字助理創業公司 x.ai 的 Dennis Mortensen 表示，讓人類和人工智能一起工作實際上可能會放慢改革的步伐。他拿無人駕駛汽車作類比，除了像Google這樣的完全無人駕駛，現在還有一種方式是在汽車中逐漸加入智能功能。但后者的問題是，它可能并不會最終達到完全的無人駕駛，畢竟所收集的數據可能人工智能并不需要。

但Mortensen也承認了數據的重要性，并表示，如果Facebook適當使用了培訓師，或許能為人工智能找到捷徑，不過它要將重點放在未來，而不是看它現在能做什么。

via wired

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。