1. 对话系统概述：从图灵测试到智能助手

大家好，我是这门课的主讲。今天咱们聊聊对话系统——这个听起来高大上、其实已经渗透到生活每个角落的技术。

说实话，我最早接触对话系统是在2015年。那时候刚入行，老板扔给我一个任务：给客服部门做个自动问答机器人。我当时心想，这不就是写个if-else吗？结果一做就是三个月，踩坑无数。嗯，这些经验后面慢慢分享给你们。

1.1 对话系统发展史：三个关键阶段

对话系统的发展，说白了就是人类想让机器「听懂人话」的奋斗史。我把它分成三个阶段：

阶段	时间	代表系统	核心特点
规则驱动期	1960s-1990s	ELIZA、ALICE	模板匹配、人工编写规则
统计学习期	1990s-2015	语音助手、Siri	概率模型、统计分类
深度学习期	2015-至今	GPT、BERT、大模型	端到端、预训练+微调

规则驱动期——1966年，MIT的Joseph Weizenbaum搞出了ELIZA。这玩意儿其实很简陋，就是靠关键词匹配和模板回复。比如你说「我很难过」，它可能回「你为什么难过？」。你想想看，这跟现在的ChatGPT比，简直像玩具。但当时学术界炸了锅，很多人真以为机器有了情感。

我个人觉得，ELIZA最大的贡献不是技术，而是让人类第一次认真思考：机器到底能不能「理解」？

统计学习期——到了90年代，大家发现光靠规则不行。为什么？因为语言太灵活了。「我要订机票」和「帮我看看去北京的航班」，意思差不多，但规则怎么写？于是统计方法上场了。我记得2007年苹果发布Siri的前身时，用的就是统计分类+有限状态机。效果嘛，比ELIZA强不少，但稍微绕点弯子就懵了。

深度学习期——2015年以后，事情彻底变了。Seq2Seq模型、注意力机制、Transformer……这些技术让对话系统从「听懂几个词」进化到「理解整句话」。我在项目中遇到过最典型的例子：用BERT做意图识别，准确率直接从85%飙到96%。

1.2 对话系统应用场景：不只是聊天

很多人一听到「对话系统」，就想到聊天机器人。其实应用场景远比这丰富。我按使用频率排个序：

1. 客服与售后——电商、银行、运营商。每天处理海量重复问题，比如「我的快递到哪了？」。我做过一个银行客服系统，上线后人工客服工作量降了40%。
2. 智能助手——Siri、小爱同学、天猫精灵。控制家电、设闹钟、查天气。这类系统对实时性要求极高，延迟超过500ms用户就骂娘。
3. 任务型对话——订票、订餐、预约。需要多轮交互，比如「帮我订明天去上海的机票」→「几点出发？」→「上午十点左右」→「好的，已为您预订」。这里面有个坑：用户经常中途改主意，系统得能「记住」上下文。
4. 知识问答——企业知识库、医疗咨询、法律助手。比如「高血压患者能吃柚子吗？」。这类场景对准确性要求极高，答错了可能出大事。
5. 情感陪伴——心理疏导、闲聊。比如Replika。说实话，这类系统技术难度反而低，因为用户对「正确性」不敏感，但对「共情能力」要求高。

1.3 对话系统核心架构：三件套

不管多花哨的对话系统，底层架构就三块：语音/文本输入 → 自然语言理解（NLU）→ 对话管理（DM）→ 自然语言生成（NLG）→ 语音/文本输出。我画个简图：

用户输入（文本/语音）
    ↓
[自然语言理解 NLU]
    ├── 意图识别（用户想干什么？）
    └── 实体抽取（具体信息是什么？）
    ↓
[对话管理 DM]
    ├── 状态追踪（当前对话进行到哪一步？）
    └── 策略决策（下一步该问什么/做什么？）
    ↓
[自然语言生成 NLG]
    ├── 内容规划（要说什么？）
    └── 句子生成（怎么说？）
    ↓
系统输出（文本/语音）

咱们一个一个说。

自然语言理解（NLU）——这是对话系统的「耳朵」。它要干两件事：意图识别和实体抽取。比如用户说「帮我查一下明天北京到上海的机票」，NLU要识别出意图是「查机票」，实体是「明天」「北京」「上海」。

我曾经踩过一个坑：用户说「帮我查一下明天北京到上海的机票，还有后天回来的」。你看，这里有两个时间、两个地点。如果NLU只抽了第一个，后面就全乱了。所以实体抽取一定要支持「多值」和「上下文关联」。

对话管理（DM）——这是「大脑」。它负责记住对话历史、决定下一步动作。比如用户说「我要订机票」，DM要判断：信息够不够？不够就反问「从哪里出发？」「去哪里？」「什么时间？」。够的话就调用后端API。

这里有个经典设计模式：有限状态机（FSM）。每个对话状态是一个节点，用户输入触发状态转移。我早期做项目时就用这个，简单粗暴。但缺点也很明显：状态多了以后，状态图乱得像蜘蛛网。

自然语言生成（NLG）——这是「嘴巴」。把系统要表达的意思变成人话。最简单的做法是模板填充，比如「已为您预订{日期}从{出发地}到{目的地}的机票」。高级一点用神经网络生成，但容易生成废话或者语法错误。

我个人习惯：能用模板就别用生成。为什么？因为可控。客服场景下，用户对「准确」的要求远高于「自然」。你生成一句花里胡哨但信息有误的话，用户直接投诉。

1.4 一个完整的例子：订披萨机器人

光说不练假把式。咱们看个具体例子——一个简单的订披萨对话系统：

用户：我想订个披萨
系统：好的，您想要什么尺寸？小份、中份还是大份？
用户：中份吧
系统：口味呢？有经典意式、夏威夷、海鲜总汇
用户：夏威夷
系统：好的，一个中份夏威夷披萨，还需要加什么吗？
用户：再来一份鸡翅
系统：好的，总计98元，请问送到哪里？
用户：北京市朝阳区xxx路xx号
系统：订单已确认，预计30分钟送达。谢谢！

你看，这个过程中：

• NLU：识别「订披萨」意图，抽取「中份」「夏威夷」「鸡翅」「北京市朝阳区xxx路xx号」等实体
• DM：维护槽位列表（尺寸、口味、加料、地址），按顺序询问缺失信息
• NLG：用模板生成「好的，一个{尺寸}{口味}披萨，还需要加什么吗？」

是不是挺清晰的？但实际做起来，每个环节都有坑。比如用户说「中份」时，可能同时说「中份夏威夷」，那NLU就得一次抽两个实体。再比如用户中途说「算了不要了」，DM得能处理「取消」意图。

好，第一章就到这里。下一章咱们深入NLU，聊聊意图识别那些事儿。到时候我会分享一个我当年踩过的坑——用朴素贝叶斯做意图识别，结果被用户一句话搞崩了。敬请期待。