Facebook上聊天机器人那么多，为什么没有一个特别火？

玫瑰有刺

　　Facebook早在今年4月份的F8(Facebook开发者大会)上就推出了聊天机器人平台Messenger。商家可以在这个平台上并发布自己的聊天机器人，而用户只需要将其添加在自己的通讯录中，就可以随时跟商家进行交流互动。

　　到目前为止，Facebook messenger 已经上线了一万多个聊天机器人，各种各样的聊天机器人功能涵盖智能客服，查天气，定鲜花，听新闻，定航班等等，颇有百花齐放，百家争鸣的势头。
　　8月份，白宫在FacebookMessenger 上推出了其聊天机器人以接受民众的来信并代表奥巴马给出简单回复。试用以来民众热情极高，短短2个月便收到了150万条民众留言。后续白宫索性开源了这个聊天机器人的代码，希望其他政府部门也能开发类似的服务。

　　10月中旬，ebay在Facebook messenger上推出了”shop bot”智能个人购物助手，可以帮助消费者挑选商品和处理售后问题。比如，你可以对shop bot机器人说“我想要一个黑色墨镜”，收到消息后，机器人针对你发出的消息，询问你一些具体的问题，如“女士，还是男士佩戴”等，帮你缩小范围，更快速的购物。

　　昨天，美国大选尘埃落定。这场撕逼大战中，川普大叔总是否认自己此前说过的话，在辩论中展开扯皮球模式，为此，希拉里团队特意在messenger上推出“ text trump”的聊天机器人，向人们发送Trump语录。

　　什么是聊天机器人?
　　聊天机器人这么火，那到底什么是聊天机器人呢?其实，就是一个用来模拟人类对话或聊天的程序，能够至少暂时性地让一个真正的人类认为他们正在和另一个人聊天。聊天机器人，又被称为会话用户界面，可以在现有信息应用中使用自然语言与人类互动，自动为人类提供服务。
　　世界上最早的聊天机器人诞生于20世纪80年代，名为“阿尔贝特”，用BASIC语言编写而成。1950年，图灵在哲学刊物《思维》提出了“图灵测试”，通过交谈检验人工智能;1991年，美国科学家休·勒布纳设立人工智能年度比赛——勒布纳奖，旨在奖励研究最擅长模仿人类真实对话场景的机器人。早期的聊天机器人有Dr.Sbaitso，ELIZA，之后，在勒布纳比赛中，Albertone, Alice, Elbot, Mitsuku都曾获得勒布纳奖，可以说，人们从未停止探索聊天机器人的脚步。目前，数以百计的公司投入资金开发聊天机器人，无论是构建聊天机器人开发者框架和工具，还是针对关键领域，如客服，分析追踪，安全，提供特定领域专业知识的通用工具，都有公司投入。
　　为什么要开发聊天机器人?

　　可能有的人会说，现在各种手机APP或者网站便可以让我们进行购物，订票，查天气等体验，商家为什么非要投入大量的资金在类似于Facebook这样的平台上开发自己的聊天机器人呢?

　　目前，文本信息交互仍是手机用户移动体验的核心，聊天机器人通过软件程序使用短信平台来执行各种各样的任务调度，在这些平台上以一种非常自然的方式提供服务，获取用户，创造潜在的营销机会。
　　随着移动互联网的发展，APP市场也趋于饱和，许多APP的使用率和留存率逐渐降低。用户很多时候需要的是服务，并不在乎服务是以什么形式出现。

　　Facebook，推特，Snapchat、Instagram等平台凭借其庞大用户数和良好的用户黏性，已经被企业，广告商追捧为下一个竞争的战场。从Facebook发布的2016年第二季度财报来看，Facebook的每月活跃用户数为13亿人，Messenger平台活跃用户数为2亿人。

　　越来越多的用户喜欢在社交平台上直接获得服务，商家不仅可以共享庞大的用户群，还可以通过各类聊天机器人完成一些简单自动化的服务，提高用户对品牌粘度，何乐而不为呢?
　　聊天机器人众多，为何没有一个脱颖而出的?
　　虽然Facebook上已经有一万多个聊天机器人，但是，没有一款聊天机器人，用户体验后不感觉很失望，这些机器人实在太“傻”了。不得不说，在通往智能的路上，自然语言处理仍是巨大挑战。
　　聊天机器人的核心是用户对话跟踪，只有理解用户需要什么，才能给出相应的回复。ChatBot在处理具体任务时，需要对用户进行建模，分析用户行为和上下文对话，即使是同一个问题，聊天机器人对不同用户的回答也是不同的。然而，构建能够识别和理解复杂语言的软件依然是个巨大挑战，因为语言本身就是个不断进化的界面。

　　1999年美国计算机学家Bill Manaris曾这样描述：自然语言处理是一门研究人与人交际中，以及人与计算机交际中的语言问题的学科。自然语言处理(NLP)研究表示语言能力、语言应用的模型，通过建立计算机框架来实现这样的语言模型，并提出相应的方法来不断地完善这样的语言模型，还要根据这样的语言模型来设计各种实用系统，并探讨这些实用系统的评测技术。

　　NLP现在实际的技术困难还是语义的复杂性，包含因果关系和逻辑推理的上下文等。现在解决这些问题的思路主要还是深度学习(Deep Learning)。深度学习虽然带给了研究人员一种全新的思路，拓展了神经网络的层次，伴随大数据的积累和并行计算的增强深度学习的确是给NLP带来了长足的进步，但是，若想达到人类的这种理解层次，仅靠深度学习恐怕很难实现。


转自：http://mp.weixin.qq.com/s?__biz= ... IMl0s0UClRWMhFgi#rd