對話式人工智慧
對話式人工智慧是一種讓人們透過自然的來回對話、文字或語音（而不是選單和表格）與電腦互動的技術。
概述
It underpins virtual assistants, customer-service chatbots, and voice helpers like those on phones and smart speakers.
深入探討
對話式人工智慧涵蓋了任何旨在與人進行自然對話的系統。經典管道將工作分為幾個階段：自然語言理解 (NLU) 找出用戶的意圖並提取稱為槽位的關鍵細節，對話管理器跟踪對話狀態並決定下一步做什麼，自然語言生成 (NLG) 表達答复。語音助理將其封裝在語音辨識和文字轉語音中。舊系統是基於規則的或依賴嚴格定義的意圖，這使得當使用者意外地表達事物時它們變得脆弱。現代對話人工智慧越來越多地使用大型語言模型，這些模型可以直接產生流暢的回复，並且可以處理開放式對話，通常基於檢索到的文檔，因此答案保持準確。持續存在的挑戰是記住多個回合的上下文，知道何時將其交給人類，以及避免自信地給出錯誤答案。
技術洞察
傳統的任務導向的助手運行一個 NLU 模組，該模組對使用者的意圖進行分類（例如，「book_flight」）並提取槽（日期、目的地）、一個記住已填寫內容的對話狀態追蹤器、一個選擇下一個操作的策略以及一個產生措辭的 NLG 步驟。現代基於 LLM 的系統通常會破壞這些階段，在使用工具、函數呼叫和檢索來獲取事實或採取行動的同時產生端到端的回應。將正在運行的對話歷史記錄作為上下文來維護，可以讓機器人記住先前的對話。
戰略影響
速度與規模
語言工作流程可以在不犧牲一致性的情況下更快地移動。
交通與覆蓋範圍
它擴展了跨語言和溝通方式的訪問。
更明確的決策
團隊可以花更多時間進行判斷，而自動化則可以處理重複。
對話式人工智慧的未來
對話式人工智慧正在從狹隘的腳本機器人轉向法學碩士驅動的助手，後者可以推理、調用工具並完成預訂或故障排除等多步驟任務。期待更多語音優先、低延遲體驗、多語言支援以及代表用戶採取實際行動的「代理」系統。透過檢索和更堅固的護欄來接地對於減少幻覺和保持答案的可信度至關重要。最大的實際前沿是可靠的長期記憶、與人類的優雅交接，以及為醫療保健和金融等高風險領域提供足夠好的安全性和準確性。
現實世界的實施
銀行的客戶服務聊天機器人可透過對話檢查您的餘額、解釋費用並重設密碼
智慧音箱上的語音助理可以設定計時器、回答問題以及透過語音控制智慧家居設備
醫療保健症狀檢查機器人，可提出後續問題並引導患者找到正確的護理選擇
應用內購物助理在結帳時以自然語言推薦產品並回答問題
風險與防護欄
幻覺的事實可以悄悄地進入報告、支持流程或研究成果。
及時的敏感性可能會在類似的請求中產生不一致的結果。
如果存取控制薄弱，敏感文字資料可能會暴露。
實施路線圖
在推出之前定義輸出格式、語氣和品質標準。
當準確性很重要時，請使用可信任來源進行地面回應。
為高風險輸出保留人工審查檢查點。
追蹤故障模式並定期重新訓練提示或工作流程。
不斷探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Conversational AI quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常見問題
What is Conversational AI?
對話式人工智慧是一種讓人們透過自然的來回對話、文字或語音（而不是選單和表格）與電腦互動的技術。它支援虛擬助理、客戶服務聊天機器人以及手機和智慧揚聲器等語音助理。
在經典的任務導向的對話式 AI 管道中，自然語言理解 (NLU) 組件的作用是什麼？
NLU 解釋使用者的訊息，對意圖（他們想要什麼）進行分類，並提取系統需要執行操作的槽（具體細節，例如日期或目的地）。
對話管理器（或對話狀態追蹤器）的工作是什麼？
對話管理器追蹤已說過的內容以及仍需要哪些訊息，然後選擇系統的下一步操作，使對話在輪流中保持連貫性。
為什麼舊的基於規則或嚴格的基於意圖的聊天機器人經常被描述為“脆弱”？
基於規則的系統僅處理它們明確編程的模式，因此不尋常或意外的措辭很容易破壞它們。
現代基於大語言模型的對話系統與經典管道有何不同？
基於法學碩士的助理可以直接產生流暢的回應，而不是依賴僵化的意圖槽，處理更多開放式對話，並經常使用工具或事實檢索。
是什麼讓對話式人工智慧系統「記憶」之前在聊天中所說的話？
透過將先前的輪次作為上下文，系統可以引用先前的陳述並在多輪對話中保持連貫。