2018年10月底，我在慕尼黑为企业客户做on site support。期间与客户的各个BU、市场老板们以及自身的研发团队交流对话AI的应用。作为全球最顶尖的汽车品牌之一，他们也在积极寻求AI在自身产品和服务上的应用。

不缺技术人才。尽管作为传统行业的大象，可能会被外界视为不擅长AI，其实他们自身并不缺少NLP的研发。当我跟他们的NLP团队交流时，发现基本都有世界名校的PHD。而且，在闭门的供应商大会上，基本全球所有的科技大厂和咨询公司都在场了。就算实在搞不了，也大有人排着队的想帮他们搞。

创新的意愿强烈。在我接触过的大企业当中，特别是传统世界100强当中中，这个巨头企业是非常重视创新的。经过移动互联时代，丢掉的阵地，他们是真心想一点点抢回来，并试图领导所在的行业，而不是follow别人的做法。不仅仅是像“传统的大企业创新”那样做一些不痛不痒的POC，来完成创新部门的KPI。他们则真的很积极地推进AI的商业化，而且勇于尝试改变过去和Tech provider之间的关系。这点让我印象深刻，限于保密条款，在此略过细节。（关于国际巨型企业借新技术的初创团队之手来做颠覆式创新，也是一个很有意思的话题，以后新开一个Topic。）

数据更多。那么传统巨头的优势就在于，真正拥有业务场景和实际的数据。卖出去的每一台产品都是他们的终端，而且开始全面联网和智能化。再加上，各种线下的渠道、海量的客服，其实他们有能力和空间来搜集更完整的用户生命周期数据。

当然，作为硬币的另一面，百年品牌也自然会有严重的历史牵绊。机构内部的合规、采购流程、数据的管控、BU之间的数据和行政壁垒也是跑不掉的。这些环节的Trade off确实大大的影响了对上述优势的利用。

但是最缺少的还是产品定义能力。

如果对话智能的产品定义失败，后面的执行就算是完美的，出来的效果也是智障。有些银行的AI机器人就是例子：立项用半年，竞标用半年，开发用一年，然后上线跑一个月就因为太蠢下线了。

但这其实并不是传统行业的特点，而是目前所有玩家的问题——互联网或科技公司的对话AI产品也逃不掉。可能互联网企业还自我感觉良好，在这产品设计部分，人才最不缺了——毕竟“人人都是产品经理” 嘛。但在目前，咱们看到的互联网公司出来的产品也都是差不多的效果，具体情况咱们在Part 2里已经介绍足够多了。

我们来看看难点在哪里。

AI产品该怎么做定义呢？也就是，需要怎样的产品才能实现商业需求。技术部门往往主要关注技术实现，而不背商业结果KPI；而业务部门的同事对AI的理解又很有限，也就容易提出不合适的需求。

关键是，在做产品定义时，你想要描述 “我想要一个这样的AI，它可以说…” 的时候你会发现，因为是对话界面，你根本无法穷尽这个产品的可能性。其中一个具体细节就是，产品文档该怎么写，这就足够挑战了。

“ 对话AI产品的管理方法 ”

先给结论：如果还想沿用管理GUI产品的方法论来管理对话智能产品，这是不可能的。

从行业角度来看，没有大量成功案例，就不会有流水线；没有流水线，就没有基于流水线的项目管理。

也就是说，从1886年开始第一辆现代汽车出现，到1913年才出现第一条流水线——中间有27年的跨度。再到后来丰田提出The Toyota Way，以精益管理(Lean Management)来快速迭代（类似敏捷开发）以尽量避免浪费，即Kaizen(改善)，这已经是2001年的事情了。

这两天和其他也在给大企业做对话的同行交流的时候，听到很多不太成功的产品案例，归结起来几乎都是因为 “产品Scope定义不明”，导致项目开展到后面根本收不了尾。而且因为功能之间的耦合紧密，连线都上不了（遇到上下文对话依赖的任务时，中间环节一但有缺失，根本走不通流程）。这些都是行业早期不成熟的标志。

“ 对话AI产品的Design Principle 尚未出现 ”

对话智能领域相对视觉类的产品，有几个特性上的差异：

1）是产品化远不如视觉类AI成熟；

2）深度学习在整个系统里扮演的角色虽然重要，但是还是很少，远不够撑起来有价值的对话系统；

3）产品都是黑箱，目前在行业中尚无比较共同认可的设计标准。

APP发展到后面，随着用户的使用习惯的形成，和业界内成功案例的“互相交流”，逐步形成了一些设计上的共识，比如下面这一排，最右边红圈里的 “我”：

但是，从2007年iPhone发布，到这些移动产品的设计规范逐步形成， 也花了近6、7年时间，且不提这是图形化界面。

到如今，这类移动设备上的产品设计标准已经成熟到，如果在设计师不遵循一些设计思路，反而会引起用户的不习惯。只是对话系统的设计规范，现在谈还为时尚早。

到这里，结合上述两个点（对话AI产品的管理方法、设计规范都不成熟），也就可以解释为什么智能音箱都不智能。因为智能音箱的背后都是一套“技能打造框架”，给开发者，希望开发者能用这套框架来制作各种“技能”。

而“对话技能类平台” 在目前根本走不通。任何场景一旦涉及到明文识别以外的，需要对特定的任务和功能进行建模，然后再融合进多轮对话管理里的场景，以现在的产品成熟程度，都无法抽象成有效的设计规范。现在能抽象出来的，都是非常简单的上下文管理（还记得Part 2里的“填表”么？）。

我就举一个例子，绝大部分的技能平台，根本就没有“用户生命周期管理”的概念。这和服务流程是两码事，也是很多机器人智障的诸多原因之一。因为涉及到太细节和专业的部分，咱们暂且不展开。

也有例外的情况：技能全部是语音控制型，比如“关灯开灯” “开空调25度”。这类主要依赖明文识别的技能，也确实能用框架实现比较好的效果。但这样的问题在于，开放给开发者没有意义：这类技能既不需要多样的产品化；开发者从这类开发中也根本赚不到钱——几乎没有商业价值。

另一个例外是大厂做MLaaS类平台，这还是很有价值的。能解决开发者对深度学习的需求，比如意图识别、分词、实体提取等最底层的需求。但整个识别部分，就如我在Part 3&4里提到的，只应占到任务对话系统的10%，也仅此而已。剩下的90%的工作，也是真正决定产品价值的工作，都得开发者自己搞。

他们会经历些什么？我随便举几个最简单的例子（行业外的朋友可以忽略）：

如果你需要训练一个意图，要生成1000句话来做素材，那么“找100个人，每人写10句” 的训练效果要远好于 “找10个人，每人写100句”；

是用场景来分意图、用语义来分意图和用谓语来拆分意图，怎么选？这不仅影响机器人是否能高效支持“任务”之间的跳转，还影响训练效率、开发成本；

有时候意图的训练出错，是训练者把自己脑补的内容放进去了；

话术的重要性，不仅影响用户看着舒不舒服，更决定了他的回复的可能性——以及回复的回复的可能性——毕竟他说的每一句后面的话，都需要被识别后，再回复；

如果你要给一个电影院做产品，最好用图形化界面，而不要用语言来选座位：“现在空着的座位有，第一排的1，2，3，4….”

这些方面的经验和技巧数都数不完，而且还是最浅显、最皮毛的部分。你可以想象，对话智能的设计规范还有多少路要走——记得，每个产品还是黑箱，就算出了好效果，也看不到里面是怎么设计的。

“ 一个合适的AIPM ”

当真正的人工智能实现之后，所有产品经理所需要做的思考，都会被AI代替。所以，真正的人工智能也许是人类最后的一个发明。在那一天之前，对话智能产品经理的工作，是使用各种力量来创造智能给人的感觉。

AIPM一定要在心中非常明确 “AI的归AI，产品的归产品”。做工具的和用工具的，出发点是完全不同。应该是带着做产品的目的，来使用AI；千万不要出现“AIPM是来实现AI的”这样的幻觉。

我们都熟悉，PM需要站在“人文和技术的十字路口”来设计产品。那么对话智能的AIPM可能在这方面可能人格分裂的情况更极端，以至于甚至需要2个人来做配合成紧密的产品小组——我认为一个优秀的对话智能产品经理，需要在这三个表现优秀：

1. 懂商业：就是理解价值。

对话产品的价值一定不在对话上，而是通过对话这种交互方式（CUI）来完成背后的任务或者解决具体问题。一个本来就很强的APP，就不要想着去用对话重新做一遍。反而是一些APP/WEB还没有能很好解决的问题，可以多花点时间研究看看。

这方面在Part 4 里的对话智能的核心价值部分，当中有详细阐述，在这里就不重复了。

2. 懂技术：理解手中的工具（深度学习 + GOFAI）

一个大厨，应该熟悉食材的特性；一个音乐家，应该熟悉乐器的特征；一个雕塑家，应该熟悉手中的凿子。大家工具都差不多，成果如何，完全取决于艺术家。

现在，AIPM手中有深度学习，那么就应该了解它擅长什么和不擅长什么。以避免提出太过于荒谬的需求，导致开发的同学向你发起攻击。了解深度学习的特性，会直接帮助我们判断哪些产品方向更容易出效果。比如，做一个推荐餐厅的AI，就比做一个下围棋的AI难太多了。

下围棋的产品成功，并不需要人类理解这个过程，接受这个结果就行。而推荐一个餐厅给用户，则必须要去模拟人的思维后，再投其所好。

人们在想要推荐餐厅的时候，通过对话，了解他的需求（绝对不能问太多，特别是显而易见的问题，比如他在5点的时候，你问他要定几点的餐厅）

对于围棋而言，每次（单次）输入的可能性只有不超过棋盘上19x19=361种可能性；一局棋的过程尽管千变万化，我们可以交给深度学习的黑箱；最后决定输赢所需要的信息，全部呈现在棋盘上的落子上，尽管量大，但与落子以外的信息毫无关系，全在黑箱里，只是这个黑箱很大。最后，输出的结果的可能性只有两种：输或者赢。

对于推荐餐厅。每次输入的信息，实际并不包含决策所需要的全部信息（无法用语言表达所有相关的影响因素，参考Part 3 里世界模型部分）；而且输出的结果是开放的，因为推荐的餐厅，既不可被量化，更不存在绝对的对错。

了解CUI的特性后，不该用对话的就不要强上对话交互；有些使用对话成本非常高，又很不Robust的环节，同时用户价值和使用频次又很低的，就要考虑规避——咱们是做产品的，不是实现真正的AI的，要分清楚。

3. 懂人：心理和语言

这可能是当前对话类产品最重要的地方，也是拉开和其他产品设计的核心部分。也可能是中年人做产品的第二春。

对心理的理解，指的是当用户在说话的时候，对他脑中的模型的理解。英文中“Read the room”就是指讲话之前，先观察一下了解周围听众的情况，揣摩一下他们的心理，再恰当的说话。

比如，讲话的时候，是否听众开始反复的看表？这会让直接影响对话的进程。你有遇到过和某人对话起来感觉很舒服的么？这个人，不仅仅是语言组织能力强，更重要的则是他对你脑中的对话进程的把握，以及场景模型，甚至对你的世界模型有把握。他还知道怎么措辞，会更容易让你接受，甚至引导（Manipulate）你对一些话题的放弃，或者是加强。

对话系统的设计也是一样的。哪些要点在上文中说过？哪些类型的指代可以去模拟？如果是文字界面，用户会不会拉回去看之前的内容？如果是语音界面，用户脑中还记不记得住？如果记得住，还强调，会感觉重复；如果记不住，又不重复，会感觉困惑。

对语言的理解，则是指对口语特性的理解。我知道Frederick Jelinek说的“每当我开除一个语言学家，Speech识别的准确率就会增高”。只是，现在根本没有真正意义上的自然语言生成（NLG），因为没有真正的思维生成。

所以，任务类的对话的内容，系统不会自然产生，也无法用深度学习生成。对于AIPM而言，要考虑的还是有很多语言上的具体问题。一个回复里，内容会不会太长？要点该有几个？谓语是否明确，用户是否清晰被告知要做什么？条件又是什么？这样的回复，能引发多少种可能的问询？内容措辞是否容易引起误解（比如因为听众的背景不同，可能会有不同的解读）？

从这个角度而言，一个好的对话系统，必定出自一个很能沟通的人或者团队之手。能为他人考虑，心思细腻，使用语言的能力高效，深谙人们的心理变化。对业务熟悉，能洞察到用户的Context的变化，而其格调又帮助用户控制对话的节奏，以最终解决具体问题。

可见的未来是现状的延续

“过渡技术”

在几周前，我与行业里另一家做对话的CEO讨论行业的将来。当我聊到“深度学习做对话还远达不到效果”的态度时，他问我：“如果是悲观的，那么怎么给团队希望继续往前进呢？”

其实我并不是悲观的，可能只是更客观一点。

既然深度学习在本质上搞不定对话，那么现在做对话AI的实现方式，是不是个过渡技术？这是一个好问题。

我认为，用现在的技术用来制作AI的产品，还会持续很长时间，直到真正智能的到来。

如果是个即将被替代或者颠覆的技术，那就不应该加码投入。如果可以预见未来，没人想在数码相机崛起的前期，加入柯达；或者在LED电视普及之前，重金投入在背投电视的研发上。而且难以预测的不仅仅是技术，还有市场的发展趋势。比如在中国，作为无现金支付方式，信用卡还没来得及覆盖足够多的支付场景，就被移动支付断了后路。

而现在的对话智能所使用的技术，还远没到这个阶段。

Clayton M. Christensen在《创新者的窘境》里描述了每个技术的三个阶段：

第一个阶段，缓步爬坡；

第二个阶段开始迅猛发展，但是到接近发展的高地（进步减速）的时候，另一个颠覆式技术可能已经悄悄萌芽，并重复着第一个技术的发展历程；

第三个阶段，则进入发展瓶颈，并最终被新技术颠覆

下图黑色部分，为书中原图：

而当前对话AI的技术，还在第一阶段（蓝色旗帜位置）称不上是高速发展，还处于探索的早期。黑箱的情况，会使得这个周期（第一阶段）可能比移动时代更长。

以当前的技术发展方向，结合学术界与工业界的进展来看，第二个技术还没有出现的影子。

但是同样因为深度学习在对话系统中，只扮演的一小部分角色，所以大部分的空间，也是留给大家探索和成长的空间。换句话来讲，还有很多发展的潜力。

前提是，我们在讨论对话类的产品，而不是实现AI本身。只是，这个阶段的对话AI，还不会达到人们在电影里看到的那样，能自如的用人类语言沟通。

2） 服务提供者崛起的机会

因为上述的技术发展特点，在短期的将来，数据和设计是对话智能类产品的壁垒，技术不是。

只是这里说的数据，不是指的用来训练的数据。而是供给端能完成服务的数据；能够照顾用户整个生命周期的数据；是当对话发生的时候，用户的明文以外的数据这些数据；影响用户脑中的环境模型、影响对任务执行相关的常识推理数据，等等。

而随着IOT的发展，服务提供者，作为与用户在线下直接打交道的一方，是最有可能掌握这些数据。他们能在各个Touch point去部署这些IOT设备，来搜集环境数据。并且，由他们决定要不要提供这些数据给平台方。

但是，往往这些行业里的玩家都是历史悠久、行动缓慢。其组织机构庞大，而且是组织结构并不是为了创新而设计，而是围绕着如何能让庞大的躯干不用思考，高速执行。而这也正是互联网企业和创业企业的机会。

3）超级终端与入口之争

对话智能类的产品必须搭载在硬件终端上。很多相关的硬件尝试，都是在赌哪个设备能够成为继手机之后的下一个超级终端。就好像智能手机作为计算设备，代替了PC的地位一样。

毕竟，在移动时代，抢到了超级终端，就抢到了用户获取服务的入口。在入口的基础之上，才是各个应用。

如果对话智能发展到足够好的体验，并能覆盖更多的服务领域时，哪一个终端更有可能成为下一个超级终端呢？智能音箱、带屏幕的音箱、车载设备甚至车机、穿戴设备等等都可以搭载对话智能。在5G的时代，更多的计算交给云端，在本地设备上留下能耗较低的OS和基础设施，I/O交给麦克风和音频播放就完成了。

credit:Pixabay

因此任意一个联网设备，都可能具备交互和传递服务的能力，进一步削弱超级终端的存在。也就是说，作为个人用户，在任意一个联网设备上，只要具备语音交互和联网能力，都可能获得服务。特别是一些场景依赖的商业服务，如酒店、医院、办公室等等。

随着这些入口的出现，在移动时代的以流量为中心的商业模式，可能将不再成立。而新的模式可能诞生，想象一下，每一个企业，每一个品牌都会有自己的AI。一个或是多个，根据不同的业务而产生；对内部员工服务或者协助其工作，同时也接待外部的客服，管理整个生命周期从注册成这家企业的用户开始，到最后（不幸地）中断服务为止。

只是这个发展顺序是，先有服务，再有对话系统——就好像人，是有脑袋里的想法，再用对话来表达。