今天的数字助手有时会让你误以为它们是人类，但功能更强大的数字助手即将到来。在幕后，Siri、Alexa 和它们的同类使用复杂的语音识别软件来弄清楚你的请求是什么以及如何提供它，并且它们生成听起来自然的语音来传递与你的问题相匹配的脚本化答案。此类系统必须首先经过“训练”——接触到人类可能提出的各种请求的大量示例——并且适当的响应必须由人类编写并组织成高度结构化的数据格式。
这项工作非常耗时，并且导致数字助手的功能受到限制。系统可以“学习”——它们的机器学习能力允许它们改进传入问题与现有答案的匹配——但在有限的程度上。即便如此，它们仍然令人印象深刻。
在更高的复杂程度上，技术正在开发中，以允许下一代此类系统吸收和组织来自无数来源的非结构化数据（原始文本、视频、图片、音频、电子邮件等等），然后自主编写有说服力的建议——或就他们从未接受过培训的主题与对手辩论。
关于支持科学新闻
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保未来能够有力地报道关于塑造我们当今世界的发现和想法的故事。
我们已经在提供聊天机器人的网站上看到了这种能力的惊鸿一瞥，这些聊天机器人开箱即用，可以回答涵盖他们训练过的各种数据集的自然语言问题。此类聊天机器人几乎不需要或无需针对特定问题或请求进行培训；它们使用预配置数据和“阅读”提供给它们的背景材料的新兴能力相结合。但是，它们确实需要一些识别单词和意图方面的培训，然后才能给出高度准确的响应。
今年 6 月，我的雇主 IBM 展示了该技术更高级的版本：一个系统在没有事先接受过关于主题或要论证的立场的培训的情况下，与一位人类专家进行了实时的辩论。该系统使用非结构化数据（包括维基百科的内容，其中一些内容为了清晰起见而进行了编辑），必须确定信息的关联性和真实性，并将其组织成可重用的资产，以便它可以调用该资产来形成支持其被分配立场的连贯论点。它还必须回应人类对手的论点。该系统在演示期间进行了两次辩论，并且在一个由一大群观众组成的群体中被评为更具说服力。
这项支持性技术——其中包括不仅可以理解自然语言，还可以处理检测正面和负面情绪这一更艰巨挑战的软件——开发历时五年多，并且仍然在很大程度上是一项正在进行的工作。然而，未经脚本化的人工智能系统战胜公认的人类专家的胜利，为未来三到五年内可能出现的无数相关应用打开了大门，甚至可能更快。例如，此类系统可以帮助医生快速找到与复杂病例相关的研究，然后辩论给定治疗方案的优缺点。
这些智能系统仅可用于组装现有知识，而不能像实验科学家或专家那样创造知识。尽管如此，随着机器变得越来越智能，它们引发了失业的幽灵。社会有义务为下一代提供解决需要人类智慧才能解决的问题所需的技能。