中关村科金张杰：ChatGPT 火爆背后，对话式 AI 在企业服务场景面临三大挑战

导读：ChatGPT 火爆，也让更多人看到对话式 AI 的商业价值。　　根据艾瑞咨询发布的《2022 年中国对话式 AI 行业发展白皮书》，2021 年对话式 AI 的市场规模为

　　ChatGPT 火爆，也让更多人看到对话式 AI 的商业价值。

　　根据艾瑞咨询发布的《2022 年中国对话式 AI 行业发展白皮书》，2021 年对话式 AI 的市场规模为 45 亿元，带动规模 126 亿元。

　　在 MEET2023 智能未来大会上，中关村科金技术副总裁张杰分享了关于对话式 AI 在企业服务中的一些观点和经验。

　　中关村科金以 AI+ 数字化营销 · 运营 · 服务为引擎，为 500 余家金融、零售、政务、医疗、互联网、智能制造等行业头部企业提供了数字化解决方案。

　　为了完整体现张杰的分享及思考，在不改变原意的基础上，量子位对他的演讲内容进行了编辑整理。

　　关于 MEET 智能未来大会：MEET 大会是由量子位主办的智能科技领域顶级商业峰会，致力于探讨前沿科技技术的落地与行业应用。今年共有数十家主流媒体及直播平台报道直播了 MEET2023 大会，吸引了超过 300 万行业用户线上参会，全网总曝光量累积超过 2000 万。

　　演讲要点

　　过去 60 年，对话式 AI 主要经历了 " 规则匹配 "、" 个人助理 "、" 深度学习 " 三大阶段

　　对话式 AI 在企业服务赛道上存在着巨大的市场空间和技术提升空间

　　领域知识中台关注内容，对话分析系统关注行为，两个引擎加持下，最终能形成统一的对话决策系统

　　企业对话场景面对形形色色的人，人本身的问题可能大于产品本身的问题

　　（以下为张杰演讲分享全文）

　　对话式 AI 的三个阶段

　　首先回顾一下在过去 60 年时间里，对话式 AI 主要经历了三个大的技术发展阶段：

　　第一，规则匹配时代。主要思路是在制式化场景里通过人工设计模板做关键词匹配，智能化程度比较低，用于心理咨询等有限场景，如 MIT 开发的 ELIZA。

　　第二，个人助理时代。在 2011 年之后出现很多 " 虚拟个人助理 " 的应用，如苹果 Siri 能做一些闲聊，也能够按照意图模板以槽位填充的方式完成一些任务型的对话。

　　第三，深度学习时代。最近几年基于大规模预训练语言模型的方法，在 NLP 领域开启了一个新研究范式，很多 NLP 任务可以统一在生成式的框架下完成，这其中就包含对话系统，如最近火爆的 ChatGPT。

　　如果后续商业落地能够取得一定成绩的话，相信 ChatGPT 也会成为对话式 AI 发展上的里程碑式的产品。

　　对话式 AI 的新一轮趋势与挑战

　　对话式 AI 发展到现在的阶段，有几个趋势值得关注：

　　从细分赛道来看，过去十几年间对话式 AI 主要的应用场景还是在 toC 如智能音响、智能家电、个人手机助理等市场渗透率较高，依照《AI 对话系统分级定义》已经能够达到 L3 的等级。相比之下，企业服务上市场渗透率比较低、开发潜力大，同时技术成熟度相对落后，只能够完成单一场景下的对话，在 L1-L2 之间。

　　从对话形式来看，在脑机接口真正商用落地之前，对话仍然是最主要的一种沟通手段，除了基础的文本、语音这种对话交互方式之外，最近多模态数字人交互方式也会越来越多。比如说，最近三年各个银行都在推出远程银行、数字营业厅这样的一种交互方式。

　　从技术维度来看，对话式 AI 不仅是对话的技术，将来还会是多种前沿科技的一个集大成者，把语音识别、感知、生成这些技术都会融合进来。

　　可以看出企业服务赛道上潜在的市场空间较大，应用场景也比较丰富，比如线上营销、呼叫中心、线下销售、客服中心、陪练质检等。

　　但企服场景的对话式 AI 现阶段仍然面临着几项重要的技术挑战：

　　最主要是场景迁移问题，每一个场景底下不管是对话助手还是机器人，定制化程度都比较高。

　　第二个难点是对可解释性要求比较高，出现问题之后需要能够快速精准的对应到问题，这一点对端到端的大规模的神经网络模型来讲是一个挑战。

　　第三个大的挑战是对快速运维的要求，企业往往面临临时事件或者是突发事件，这些事件会造成交易规则、服务规则或者是产品规则的一些变化，这就要求系统能够快速响应。

　　如何应对这些挑战

　　中关村科金过去八年期间服务了十多个行业 500 多家企业客户，期间不断总结凝练出一套双引擎对话系统的技术实践。

　　双引擎指的是领域知识中台和会话分析系统，在两个引擎的加持之下，最终形成统一的对话决策系统。

　　领域知识中台能够提升会话系统的可解释性和可运维性。通过多种技术手段分别管理企业内部的事实知识、原理知识和技能知识，通过人机协同的方式能够帮助企业维护一套统一的知识库，从而帮助企业解决事实知识难管理、原理知识难挖掘、技能知识难传承这样的一个难题。

　　会话分析系统能够挖掘出话语背后常见的目的和常见的行为模式，这些行为模式本身有很大一部分是和场景无关的、是和行业无关的，这样能够提升对话系统的可迁移性。

　　这套系统同时能够服务于上层各种各样的应用，比如营销、客服等。

　　企业对话场景和消费领域相比面对的往往不是同一类人，而是形形色色的人，人本身的问题可能大于产品本身的问题。以前我们对产品的内容关注的比较多，但是对活生生的人研究的还是不够的。

　　比如说，营销外呼场景底下坐席之间卖的东西都一样，培训的话术也都一样，但是绩效可能差的会比较大，这其中大部分原因在于对话行为里面。

　　再比如说，客服场景底下用户不是简简单单带着问题来找答案的，他打电话进来可能带着情绪，坐席面对这些活生生的人，就需要行业知识再加上一些对话的技巧和对话的结构设计。

　　为此，我们需要在会话分析系统中将对话序列先做一些拆解，标识出结构中的结构信息、行为类型和实体内容，然后再挖掘出普遍模式和特定目的下的最佳实践。

　　领域知识中台关注的是内容，对话分析关注的是行为。在这两个引擎的驱动下，对话决策系统就可以将历史当中的每一条对话日志做结构化的表示变成事件链条，再把收集到的金牌销售或者是绩优坐席历史上所有对话放在一起，从而能够归纳出坐席或销售在面对形形色色客户的时候的最佳反应，从而能够形成一套话术流程的图谱，最终形成话术流程的最佳实践。

　　这套最佳话术流程实践，还可以随时线上系统积累的语料越来越多，以人机协同的方式半自动更新。

　　在场景应用方面，企业经常面对一些场景的冷启动问题，我们根据历年的项目经验为企业提供了一系列不同等级的模板，企业可以先选择行业、再选择场景，在对话机器人市场中做选择，不同的机器人通过编排可以形成对应用户全生命周期的经营策略模板。

　　此外，每一个机器人内部它的流程话术还可以通过持续学习的方式不断更新，比如，企业可以从系统里边自动挖掘出来哪些之前没见过的一些分支，然后最近可能出现的比较频繁，那我们就把它补充到话术流程里边。有一些可能话术发现最近挂断率会比较高，那我们就用可视化的方式提示出来，让话术师能够在上面做一些拖拉拽的修改。

　　最后总结一下，我们认为对话式 AI 在企业服务赛道上面存在着巨大的市场空间和技术提升的空间。与消费类应用不同的地方在于，企服类的应用存在几项特定的一些挑战。为此，中关村科金设计出来领域知识中台和话术分析双驱动的对话系统，希望通过对话式 AI 为企业打造金牌销售，帮助企业带来创新增长和用户体验上面的一些提升。