3年做到业界领先，OPPO小布助手靠什么实现跨越？
10 年前，苹果发布其智能语音助手 Siri，开启了人机交互新时代。
此后十年，巨头纷纷入场，诞生了 Google Assistant、亚马逊 Alexa、百度度秘、天猫精灵、小爱同学、OPPO 小布助手和 vivo Jovi 等智能助手，整个行业变得热闹起来。与此同时，人工智能技术的大阔步前进，驱使着智能助手不断进化，从“智障”迈向智能。
纵观整个智能助手市场，OPPO 小布助手有点“不一样”：它出现比较晚，但发展迅猛，成绩突出。
OPPO 小布助手 2019 年诞生，到 2021 年底，它已经累计搭载 2.5 亿设备，月活用户数突破 1.3 亿，月交互次数达 20 亿，成为国内首个月活用户数破亿的手机语音助手。出色的成绩也让 OPPO 小布助手一跃成为国内新一代智能助手的代表。
智能助手的关键是对话交互，而对话交互的核心能力之一是算法。算法决定了智能助手能达到的智能化水平，具有极高的技术挑战与价值。作为新一代智能助手代表，OPPO 小布助手的 AI 算法有何特点？过去三年，其 AI 算法如何演进？...... 为弄清上述问题，InfoQ 记者采访了 OPPO 小布助手首席研究员杨振宇博士。
OPPO 小布助手首席研究员杨振宇博士
2018 年，杨振宇加入 OPPO，主导小布助手 NLP 与对话算法系统建设。此前，他曾在华东师大、国防科大担任讲师。
在他看来，AI 算法领域，学术界和工业界的侧重点存在差异。学术界关注的是“你是针对新问题给出了一种很好的解决方案，还是针对老问题提供了一种有突破性的新解法”，面向的问题一般都是高度抽象化的、具有代表意义的。而工业界面对的问题则更实际些，它存在很多约束条件和资源限制，关注的是“你能不能综合所有受限资源提供可带来显著收益的解决方案”。
随着 AI 基础设施的逐渐成熟，学术界和工业界的差异在缩小，前沿算法应用落地的节奏在加速。以超大模型为例，这个领域，工业界反而走得比较靠前。
“有工业界积累的数据后，你就可以快速地进行验证，不像以前，一篇论文可能要在理论阶段停留数年，甚至十年或二十年，才能有机会等到其基础设施成熟，从而进行工业验证，再大规模应用”。
杨振宇对 InfoQ 表示，“现在，AI 基础设施已经非常完善，这为大规模应用带来了土壤，提供了很大便利性。另外，工业界也有一些诉求，因为竞争越来越激烈，大家希望可以更激进地引入一些新技术，带来一些差异化的竞争力”。
相比学术界，工业界在 AI 算法领域积累了与实际场景吻合的大量数据，面向真实案例的研究会更便利，而且在算力方面一般也能得到更好地支持。
工业界在 AI 算法领域的优势和便利吸引杨振宇投身企业。他入职 OPPO 后，带领团队主导小布助手 NLP 与对话算法能力的建设。作为对话式 AI 产品，小布助手的交互流程与行业主流产品一致，由唤醒、语音识别、语义理解、对话管理、对话生成，以及语音播报多个环节组成。
整个流程中，核心在于“用户可以方便地唤醒小布助手，小布助手不仅能听得清用户的话，而且还能听懂用户的诉求并给出令人满意的响应”。其中，每个环节对 AI 算法的依赖都比较强，算法的效果直接影响用户的体验。
2019 年 4 月，杨振宇所在团队快速构建并上线了小布助手第一个版本。当时的首要目标是尽快构建一个可面向用户的产品，再通过用户的实际使用促进产品的快速迭代。那么，如何快速构建一款智能助手产品？他们以快速组装为主，引入很多外部 AI 技术。但是，问题随之而来，由于很多环节都单独引入一些技术，导致各个环节相对割裂，相互之间的适配效果也不是很理想，从端到端看，效果的折损比较大。
其次，小布助手的第一个版本技能覆盖面也比较窄，主要是用户的高频、刚需的技能，比如对设备的一些基础操作控制。杨振宇表示，“更多的垂直域和开放域的技能，要么没来得及建设，要么建设了没精细打磨，体验不佳”。
他说：“在语义理解和对话交互上，当时我们做得很浅，也有很多不完善的地方。比如，针对一些问题的回答，会经常跳到浏览器，通过传统搜索的方式，把结果展示给用户。这会让用户觉得智能助手的体验比较割裂。”
那时，在对话交互上，他们使用了一些比较简单的算法。由于这些算法的效果天花板比较低，虽然能简单高效地解决一些问题，但是如果想获得更好的效果，它们明显会存在一些局限性，比如即使补充更多的数据，它们也会存在拟合能力不足等问题。另外，它们还表现出泛化能力比较脆弱的一些缺陷，“纯粹从量化评测指标看，它们能做到 90 分，甚至超过 90 分。但是，拿到实际场景中试验，面对大量用户的口语化表达时，效果就不是很好。因为实际场景要复杂得多，比如用户各种非标准的表达方式、环境噪声带来的输入干扰等”。
第一个版本出来后，团队继续优化 AI 算法，不断迭代小布助手。据杨振宇介绍，小布助手 AI 算法的发展大致可从广度和深度两个维度看。
广度上，从指令型的操控类技能，拓展到到垂域资源型的技能（如音乐、影视等），以及开放域的技能。具体说来，指令型技能相对简单，因为用户输入往往已经包含足够的信息，智能助手可以判断出用户想干什么，比如打电话还是发短信，或者打开某个功能设置等。针对指令型技能，他表示，“使用教科书上的一些算法基本就能搞定，效果还不错”。
垂域资源型技能相对复杂些。既要基于用户输入的信息，也要结合一些领域知识，智能助手才能做出准确的判断，比如结合知识会发现“原子弹”原来还是一首歌。因此，智能助手只有具备领域知识，才能做出更准确的判断。
当然，最复杂的还是开放域。以知识问答为例，杨振宇他们正在持续建设中，但眼下还没有一个非常完美的解决方案，这也是行业存在的普遍问题。因为用户的问题五花八门，涉及各种各样不同的学科和领域，仅用单一算法很难解决所有问题，因此要融合多种技术手段。杨振宇解释，有些属于结构化问题，要基于知识图谱才能回答，比如询问姚明的身高、刘德华的年龄等；另一些问题要依赖大量问答库的积累，然后基于问答库做检索匹配等。此外，开放域聊天也存在很大的技术挑战，不仅要聊得相关，还要贴心、有趣，甚至有情感。
深度上，小布助手 NLP 与对话算法经历了从规则引擎、简单模型到强深度学习，再到预训练模型几个阶段。早期以规则引擎为主，优势是简单可控，缺点是天花板比较低。后来，过渡到强深度学习的方案，“以 CNN、RNN、Transformer 为代表的深度学习算法，我们都有实践、评测和落地的方案，效果提升了一个大台阶”。
现在，预训练模型备受他们关注。随着预训练模型在工业界应用的突破，杨振宇他们做了一些技术升级，在很多方向取得不错突破，比如面对特别复杂的百科，基于预训练模型做问题识别，取得一些非常显著的收益。
在小布助手不断演进过程中，杨振宇也坦承，他们遇到过不少挑战。对话系统并非单纯的算法问题，更多是系统架构的挑战。因为对话系统是一个系统工程。比如海量用户有多样化的复杂需求，针对这些需求如何高效迭代。这是一个很大的挑战。为解决这个问题，杨振宇他们采用分治和抽象统一的解决方案，针对不同设备、不同场景的数百项技能，按业务特点进行解耦，形成系统服务、泛娱乐、生活服务、知识问答、开放聊天等多个子业务，每一个子业务可以相对独立建设，高效迭代。
其次，他们早期采用一些定制方案来进行技能建设。但随着技能的增多和长尾技能的增加，这对研发人员的消耗很大，因此，他们后来引入平台化解决方案，构建了小布自己的技能平台和开放平台，让非技术人员、外部合作伙伴也能参与技能建设，降低研发门槛和成本。
具体到一些技术问题，比如语义理解，挑战在于目前算法还不能完美理解用户口语化的表达，总会遇到一些 badcase，“一旦出现 badcase ，用户可能就会质疑智能助手的智商，进而失去兴趣不太愿意再去使用”。得益于深度学习的发展，近几年业界出现了一些相对成熟的方案，不过深度学习方案也同样并非完美。因此，综合考量下，他们以深度学习的方案为主，保障基本面，再辅助一些传统的规则与策略来解决边角问题，最终让语义理解的效果整体相对较好、可控。而开放域问题则更复杂，因为这个领域特别广，“像聊天，用户可能希望助手可以给他解闷，有时也希望你能安慰他，甚至陪他玩点游戏，这就比较难处理。针对这些问题，我们针对性的通过检索式与生成式相结合的方式，提升话题覆盖的多样性。另外为提升智能性，我们也构建了记忆机制，让小布能记住曾经和用户交互过的内容，并影响后续的交互”。
过去几年，智能助手的发展有两大趋势：一是从单轮对话到多轮对话，二是从单模态到多模态。这两大趋势，标志着智能助手的巨大进步，并对 AI 算法有着完全不同的要求。
从单轮对话到多轮对话，意味着人机交互向前迈出一大步，但是复杂度也大大提升。在单轮对话中，每一轮对话拿到的信息比较完整，无论是识别用户意图，还是提取 Query 中的关键信息，比如人名、地名、歌名等，都能从源数据中获得。多轮对话则有所不同，这种对话方式中，用户不可避免地会对前面的对话进行省略、指代，此时理解用户当前这句话，要结合历史交互的信息，这时处理起来就相对比较复杂。
另外，在对话管理上，多轮对话也带来很大挑战。杨振宇指出，单轮对话一般不涉及特别复杂的策略，可能会有技能间的跳转，但也不会特别复杂。但是，多轮对话，要根据用户交互过程来处理这个流程，让它显得更自然、更流畅，难度很高。
此外，在多轮对话场景中，经常遇到用户不按套路出牌的情况。此时，如何应对变得非常重要，需要有一些灵活的过渡方案。
在多模态方向，复杂性同样是个巨大挑战。在输入上，单模是基于语音来理解用户诉求，一般流程是把语音转换成文本，再理解文本，从字面上分析用户意图。
升级多模态后，其信息量明显增大，既有语音，也有用户表情、肢体语言等，输入信息大大丰富。杨振宇指出，理论上，智能助手对用户意图的理解应该更准确。输出方面也类似，既可以用声音呈现，也可以用视觉形象展现。
这样，输入输出都会变得更复杂。一方面，其算法模型本身的容量要更大，以支撑更强的建模拟合能力需求，另外也需要更综合和更大量的优质数据支撑。不像单模态，通过少量数据样本就能获得相对可控的基于文本理解的信号。
现在，多模态对数据的要求也更高。并且，模型复杂度提升后，它在算力上的要求也会更高。甚至，它对端侧算力的要求也更高，比如多模态下，每个用户与智能助手交互时，可能会处在不同的阶段，很难低成本地做到全部通过云端渲染再推到端上，无论是交互的及时性，还是对网络流量带宽的要求，都不太现实。有些渲染的实现可能还依赖端侧算力的支撑，“对应的，也需要我们一些算法模型要有端侧适配的能力”。
通过三年的研究与沉淀，小布助手在对话交互的 AI 算法方面形成自己的创新。
据杨振宇介绍，小布助手起步相对较晚。与行业里的老大哥相比，典型的区别是“早期智能助手可以看成是搜索技术的延续和积累，其技术架构多少有搜索技术的影子。这时，它不可避免地会受到历史包袱的影响。而小布助手不同，在开始投入时，深度学习技术已经相对比较成熟，使得他们有机会来构建强深度学习驱动的对话系统。它不仅没有之前的历史包袱，而且其效果的天花板理论上更高。”
没有历史的包袱，让小布助手在 AI 算法上可以快速前进，采用成熟技术，试点前沿技术，这样迭代更快，效果更好。
此外，他们考虑到对话系统的一个典型特征是较难获得用户的反馈。
他说：“智能助手与用户交互，无论用户满意还是不满意，他一般都是用完即走，不会给你直接的反馈。它不像搜索推荐，通过点击、时长等行为数据获得直接反馈，再促进算法模型改进。为了应对这个问题，我们构建了一个自学习系统，通过它获得信号，促进算法更高速、更有效的迭代，让智能助手的效果越来越好。”
那么，小布助手的能力在行业处于何种水平？2020 年 12 月，小布助手的语义理解模型在行业最权威的中文语言理解测评基准（CLUE）总排行榜上位列前五，该语义由分类、文本相似度、阅读理解、上下文推理等多类共 10 个子任务组成。小布助手在文本相似度、上下文推理、成语阅读理解三个子任务上获得最高分，进入行业第一梯队。
三年，从 0 开始，水平做到行业前列，实属不易。针对这个成绩，杨振宇觉得“并不算特别突出”，参与这个排行榜主要是“想验证我们的技术水平和行业的差距怎么样”。他认为，应该保持持续快速的学习和进步。
据他透露，过去一年多，他们做了几件事，让小布助手效果得到较大提升。一是利用小布助手积累的海量用户数据，获得口语化的语言数据，促进算法模型对智能助手场景的语言有更好的理解。其次，团队保持着开放的成长型的心态，及时跟进学术界和工业界的最新进展，并加以实践，“结合我们自己的业务场景做适配和改进”。此外，小布助手与外部组织机构建立了广泛连接，比如清华大学、北京智源人工智能研究院等，让团队有更多的外部输入。最后，坚定地在最新预训练模型方向进行投入，完成了基础语料数据和算法的积累，并在实际场景中探索落地应用。
在采访中，杨振宇也谈到 OPPO 对用户隐私的敬畏。他说：“对 OPPO 来说，我们的要求非常高，一方面用户隐私安全是一个优先级非常高的红线，另一方面也是团队发自内心的对用户隐私的尊重。”具体而言，小布助手会从几个方面保护用户隐私安全。
第一，明显详细的用户隐私安全告知，只有用户确认后，才能使用智能助手与用户交互过程中产生的数据。
第二，对云端存储的数据进行严格脱敏。比如无法长期存储用户的语音数据，虽然这可能会给算法优化升级带来困难。实际工作中，他们会利用如数据增强的方式，用假数据拟合真实数据保证算法模型训练时不太受影响。
第三，针对必须要用到用户数据的场景，他们会限定采用一些端侧方案，确保用户隐私数据不会被上传和泄漏。
提到未来，杨振宇认为高智能的助手一定要懂情感，其交互过程能融合情感。通过情感，可以产生更好的信任度，让用户和助手间的黏性更高，让交互从低阶走向高阶。在这方面，他认为小布助手还需继续努力。
“从用户的行为和表达中分析其情感倾向，在交互中附加一些情感等，这些工作虽已落地，但远未达到水乳交融的状态。我们希望未来在情感方面做得更系统化、更有表现力”。
其次，在记忆方面有更深的建设与探索。在他看来，记忆是非常重要的一个体现人性化的智能维度，“虽然我们有一些探索，但还有很大的发挥空间。希望通过记忆技能，让用户与助手交互时有亲切感。它是专门为我服务，了解我的喜好和习惯，对用户有‘润物细无声’的影响”。
此外，在多模态方向，他们也会持续探索，通过更拟人化的形象，让助手与用户间的交互更有趣，更有表现力。同时提供一些个性化能力，让用户可以构建自己喜欢的智能助手形象。
今日荐文
点击下方图片即可阅读
对话矩阵起源创始人王龙：不喜欢做有天花板的事情，创业能带来更多可能
你也「在看」吗？👇