2018年的Google I/O 发布了一个能帮你打电话预约餐厅的 AI 助理，先看下视频
Google Duplex 通过图灵测试了吗？
Alphabet 董事长 John Hennessy 在发布会之后就宣布：“在预约领域，这个AI已经通过了图灵测试。”Hennessy 可不仅仅是这个巨型科技公司的董事长，他凭借其在CPU精简指令集（RISC）的贡献获得了计算机科学的诺贝尔奖——图灵奖。以图灵命名的奖项的得主，宣布其公司的产品通过了图灵测试，这里面有水分还是实至名归？
1950年，图灵提出了图灵测试：如果一台机器能与人类展开对话（两者物理隔离）而不被识别出其机器人身份，那么这台机器就通过测试，并被认为能够进行思考。在当年，图灵就预言人类能创造出能够思考的机器，而当时的计算机还是这样的：
Hennessy说：“在预约领域，这个AI已经通过了图灵测试。”，但是在图灵测试中，你并不能让参与测试的人类把话题仅仅限定在预约领域。可以预见的是，一旦超出领域，这个机器就会露出马脚。所以很明显，Hennessy 这个说法更多是一种营销。Google 也在博客中承认：“Google Duplex 只能在一些经过深度训练的封闭领域里进行对话，它并不能在开放领域（general conversations）开展对话。”
根据google的计划，Duplex将会通过google assistant在今年夏天测试三个领域：
1. 预约餐厅
2. 预约理发店
3. 咨询商铺在假期的营业时间
google 花了巨大的精力，目前只能支持这三个领域，甚至连预约餐厅和预约理发店都是两个不同的领域，需要分开训练。其实这正是duplex能达到这么好效果的原因，google 认为只有限制在封闭且狭窄的领域内，才能达到足够程度的训练（narrow enough to explore extensively)。
Duplex 的技术挑战
这部分主要参考了google ai的博客文章：https://ai.googleblog.com/2018/05/duplex-ai-system-for-natural-conversation.html
智能音箱不早就实现了人机对话吗
很多人都用过智能音箱，跟天猫精灵或者小爱同学聊过天，但是duplex想要实现的目标难度要比这高几个级数。
当我们了解到我们正在跟一台机器对话的时候，我们会有意识的放慢说话的速度，而且会尽量使用短句说清晰；而人和人之间对话，我们会使用更复杂的句子，我们会在说到一半的时候纠正前面的话，我们会对同一件事说好几次，我们会依靠上下文而在说话中忽略一些词，我们有时会在一个句子中表达多个意图，google举了一个在测试中遇到的真实例子：“So umm Tuesday through Thursday we are open 11 to 2, and then reopen 4 to 9, and then Friday, Saturday, Sunday we... or Friday, Saturday we're open 11 to 9 and then Sunday we're open 1 to 9.”
而 google 的目标是让客服觉得电话另一端预约的是一个真人，因为一旦客服知道到对面只是一个机器人的话，预约的任务很有可能就会失败；正如我们收到录音的垃圾电话，一旦察觉到是录音就会马上挂掉。所以Dulex的挑战比智能音箱的要大得多。
Duplex 解决了这些问题，最终达到视频呈现的效果
语音识别
如前面说，真实的对话比人机对话面临更多问题，真实的对话语速会更快，吐字没有那么清晰，而且手机通话的问题会更严重，例如背景噪声和通话音频质量的限制。Google 也承认在duplex的场景下字错率更高（we see higher word error rates），但是没有披露怎么解决这个问题。我猜测是通过语义理解cover识别的错误，例如我们人类对话中即使一句话中有些词没有听清，也可以根据其他词和上下文猜测整句话的意思。
语义理解
在长对话中，同一个句子在不同的上下文中可能代表不同的含义。例如“OK for 4”这句话，可能表示确认时间，也可能是确认人数。句子的上下文信息通常要回溯到几个句子之前——语音识别较差的表现，让这个问题变得更加复杂。我的理解是，句子越多越长，识别错误的情况就越多，语义理解正确的难度就越高。
除了领域内的特定对话，系统还要处理日常对话的普遍问题，例如被打断(“the number is 212-”“sorry can you start over?”)，请求暂停(“can you hold?[pause]thank you!”，一秒钟的暂停和两分钟的暂停有不同的含义，超过一定时间意味着对方可能忘记了电话），解释(“for next Friday”“for when?”“for Friday next week,the 18th.”)，状态同步(“can you hear me?”),
下图是对话输出的一个框架图，更多技术细节请参考google博客的原文章。框架图左边是系统的输入，包括ASR识别的文本，音频特征，对话的历史，对话的参数（例如用户需要预约的服务，当前的时间）等等。最终输出的是回复的文本，最后通过TTS（语音合成）输出为音频回复用户。
语音合成（TTS）
Duplex 的语音合成让人惊诧，听上去简直像真人一样，为了达到这个效果，duplex 的TTS做了一些少见的操作
视频里面，duplex 说了一个“mm-hmm”，全场哄笑，因为表现得太真实了。google 通过用户研究，发现在对话中加入这些音节（例如e.g. “hmm”和“uh”）会让对话更自然；在真实的对话中，当我们在思考/组织语言的时候，我们会经常说这些音节。所以，Duplex 在对话中会加入这些音节，以及巧妙的停顿。
回答的延迟：在真实的对话中，如果我们说的是简单的句子，例如“hello”，我们期待的是对方能够立刻给予回应；而如果是回复一个复杂的问题，特意增加回复的延迟会让对话更自然（如果对方快速地回答一个复杂的问题，会显得像在进行知识竞赛）。Duplex 用了不同的模型来应对这两种case，在前一种case中使用更快、提供更低阈值的模型（例如语音识别和语音端点检测），最终达到的效果是低于100ms的延迟。
自我监控
Duplex 可以进行复杂的对话，但是一个系统总有边界。Duplex 有自我监控的能力，可以判断这个任务能否由系统独立完成。如果它判断系统不能完成这个任务，例如一些极其复杂的预约，它就会指派给后台的人工操作员替它完成。
一个能够知道自己能力极限的人工智能系统！
新技术的认知挑战
duplex 发布之后，引起一些人的担忧，认为 duplex 在与人类对话的时候没有披露自己机器的身份。但问题是，如果客服知道电话的对面是google的机器人，她会乐于服务吗？她为机器人提供“热情”服务的时候内心感受会是怎样的？
人类为机器服务，还是让人感觉别扭，虽然这个机器也是为另一个人类服务。或许人工智能在我们的生活普及之后，这种困惑会慢慢消失，但这需要时间。又或许，这个技术在替代人工客服上更有潜力。
