※ 引述《wang19980531 (中立评论员)》之铭言：
: 虽然现在实验室接到很多公司计画还是和机器学习相关，
: 但其实很多教授都觉得AI在走下去也过不了几年，
: 技术方面已臻成熟，玩不出什么把戏了。
: 不知道业界怎么看呢？
: 未来的发展是量子计算机吗？
虽然CV透过DL取得了重大进展，但在NLP领域，AI仍然处于发展初期，技术谈不上成熟，
以敝人负责的Chatbot领域来说，有个可以参考的例子，自从图灵测试在2014年被聊天机
器人Eugene通过后，加拿大学者改进测试的缺失提出了威诺格拉德架构挑战赛(Winograd
Schema Challenge)，也是目前最具权威的AI竞赛。
该竞赛的第一轮是代词消歧问题(Pronoun disambiguation problems)。举例来说，当人
类分析句子时，会用经验来理解指代的对象：
一、市议会拒绝示威者，因为他们害怕暴力。
二、市议会拒绝示威者，因为他们提倡暴力。
而这个选择题只有两个答案，代词"他们"是指"市议会"还是"示威者"，AI应该要指出在第
一句说的是市议会，第二句说的是示威者，从问题上可以发现，系统无法透过这段话的上
下文进行理解得到答案，这在实作上必须透过知识图谱(Knowledge Graph)进行推理，要
通过比赛拿到奖金25,000镁，准确率(Accuracy)必须达到90%以上，但目前最好的成绩只
有58%，远比人类低得多。
除了上述根本影响Chatbot问答品质的问题，还有几个难题仍未被突破：
一、为了整合语音辨识、词法分析、句法分析、语意分析、深度学习，答案搜寻，对话管
理、自然语言生成和语音合成等模组，确保其相容性，以及敝司过去欠下近十年的技术债
，当前Chatbot架构与模型相当复杂，管理较为困难，如何研发通用的架构与模型，是未来
所有同业的发展目标。
二、情感分析(Sentiment Analysis)可以让Chatbot与人交互时更有温度，是目前产学
界热门研究方向。
三、现在的Chatbot只能做好特定领域的工作，如何建构开放领域的知识，甚至不需要人
工建构知识，让机器自学习，也是产学界正在努力的方向。
四、端对端(End to end)系统的建立，不经过传统的模组串联，利用DL建立端对端的简洁
模型；达到输入原始资料后，可直接得到想要的输出结果，但与此同时还要支援多轮对话
管理、上下文情境及知识图谱推理，避免安全回答，甚至是保持Chatbot个性的一致性，
这些挑战都是产学界近期的目标。
以上问题，可见AI还有很长的一段路要走；但不管准确率有多高，以商用Chatbot来说，
只要能节省足够的客服成本，就能让许多企业为高价的AI人才买单。以上是个人在业界
工作得到的经验，分享给各位同业；这个领域还有一堆做不完的工作，也鼓励研究生们
好好学习入坑。
文章被JPPT App吃掉了... 整理中