今天的數字助手有時會讓你誤以為它們是人類，但功能更強大的數字助手即將到來。在幕後，Siri、Alexa 和它們的同類使用複雜的語音識別軟體來弄清楚你的請求是什麼以及如何提供它，並且它們生成聽起來自然的語音來傳遞與你的問題相匹配的指令碼化答案。此類系統必須首先經過“訓練”——接觸到人類可能提出的各種請求的大量示例——並且適當的響應必須由人類編寫並組織成高度結構化的資料格式。
這項工作非常耗時，並且導致數字助手的功能受到限制。系統可以“學習”——它們的機器學習能力允許它們改進傳入問題與現有答案的匹配——但在有限的程度上。即便如此，它們仍然令人印象深刻。
在更高的複雜程度上，技術正在開發中，以允許下一代此類系統吸收和組織來自無數來源的非結構化資料（原始文字、影片、圖片、音訊、電子郵件等等），然後自主編寫有說服力的建議——或就他們從未接受過培訓的主題與對手辯論。
關於支援科學新聞
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保未來能夠有力地報道關於塑造我們當今世界的發現和想法的故事。
我們已經在提供聊天機器人的網站上看到了這種能力的驚鴻一瞥，這些聊天機器人開箱即用，可以回答涵蓋他們訓練過的各種資料集的自然語言問題。此類聊天機器人幾乎不需要或無需針對特定問題或請求進行培訓；它們使用預配置資料和“閱讀”提供給它們的背景材料的新興能力相結合。但是，它們確實需要一些識別單詞和意圖方面的培訓，然後才能給出高度準確的響應。
今年 6 月，我的僱主 IBM 展示了該技術更高階的版本：一個系統在沒有事先接受過關於主題或要論證的立場的培訓的情況下，與一位人類專家進行了即時的辯論。該系統使用非結構化資料（包括維基百科的內容，其中一些內容為了清晰起見而進行了編輯），必須確定資訊的關聯性和真實性，並將其組織成可重用的資產，以便它可以呼叫該資產來形成支援其被分配立場的連貫論點。它還必須回應人類對手的論點。該系統在演示期間進行了兩次辯論，並且在一個由一大群觀眾組成的群體中被評為更具說服力。
這項支援性技術——其中包括不僅可以理解自然語言，還可以處理檢測正面和負面情緒這一更艱鉅挑戰的軟體——開發歷時五年多，並且仍然在很大程度上是一項正在進行的工作。然而，未經指令碼化的人工智慧系統戰勝公認的人類專家的勝利，為未來三到五年內可能出現的無數相關應用打開了大門，甚至可能更快。例如，此類系統可以幫助醫生快速找到與複雜病例相關的研究，然後辯論給定治療方案的優缺點。
這些智慧系統僅可用於組裝現有知識，而不能像實驗科學家或專家那樣創造知識。儘管如此，隨著機器變得越來越智慧，它們引發了失業的幽靈。社會有義務為下一代提供解決需要人類智慧才能解決的問題所需的技能。