基于我们设计的模型的通用性，理论上，只要我们持续深入下去，我们就可以做到全场景对话，甚至多语言对话。但是从当前用户的接受程度，相关产品的成熟度，还有商业模式上看，我们更倾向于在车载和家居环境中突破。也就是说纯语音对话的方式现在还只是一种非主流手段，只有当人双手被占用的情况下，这种方式才会变得有用和有效。但是，随着语言理解和对话技术的快速发展，这一情况正在变得越来越普及，有望在数年后成为一种主流的人机交互方式。

　　读者提问

　　▎NLP在人机交互上的应用现状能否介绍一下？在AR/VR场景下能做到怎样的程度？例如游戏中的NPC能够像微软小冰一样进行复杂的随机交流吗？

　　首先要说明的是我个人觉得小冰根本没有什么复杂的技术，虽然可能用了深度学习，用了句子生成方法。但其核心还是通过大量聊天语料（问答对）训练一个新问题在当前上下文下最“相关“的一个已有问题，从技术上其更近似于检索的方式，只是选用不同的模型对上下文的描述能力可能不同，效果也有所差异。但总体上，这种对话和“语言理解”无关，也就说和推理没有半点关系，还只是一种纯统计上的相似度计算而已。所以要问的或许应该是：游戏中的NPC可否像真正的游戏玩家一样和电脑前面的游戏玩家进行自然对话。

　　其实特定的某个游戏是一个非常细分的场景，我个人觉得这这种受限场景下，人机对话可以做得更接近于人与人之间的对话，但是需要考虑的是游戏中角色很多，不同角色的设置也不同，需要真正比较通用且能快速实现个性化的对话模型，而且这种模型的冷启动也需要针对不同角色有所差别。

　　▎当前深度学习在NLP方面的使用以及它与传统方法的区别与集成，对于从业者来说应该如何选择？

　　还是和问题本身相关，如果把问题看做是一个模式识别问题，输入和输出都很明确，而且也能够获取到大量的训练样本（包括用人工可以大量标注的方式），此类问题一般适合用端到端的方法来解决，深度学习是一个很好的选择。NLP中的序列标注，统计机器翻译都可用此类方法。如果问题本身就是一个目标并不能明确地用具体标签描述，而是需要根据其所处的环境，做出一系列明确的动作，比如规划问题，任务决策问题等，这类问题暂时还不适合用深度学习来处理，需要深度学习和逻辑相结合。

　　关于“传统NLP方法”这个说法，我个人有不同的看法。对于NLP技术来说，其研究的是逼近语言现象本质的方法，或者说针对语言建模的方法，最早大家是从逻辑的角度来研究，然后加入了统计和机器学习，语言问题是个足够大的问题，这些不同流派揭示的只是语言问题的不同侧面而已。如果从应用的角度来看，当然合适的方法是要考虑语言问题的各个侧面，融合逻辑，知识和统计的力量才能获得有效的进步。很多所谓采用NLP技术的产品大都把眼光停留在文本分类，词汇标注，甚至分词这样的单点任务上，其实离理解NLP技术的作用还差得很远。

　　▎用自然语言进行的“交互式搜索”取代传统搜索形态的可能性有多大，业界对此趋势的应对现状和目前面临的主要难点是什么？

　　随着终端的多样化，设备的逐渐微型化，这是个必然的趋势，我无法给出一个具体的时间预测，但我相信这一天肯定不会太远，移动时代的到来就已经开始肢解搜索了。当前的搜索引擎不久后将会蜕化成“交互式搜索”后面的一个并不那么重要的服务，就像分类目录式搜索被现在的搜索引擎取代一样。

　　难点还在于自然语言理解，更具体一点说就是机器如何去“理解”人类语言。机器至少要理解人的意图，并且能支持推理，推理本身必须也是一种计算，然后才能谈对话，谈交互，否则都是无源之水无本之木。

　　▎ 自然语言处理技术在教育领域里值得注目的发展趋势有哪些？

　　教育是一个很大行业呀，这方面我不专业，所以只能随便说说。

　　从我们交互与决策引擎的角度来看的话，机器辅助教育可能是一个很有意思的点，让机器人帮助完成教育过程中的一些机器更擅长的环节，比如改卷，不厌其烦地讲解基本演算方法，理科类的答疑等。